Mas Encriptado, que la puta Naturaleza.

Mas Encriptado, que la puta Naturaleza.

Los agujeros negros son los revueltos de datos más rápidos de la naturaleza, y una nueva investigación sugiere que los secretos arrojados a ellos pueden ser más seguros de lo que se pensaba. En un artículo publicado en Physical Review Letters, investigadores del Laboratorio Nacional de Los Álamos (LANL) en los EE.UU. muestran que una vez que un mensaje ha sido revuelto por un agujero negro u otro sistema con propiedades similares, ni siquiera una computadora cuántica puede volver a juntarlo.

Los scramblers son sistemas cuánticos que toman información local y la difunden a través de todo el sistema, generando entrelazamiento cuántico entre regiones distantes. Aparecen en varios contextos de la física. Si bien los agujeros negros son quizás el ejemplo más famoso, los scramblers también existen en sistemas simples como las cadenas de espín –arreglos 1D de partículas cuánticas con acoplamiento entre vecinos más cercanos– y en metales “extraños”, en los que la resistividad depende atípicamente de la temperatura

Aunque el proceso de aleatorización es determinista –una entrada fija produce una salida fija–, los sistemas de aleatorización pueden dar lugar a un comportamiento tremendamente complejo, distribuyendo información de forma aparentemente aleatoria. Esta aparición de aleatoriedad aparente se conoce como caos cuántico, en analogía con la teoría clásica del caos, donde sistemas igualmente simples producen dinámicas igualmente intrincadas.

Una pizca de esperanza para la recuperación de mensajes

Los físicos que trabajan en la intersección de la mecánica cuántica y la gravedad están interesados en los revueltos en parte gracias a la llamada paradoja de la información de los agujeros negros. La paradoja gira en torno al destino final de la información que cae más allá del horizonte de eventos y en un agujero negro: después de que un mensaje se revuelde a través de la superficie de un agujero negro, ¿está su información atrapada en el agujero negro para siempre, o de alguna manera logra escapar? Una escuela de pensamiento sostiene que la información escapa de los agujeros negros en forma de fotones emitidos a través de un proceso conocido como radiación de Hawking. Esta teoría recibió cierta corroboración en 2019,pero el jurado aún no ha recibido.

En 2007, mientras investigaban esta paradoja, los físicos Patrick Hayden y John Preskill idearon un experimento mental. Suponiendo que los agujeros negros codifican información en la radiación de Hawking, mostraron que cuando se envía un mensaje a un agujero negro, sus piezas se pueden recuperar rápidamente capturando algunos de los fotones emitidos, un proceso similar a recuperar las rebanadas de un documento triturado del calor emitido por la trituradora. Sin embargo, mientras que el comportamiento de aleatorización del agujero negro hace posible tal recuperación, la radiación de Hawking por sí sola no le dice cómo descifrar un mensaje codificado. Se necesitan otros enfoques para, en efecto, volver a montar el documento triturado de sus tiras de papel.

Revueltos acosados por mesetas estériles

Introduzca algoritmos de aprendizaje automático. Estas poderosas herramientas de identificación de patrones “aprenden” cómo aproximarse mejor a un sistema físico comparando las salidas del sistema real con sus propias salidas (dadas las mismas entradas para ambos), ajustando su modelo interno y luego enjuagando y repitiendo hasta que la realidad y la aproximación se alineen. La cantidad central en este proceso de aprendizaje es una cantidad matemática conocida como la función de coste, que captura el grado de desviación entre el modelo y el sistema real.

Scrambler esquema a A scrambler, representado por U unitaria, dispersa la información de entrada. b Un protocolo propuesto para aprender a descifrar un mensaje codificado utilizando una computadora cuántica. Los investigadores descubrieron que este protocolo sufre el problema de las mesetas estériles. (Cortesía: Laboratorio Nacional de Los Álamos)

En los métodos clásicos de aprendizaje automático, la función de costo es como una cordillera, repleta de picos y valles que representan sus valores más altos y más bajos. Minimizar la función de costo – y aprender un modelo para el sistema – es como encontrar un camino descendente y seguirlo hasta el campamento base. Sin embargo, cuando el modelo es un sistema cuántico modelado en una computadora cuántica, el panorama de la función de costo no siempre es tan rico. De hecho, los investigadores de LANL demostraron que cuando se le pide al algoritmo que modele un scrambler, sufre del problema de las “mesetas estériles”. “La función de costo es esencialmente plana en todas partes, con un agujero del tamaño de una aguja que es la base”, dice Zoe Holmes,académica postdoctoral en LANL y autora principal del artículo.

Esta ausencia de características en la función de costo hace que el aprendizaje automático cuántico sea ineficaz, porque encontrar el “agujero” desde un punto de partida aleatorio dentro del paisaje es casi imposible sin un camino descendente a seguir. “Si estás aprendiendo usando una función de costo evaluada en una computadora cuántica, no importa cuántos pares de entrenamiento tengas, no podrás aprender el revuelto”, dice Holmes, “al menos sin conocimiento previo”. Esta falla descarta la posibilidad de reconstruir un mensaje, lo que implicaría invertir el proceso de aleatorización.

 

Deja un comentario