La revolución en la inteligencia artificial. De lo clásico a lo cuántico
Palabras clave:
Inteligencia artificial, Clásico, Cuántico, Algoritmos, tecnologíaResumen
Esta investigación está enfocada en la transformación de la inteligencia artificial (IA) desde sus inicios de paradigmas clásicos hasta su desarrollo contemporáneo en el contexto de la computación cuántica. A medida que la inteligencia artificial ha evolucionado, ha demostrado ser una herramienta fundamental en diversos sectores, desde la salud pasando por la educación hasta las finanzas. Este artículo tiene como propósito explorar la evolución de la inteligencia artificial desde sus fundamentos clásicos hasta las innovaciones emergentes en la computación cuántica. Se trata de una investigación cualitativa, enmarcada en una metodología de un tipo de estudio documental, utilizando la técnica de la revisión documental la cual consistió en un análisis crítico y sistemático de documentos previamente elaborados, con el propósito de extraer información pertinente y relevante, posibilitando detallar el fenómeno analizado mediante la caracterización de esta tecnología. Uno de los principales hallazgos emanados de esta investigación, revelan que los algoritmos cuánticos pueden realizar tareas computacionales que, en su versión clásica, consumirían un tiempo exorbitante. De esta manera, se concluye que la integración de la computación cuántica en la IA no solo es viable, sino que también podría marcar un antes y un después en el campo científico y tecnológico. Sin embargo, se enfatiza la necesidad de seguir investigando en la implementación práctica y la escalabilidad de estas tecnologías para que su potencial se materialice completamente, abriendo un nuevo horizonte para el desarrollo de soluciones innovadoras en las diferentes disciplinas de la ciencia, la tecnología y la investigación.
Referencias
Arias, F. (2012). Proyecto de investigación. Introducción a la metodología científica. Editorial Pontificia Episteme. 6ta edición. Caracas, Venezuela.
Arute, F.; Arya, K.; Babbush, R.; Bacon, J.; Bardin, J.; Bar ends, R. y Martinis, J. (2019). Quantum supremacy using a programmable superconducting processor. Nature. Disponi ble en: https://pubmed.ncbi.nlm.nih.gov/31645734/.
Babbush, R., et al. (2018). Encoding quantum operators in quantcircuits. Physical Review.https://www.researchgate. net/publication/328469422_Encoding_Electroni pectra_in_ Quantum_Circuits.
Benedetti, M., Lloyd, S., & Florentine, M. (2021). Parame terized quantum circuits as machine learning models. Quan tum Science and Technology, 6(1), 1-15. Chuang, I. y Nielsen, M. (2010). Quantum Computation and Quantum Information. Disponible en: https://profm cruz.wordpress.com/wp-content/uploads/2017/08/quan tum computation and-quantum-information-nielsen-ch uang.pdf.
CIFAR. (2018). Program on Quantum Information Sci ence. Disponible en: https://cifar.ca/researchprograms/ quantum-information-science/.
Denzin, N. y Lincoln, Y. (2021). The SAGE Handbook of Qualitative Research (4th Ed.). Sage Publications.
Eket, A.; Ignacio, C.; Lamata, L.; Minguez, J.; Lenaham, B. y Barg, S. (2023). Quantum Computing e Inteligencia Arti f icial: la revolución silenciosa. Disponible en: https://www. fundacionbankinter.org/wp-content/uploads/2023/03/ Informe-FTF-The-Silent-Revolution-of-Quantum-Compu ting-AI.pdf.
Farhi, E. y Harrow, A. (2016). Quantum Algorithms for Fixed Qubit Architectures. arXiv preprint arXiv:1602.07674.
Grover, L. (1996). A fast quantum mechanical algorithm for database search. Proceedings of the 28th Annual ACM Symposium on Theory of Computing, 212-219.
Hangleiter, D.; Kottmann, J. y Miller, D. (2020). Quantum models of neural networks. Machine Learning: Science and Technology, 1(1), 25. doi:10.1088/2632-2153/ab6e8b.
Harrow, A. (2009). Quantum algorithms for fixed Qubit architectures. Nature, (7252), 464-468.
Hernández, R., Fernández, C. y Baptista, P. (2014). Me todología de la investigación (6th ed.). McGraw-Hill. ISBN: 978-1-4562-6096-5.
Job, J. (2020). Ethical implications of quantum comput ing: Risks and challenges. Frontiers in Quantum Computing.
Jordan, S. P., et al. (2019). Quantum algorithms for fixed Qubit Architectures. Nature Reviews Physics, 1(9), 514-527. Disponible en: https://ar5iv.labs.arxiv.org/html/1703.06199. Krizhevsky, A., Sutskever, I. y Hinton, G. (2012). Ima geNet classification with deep convolutional neural net works. Advances in Neural Information Processing Sys tems.Disponible en: https://www.researchgate.net/publication/267960550_ImageNet_Classification_with Deep_Convolutional_Neural_Networks.
Kumar, A., Gupta, R. y Ghosh, P. (2020). Natural Lan guage Processing: A Comprehensive Review. Journal of Com puter Science and Technology, 35(3), 357-388.
Lloyd, S. (2007). Quantum Information and the Future of Quantum Computing. Nature Physics, 3(12), 752-754.
Macías, Y. (2021). La tecnología y la Inteligencia Arti f icial en el sistema educativo. Disponible en: https://core. ac.uk/download/481436033.pdf. McCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). A Proposal for the Dartmouth Summer Research Proj ect on Artificial Intelligence. Disponible en: http://jmc.stan ford.edu/articles/dartmouth/dartmouth.pdf. EE.UU.
Moreno, F. (2023). Inteligencia artificial cuántica. Blog. Preskill, J. (2018). Quantum Computing in the NISQ era and beyond. Disponible en: https://quantum-journal.org/ papers/q-2018-08-06-79/.
Rebentrost, P., et al. (2014). Quantum machine learn ing with quantum neural networks. Physical Review Let ters, 113(14). Disponible en: https://www.google.com/ search?q=Rebentrost%2C+P.%2C+et+al.+(2014).+Quantm+machine+learning+with+quantum+neural+net works.+Physical.
Sharma, G., Yadav, A. y Chopra, R. (2020). Artificial intelligence and effective governance: A review, critique and research agenda. Sustainable Futures. Disponible en: https://www.sciencedirect.com/science/article/pii/ S2666188819300048sec0001. Shor, P. (1997). Polynomial-time algorithms for prime factorization and discrete logarithms on a quantum comput er. SIAM Journal on Computing, 26(5), 1484-1509.
Shulman, J. (2023). Artificial Intelligence in Education: Supporting the Learning Experience. Educational Technology Research and Development. Disponible en: https://www. researchgate.net/publication/369288544_Artificial_intel ligence_in_edution.
Silver, D., Huang, A., Maddison, J., Guez, A. (2016). Mas tering the Game of Go with Deep Neural Networks and Tree Search. Nature. Disponible en: https://doi.org/10.1038/na ture16961.
Turing, A. (1950). Computing Machinery and In telligence. Mind, 59(236). Disponible en: https://doi. org/10.1093/mind/LIX.236.433.
