🔬 Investigadores de Multiverse Computing entrenaron adaptadores para un modelo Llama 3.1 8B y los ejecutaron en un procesador cuántico IBM de 156 cúbits. El sistema híbrido bajó la perplexity un 1,4 % con solo 6 000 parámetros añadidos, según un preprint subido a arXiv el 7 de mayo.
El trabajo usa unidades llamadas adaptadores unitarios parametrizados por Cayley (CUA). Los investigadores congelaron los parámetros originales del LLM, entrenaron esos adaptadores en una computadora clásica y luego cargaron el sistema híbrido en IBM Quantum System Two, una unidad superconductora de 156 cúbits.
La métrica central fue la perplexity (PPL): cuanto más baja, mejor predice el modelo la siguiente palabra. Con los CUA, Llama 3.1 8B bajó su PPL un 1,4 % tras sumar 6 000 parámetros, apenas un 0,000075 % más sobre un modelo de 8 000 millones.
En pruebas concretas, el modelo mejorado respondió bien preguntas que el modelo base falló: identificó que todos los planetas jovianos tienen anillos y eligió mayor homogeneidad genética como efecto del flujo génico. Borja Aizpurua, primer autor, lo describió como prueba de concepto para seguir desarrollando IA híbrida.
✅ El resultado apunta a una vía para mejorar modelos sin escalar tanto la infraestructura clásica. Pero el propio estudio es un preprint (pendiente de revisión por pares), la mejora de PPL fue pequeña y el ruido del hardware cuántico sigue siendo el obstáculo principal. Los autores dicen que el peso real está en que la mejora exista, no en su tamaño.
Fuente: livescience.com
