El entrelazamiento cuántico ayuda a jugar al Pong exprés
En el ping-pong, dos paletas conectadas por un hilo invisible sienten los movimientos de la otra, adivinando la trayectoria de la pelota. Los investigadores dotaron a la computadora con algo parecido a ese hilo: el entrelazamiento cuántico. En un programa común que aprende de los errores, se incorporó un circuito cuántico de ocho cúbits — partículas capaces de girar como una moneda en el borde. Cuando se entrelazan (John Bell demostró lo extraño de este efecto), se convierten en un todo: empuja uno y todos reaccionan. Este circuito sirvió como los «ojos» del algoritmo, transformando los píxeles de la pantalla en señales comprensibles.
La tensión del hilo se ajustaba en pleno juego, fortaleciendo la conexión. Y el jugador entrelazado superó a las redes neuronales comunes, especialmente cuando los recursos escaseaban. Distinguía patrones ocultos en los movimientos del rival, inaccesibles para los programas simples. El hilo vibraba, transmitiendo información más rápido que cualquier onda gravitacional, y su atracción reunía los cúbits como un agujero negro en miniatura. Es sorprendente que para tal conexión fuera necesario enfriar el chip casi al cero absoluto, una temperatura más baja que la del espacio interestelar.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.10289
Whether uniquely quantum resources confer advantages in fully classical, competitive environments remains an open question. Competitive zero-sum reinforcement learning is particularly challenging, as success requires modelling dynamic interactions between opposing agents rather than static state-action mappings. Here, we conduct a controlled study isolating the role of quantum entanglement in a quantum-classical hybrid agent trained on Pong, a competitive Markov game. An 8-qubit parameterised quantum circuit serves as a feature extractor within a proximal policy optimisation framework, allowing direct comparison between separable circuits and architectures incorporating fixed (CZ) or trainable (IsingZZ) entangling gates. Entangled circuits consistently outperform separable counterparts with comparable parameter counts and, in low-capacity regimes, match or exceed classical multilayer perceptron baselines. Representation similarity analysis further shows that entangled circuits learn structurally distinct features, consistent with improved modelling of interacting state variables. These findings establish entanglement as a function resource for representation learning in competitive reinforcement learning.
Para entrelazar cúbits en el laboratorio, a menudo se enfrían los chips casi al cero absoluto, más frío que el espacio exterior.
Este trabajo recuerda a la idea de la novela 'El juego de Ender', donde la inteligencia artificial aprende analizando el comportamiento humano en juegos estratégicos.