Categoría: Big Data y Analítica Avanzada

Los investigadores de EPFL han logrado un resultado notable: capturar y estudiar los cambios de fase en el hardware cuántico, lo que podría ser prometedor para las tecnologías de próxima generación como la computación cuántica y los sensores ultrasensibles. Las transiciones de fase, como la congelación de agua en hielo, son una parte familiar de nuestro mundo. Pero en los sistemas cuánticos, pueden comportarse aún más dramáticamente, con propiedades cuánticas como la incertidumbre de Heisenberg que juegan un papel central. Además, varios efectos espurios pueden hacer que los sistemas pierdan o disipen energía para el medio ambiente. Cuando suceden, estas “transiciones de fase disipativas” (DPT) empujan los sistemas cuánticos a nuevos estados. Hay diferentes tipos o “órdenes” de DPT. Los DPT de primer orden son como voltear un interruptor, causando saltos abruptos entre estados. Los DPT de segundo orden son más suaves pero aún transformadores, cambiando una de las características globales de los sistemas, conocida como simetría, de maneras sutiles pero profundas. Los DPT son clave para comprender cómo se comportan los sistemas cuánticos en condiciones de no equilibrio, donde los argumentos basados en la termodinámica a menudo no proporcionan respuestas. Más allá de la pura curiosidad, esto tiene implicaciones prácticas para construir computadoras y sensores cuánticos más robustos. Por ejemplo, los DPT de segundo orden podrían mejorar el almacenamiento de información cuántica, mientras que los DPT de primer orden revelan mecanismos importantes de estabilidad y control del sistema. Teóricamente, se ha predicho que los DPT muestran propiedades específicas, como la desaceleración y la bistabilidad, que ocurren con escalas específicas de ley de potencia. Hasta ahora, observarlos ha sido un gran obstáculo científico —, especialmente los de segundo orden. Pero ahora, un equipo de investigadores ha hecho precisamente eso. Dirigidos por el profesor Pasquale Scarlino en EPFL, desarrollaron un resonador Kerr superconductor, un dispositivo con propiedades cuánticas controlables, y lo diseñaron para experimentar una unidad de dos fotones, que envía pares de fotones al sistema para controlar cuidadosamente su estado cuántico y estudiar cómo transita entre diferentes fases. Al variar sistemáticamente parámetros como la separación y la amplitud de la unidad, pudieron estudiar las transiciones systemis de un estado cuántico a otro. El enfoque les permitió observar tanto un DPT de primer orden como de segundo orden. Para garantizar la precisión, los experimentos se llevaron a cabo a temperaturas cercanas al cero absoluto, reduciendo el ruido de fondo a casi nada. El resonador Kerr fue fundamental porque puede amplificar los efectos cuánticos que a menudo son demasiado sutiles para observar. Debido a que puede responder a señales de dos fotones con extrema sensibilidad, los investigadores pudieron usarlo para explorar transiciones de fase con una precisión sin precedentes, algo que las configuraciones tradicionales simplemente no pueden lograr. La configuración permitió al equipo monitorear el comportamiento de los fotones emitidos por el resonador con detectores ultrasensibles. Mediante el uso de técnicas matemáticas avanzadas, como la conexión con las propiedades espectrales del superoperador Liouvilliano—, una herramienta que modela procesos cuánticos complejos—, los científicos pudieron rastrear y analizar con precisión las transiciones de fase de los sistemas. Para el DPT de segundo orden, el equipo observó un fenómeno llamado “squeezing,” donde las fluctuaciones cuánticas caen a niveles más bajos que el ruido de fondo natural del espacio vacío, lo que indica que el sistema ha alcanzado un estado altamente sensible y transformador. Mientras tanto, el DPT de primer orden mostró distintos ciclos de histéresis, donde el sistema podría existir en dos estados dependiendo de cómo se ajustaron los parámetros. En segundo lugar, encontraron evidencia clara de estados metaestables durante el DPT de primer orden, donde el sistema permaneció temporalmente en un estado estable antes de pasar abruptamente a otro. Este comportamiento, que conduce a una dependencia del estado de systems en su historia anterior conocida como histéresis, muestra cómo los DPT de primer orden involucran fases competitivas. Por último, observaron una «desaceleración crítica» en ambos tipos de transiciones, reproduciendo la escala esperada obtenida de la consideración teórica. Esto demuestra en última instancia la validez de las predicciones teóricas basadas en la teoría liouviliana utilizada por los autores. Cerca de los puntos críticos, la respuesta de systemis se desaceleró significativamente, destacando una característica universal de las transiciones de fase que podrían aprovecharse para mediciones cuánticas más precisas. Comprender los DPT abre nuevas posibilidades para diseñar sistemas cuánticos que sean estables y receptivos. Esto podría revolucionar las tecnologías de la información cuántica, como la corrección de errores en la computación cuántica o el desarrollo de sensores cuánticos ultrasensibles. En términos más generales, esta investigación muestra el poder de la colaboración interdisciplinaria, que combina física experimental, modelos teóricos avanzados e ingeniería de vanguardia para explorar las fronteras de la ciencia. “De hecho, un aspecto muy interesante de este trabajo es que también demuestra cómo la estrecha colaboración entre la teoría y el experimento puede conducir a resultados mucho mayores de lo que cualquiera de los grupos podría haber logrado de forma independiente,” dice Guillaume Beaulieu, el primer autor de los artículos. Otros contribuyentes Financiación Fundación Nacional Suiza para la Ciencia (SNSF) Secretaría de Estado de Educación, Investigación e Innovación (SERI) EPFL Consejo de Investigación de Finlandia Referencias Guillaume Beaulieu, Fabrizio Minganti, Simone Frasca, Vincenzo Savona, Simone Felicetti, Roberto Di Candia, Pasquale Scarlino. Observación de transiciones de fase disipativas de primer y segundo orden en un resonador Kerr impulsado por dos fotones. Nature Communications 10 marzo 2025. DOI: 10.1038/s41467-025-56830-w EPFL News. P. N. Traducido al español

Cisco IT diseñó una infraestructura lista para IA con cómputo de Cisco, las mejores GPU NVIDIA de su clase y redes de Cisco que admiten capacitación e inferencia de modelos de IA en docenas de casos de uso para equipos de ingeniería y productos de Cisco.  No es ningún secreto que la presión para implementar la IA en todo el negocio presenta desafíos para los equipos de TI. Nos desafía a implementar nuevas tecnologías más rápido que nunca y repensar cómo se construyen los centros de datos para satisfacer las crecientes demandas en computación, redes y almacenamiento. Si bien el ritmo de la innovación y el avance empresarial es estimulante, también puede parecer desalentador.   ¿Cómo construye rápidamente la infraestructura del centro de datos necesaria para impulsar las cargas de trabajo de IA y mantenerse al día con las necesidades comerciales críticas? Esto es exactamente lo que nuestro equipo, Cisco IT, estaba enfrentando.  La pregunta del negocio Nos contactó un equipo de productos eso necesitaba una forma de ejecutar cargas de trabajo de IA que se utilizaría para desarrollar y probar nuevas capacidades de IA para productos Cisco. Lo Es eventualmente apoyaría la capacitación de modelos y la inferencia para múltiples equipos y dormitarns de casos de uso en todo el negocio. Y lo necesitaban hacer rápidamente. Con el necesidad para los equipos de productos para llevar innovaciones a nuestros clientes tan rápido como posible, nosotros tuvo que entregar el nuevo entorno en solo tres meses.   Los requisitos tecnológicos Comenzamos por trazar los requisitos para la nueva infraestructura de IA. Una red sin bloqueos y sin pérdidas era esencial con el tejido de cómputo de IA para garantizar una transmisión de datos confiable, predecible y de alto rendimiento dentro del clúster de IA. Ethernet fue la elección de primera clase. Otros requisitos incluidos:  El plan – con algunos desafíos que superar Con los requisitos establecidos, comenzamos a averiguar dónde se podría construir el clúster. Las instalaciones existentes del centro de datos no fueron diseñadas para soportar cargas de trabajo de IA. Sabíamos que construir desde cero con una actualización completa del centro de datos tomaría 18-24 meses –, lo que no era una opción. Necesitábamos entregar una infraestructura de IA operativa en cuestión de semanas, por lo que aprovechamos una instalación existente con cambios menores en el cableado y la distribución de dispositivos para acomodar.  Nuestras siguientes preocupaciones fueron sobre los datos que se utilizan para entrenar modelos. Dado que algunos de esos datos no se almacenarían localmente en la misma instalación que nuestra infraestructura de IA, decidimos replicar datos de otros centros de datos en nuestros sistemas de almacenamiento de infraestructura de IA para evitar problemas de rendimiento relacionados con la latencia de la red. Nuestro equipo de red tuvo que garantizar la capacidad de red suficiente para manejar esta replicación de datos en la infraestructura de IA. Ahora, llegar a la infraestructura real. Diseñamos el corazón de la infraestructura de IA con cómputo de Cisco, las mejores GPU de su clase de NVIDIA y redes de Cisco. En el lado de la red, construimos una red ethernet de front-end y una red ethernet sin pérdidas de back-end. Con este modelo, confiamos en que podríamos implementar rápidamente capacidades avanzadas de IA en cualquier entorno y continuar agregándolas a medida que trajimos más instalaciones en línea. Productos:  Apoyando un entorno en crecimiento Después de hacer que la infraestructura inicial estuviera disponible, la empresa agregó más casos de uso cada semana y agregamos clústeres de IA adicionales para respaldarlos. Necesitábamos una forma de facilitar la administración, incluida la administración de las configuraciones de los conmutadores y el monitoreo de la pérdida de paquetes. Utilizamos Cisco Nexus Dashboard, que simplificó drásticamente las operaciones y aseguró que pudiéramos crecer y escalar para el futuro. Ya lo estábamos usando en otras partes de las operaciones de nuestro centro de datos, por lo que era fácil extenderlo a nuestra infraestructura de IA y no requería que el equipo aprendiera una herramienta adicional.  Los resultados Nuestro equipo pudo moverse rápido y superar varios obstáculos en el diseño de la solución. Pudimos diseñar e implementar el backend del tejido AI en menos de tres horas e implementar todo el clúster y las telas AI en 3 meses, que fue un 80% más rápido que la reconstrucción alternativa.   Hoy en día, el entorno admite más de 25 casos de uso en todo el negocio, con más añadidos cada semana. Esto incluye: No solo pudimos apoyar las necesidades del negocio hoy, sino que weisre diseñar cómo nuestros centros de datos necesitan evolucionar para el futuro. Estamos construyendo activamente más grupos y compartiremos detalles adicionales sobre nuestro viaje en futuros blogs.La modularidad y flexibilidad de las redes de Cisco calculary la seguridad nos da la confianza de que podemos seguir escalando con el negocio.  Cisco Blog. J. W. y L. W. Traducido al español