Cómo 42 qubits podrían ahorrar un 99,97% del trabajo cuántico: la IA que promete democratizar la computación del futuro
Un nuevo sistema de “gemelos digitales” entrenado con datos de procesadores cuánticos reales logra predecir resultados complejos sin necesidad de repetir millones de mediciones, reduciendo drásticamente costes y tiempos de cálculo.
Sergio Parra, Periodista científico
muyinteresante.okdiario.com/7.06.2026
Un equipo de científicos ha confirmado que modelos clásicos de inteligencia artificial pueden reproducir con gran precisión el comportamiento de procesadores cuánticos de hasta 42 qubits, reduciendo la necesidad de mediciones experimentales en más de un 99,97%. El avance, presentado en Nature Communications, podría transformar la forma en que investigadores de todo el mundo acceden a la computación cuántica.
La idea parece casi paradójica: utilizar algoritmos convencionales para anticipar lo que hará una máquina cuántica. Sin embargo, los resultados obtenidos por los investigadores de la Henan Key Laboratory of Quantum Information and Cryptography y la Nanyang Technological University sugieren que esta estrategia podría convertirse en una de las herramientas más valiosas para acelerar el desarrollo del sector.
Y hay un detalle especialmente llamativo: el método mantiene su eficacia incluso cuando aumenta el tamaño del procesador cuántico, una característica que podría resultar decisiva en la próxima generación de dispositivos con cientos o miles de qubits.
Los dos grandes problemas que frenan la revolución cuántica
La computación cuántica lleva años protagonizando titulares por su potencial para resolver problemas imposibles para los ordenadores convencionales. Desde el diseño de nuevos materiales hasta la simulación de moléculas complejas o la optimización de sistemas industriales, las expectativas son enormes. Sin embargo, la realidad sigue siendo mucho más complicada.
El primer obstáculo es el acceso. Construir un ordenador cuántico funcional requiere infraestructuras extremadamente sofisticadas, sistemas criogénicos avanzados y un mantenimiento constante. Como consecuencia, el número de dispositivos operativos en el mundo sigue siendo muy reducido. Pero existe una segunda barrera menos visible.
Construir un ordenador cuántico funcional requiere infraestructuras extremadamente sofisticadas, sistemas criogénicos avanzados y un mantenimiento constante.
Los procesadores cuánticos tampoco son especialmente rápidos cuando se trata de obtener resultados útiles. Para estimar con precisión el resultado de muchos algoritmos es necesario repetir un mismo circuito millones de veces y recopilar enormes cantidades de mediciones.
En plataformas superconductoras, por ejemplo, estas repeticiones suelen ejecutarse a velocidades del orden de kilohertzios. Cuando una aplicación requiere millones de evaluaciones, el tiempo total necesario puede convertirse en un cuello de botella considerable.
Este problema afecta especialmente a los llamados algoritmos variacionales, considerados una de las aplicaciones más prometedoras para los ordenadores cuánticos actuales. La pregunta era inevitable: ¿es realmente necesario consultar continuamente el hardware cuántico para cada nuevo cálculo?
Ilustración conceptual del marco de trabajo de modelos predictivos sustitutos. Estos modelos aprenden a partir de interacciones limitadas con un procesador cuántico y, posteriormente, pueden predecir los resultados de numerosos cálculos cuánticos nuevos utilizando únicamente inferencia clásica. Crédito: Liao et al., Nature Communications 17, 4731 (2026).El nacimiento de los “gemelos digitales” cuánticos
La respuesta propuesta por los investigadores adopta la forma de una nueva arquitectura denominada predictive surrogates o “sustitutos predictivos”.
El concepto recuerda a los gemelos digitales utilizados en ingeniería. En lugar de trabajar constantemente con el sistema físico original, se crea una réplica virtual capaz de anticipar su comportamiento.
En este caso, la réplica no reproduce un motor, una fábrica o una turbina, sino un procesador cuántico. Los científicos entrenaron estos modelos utilizando una cantidad relativamente pequeña de datos obtenidos directamente del hardware. A partir de esa información, los algoritmos aprendieron la relación existente entre las entradas clásicas y los resultados producidos por el dispositivo cuántico.
En este caso, la réplica no reproduce un motor, una fábrica o una turbina, sino un procesador cuántico.
Una vez completado el entrenamiento, el sistema puede predecir nuevas ejecuciones sin necesidad de volver a consultar continuamente el procesador real. Según los autores, una de las fortalezas más importantes del enfoque es que no funciona como una simple caja negra estadística.
A diferencia de muchos modelos de aprendizaje automático, los investigadores desarrollaron un marco matemático capaz de describir rigurosamente de dónde proceden los errores de predicción y cómo evolucionan según distintos factores, incluyendo el ruido experimental o la complejidad de los datos de entrada. Este aspecto resulta especialmente relevante porque aporta garantías teóricas sobre el funcionamiento del sistema. Y aquí aparece otro dato sorprendente.
La cantidad de información necesaria para entrenar el modelo no parece crecer de forma explosiva cuando aumenta el tamaño del procesador cuántico, una característica que podría facilitar su utilización en futuras generaciones de hardware mucho más potentes.
Una reducción de costes que cambia las reglas del juego
Para comprobar si la idea funcionaba fuera de la teoría, el equipo realizó pruebas utilizando un procesador cuántico superconductivo programable de hasta 42 qubits. Los resultados fueron extraordinariamente prometedores.
Los investigadores aplicaron los modelos a dos tareas representativas: la aceleración de algoritmos conocidos como Variational Quantum Eigensolvers (VQE) y la identificación de fases cuánticas fuera del equilibrio. En ambos casos, los predictive surrogates mantuvieron una elevada precisión mientras reducían la carga experimental en más de un 99,97%.
Dicho de otra manera, procesos que normalmente requerirían enormes cantidades de mediciones directas pudieron resolverse utilizando principalmente inferencia clásica. La reducción no es marginal: implica varios órdenes de magnitud menos coste experimental.
Procesos que normalmente requerirían enormes cantidades de mediciones directas pudieron resolverse utilizando principalmente inferencia clásica.
Además, los autores observaron que, en determinados escenarios, el nuevo enfoque superaba incluso a métodos anteriores que dependían de un acceso mucho más intenso al hardware cuántico. Las implicaciones podrían extenderse mucho más allá del ámbito académico.
Si esta estrategia continúa demostrando su eficacia, investigadores sin acceso permanente a costosos ordenadores cuánticos podrían beneficiarse indirectamente de sus capacidades mediante modelos predictivos entrenados previamente. Esto abriría la puerta a una especie de democratización de la computación cuántica.
En lugar de reservar los dispositivos más avanzados para un número muy reducido de laboratorios, sería posible compartir parte de su utilidad mediante representaciones predictivas de alta fidelidad. Pero quizá lo más interesante sea que este trabajo apunta hacia una nueva relación entre inteligencia artificial y física cuántica.
Los autores consideran que se trata de uno de los primeros pasos hacia un ecosistema más amplio de herramientas de IA diseñadas específicamente para potenciar la investigación cuántica. Entre sus próximos objetivos figuran la extensión del método a sistemas continuos, plataformas fermiónicas, redes cuánticas e incluso futuros ordenadores cuánticos tolerantes a fallos.
Si estas líneas de investigación prosperan, el futuro de la computación cuántica podría depender no solo de construir máquinas cada vez más complejas, sino también de aprender a imitarlas inteligentemente.
Como ocurre a menudo en la ciencia, el avance más transformador no siempre consiste en crear una herramienta nueva, sino en descubrir una forma más eficiente de utilizar las que ya existen. Y en ese delicado puente entre la física cuántica y la inteligencia artificial comienza a dibujarse una posibilidad fascinante: que el poder de las máquinas más extraordinarias del planeta deje de estar reservado para unos pocos y empiece a extenderse, silenciosamente, a toda la comunidad científica.
_________
Referencias
Liao, Wei-You, et al. “Demonstration of Efficient Predictive Surrogates for Large-Scale Quantum Processors.” Nature Communications 17 (2026): 4731. Disponible en:Nature Communications (DOI: 10.1038/s41467-026-72506-5)
Liao, Wei-You, et al. “Demonstration of Efficient Predictive Surrogates for Large-Scale Quantum Processors.” arXiv (2025). Disponible en:arXiv preprint (DOI: 10.48550/arXiv.2507.17470)
_____________
Fuente:
