La computación cuántica está cambiando la manera en que abordamos los problemas difíciles. Ya no se trata solo de producir computadoras más rápidas, sino de repensar cómo procesamos la información. Dos de las áreas más prometedoras, y también más desafiantes, son el Aprendizaje Automático Cuántico y la Optimización Cuántica. Aunque ambos temas siguen en investigación, ya están mostrando resultados que hace unos años parecían ciencia ficción.

¿Qué es el aprendizaje automático (y qué lo hace “cuántico”)?

El aprendizaje automático (o machine learning) es la tecnología detrás de muchas cosas que usamos a diario: asistentes de voz, filtros de correo no deseado, recomendaciones de series o incluso predicciones del clima. Se trata, básicamente, de programar una computadora para que aprenda a reconocer patrones a partir de ejemplos, sin que ningún programador le indique exactamente cómo hacerlo.

El aprendizaje automático cuántico, o QML (por sus siglas en inglés), busca llevar ese proceso un paso más allá al aprovechar las características propias de la computación cuántica. En lugar de usar bits (ceros y unos), utiliza qubits, las unidades básicas de información de las computadoras cuánticas. Los qubits se definen a partir de las propiedades cuánticas de un sistema, como, por ejemplo, los estados de energía de un átomo. Aunque también se representan como ceros y unos, a diferencia de los bits clásicos, los qubits pueden codificar información de manera simultánea.

Hoy en día, las computadoras clásicas ya se utilizan para analizar sistemas muy complejos (desde el comportamiento del clima hasta la estructura de materiales), pero lo hacen mediante aproximaciones que simplifican el problema. A medida que la complejidad aumenta, estas aproximaciones pueden resultar insuficientes o extremadamente costosas en términos de recursos computacionales. Como señalaba Richard Feynman, si la naturaleza se comporta de manera cuántica, describirla con modelos clásicos tiene límites naturales. En este contexto, los modelos cuánticos ofrecen una forma diferente de representar y explorar datos complejos, especialmente cuando las relaciones entre las variables son difíciles de capturar con métodos tradicionales.

Por ejemplo, en lugar de solo calcular el precio de una casa basándose en su tamaño y ubicación, un modelo cuántico podría captar relaciones más sutiles entre muchas más variables de manera simultánea.

Aún no sabemos si esto será siempre más eficiente que los métodos clásicos, pero ya se han realizado demostraciones experimentales en hardware cuántico. Por ejemplo, grupos de investigación de Harvard y QuEra han mostrado que ciertos sistemas cuánticos pueden representar experimentalmente problemas de optimización complejos usando arreglos de átomos neutros. En estos dispositivos, cada qubit se codifica en dos estados de energía del átomo (por ejemplo, un estado de baja energía y otro excitado) y, al controlar sus interacciones, se pueden explorar posibles soluciones del problema.

¿Y qué es la optimización cuántica?

La optimización es una rama de la ciencia computacional que busca la mejor solución entre muchas posibles. Se usa para decidir cómo asignar recursos, planificar rutas de entrega o organizar horarios de trabajo de manera eficiente.

La optimización cuántica aplica principios de la computación cuántica para encontrar esas soluciones, idealmente, más rápido o con menos recursos. Imagina que tienes que organizar las rutas de una flota de camiones para que consuman la menor cantidad posible de combustible. Hay millones de combinaciones posibles y probarlas todas sería inviable. Existen algoritmos clásicos muy sofisticados que hoy se ejecutan incluso en supercomputadoras para enfrentar este tipo de problemas, pero aun así sus resultados pueden ser limitados cuando el espacio de posibilidades crece demasiado. Los métodos cuánticos exploran ese «laberinto» de manera distinta y, en ciertos casos, podrían acercarse más rápido a buenas soluciones.

Empresas como Volkswagen han probado procesadores cuánticos reales, aunque ruidosos y limitados en el tipo de cálculos que pueden realizar para optimizar rutas de tráfico en entornos urbanos (Volkswagen, 2019). De manera similar, otras compañías exploran aplicaciones en logística, finanzas y diseño de materiales mediante enfoques cuánticos e híbridos.

¿Qué tienen en común el aprendizaje automático y la optimización cuántica?

Ambos buscan aprovechar el poder de los qubits para aprender y tomar mejores decisiones. En el aprendizaje automático cuántico, el objetivo es entrenar modelos que descubran patrones complejos; en la optimización cuántica, es elegir entre una enorme cantidad de posibilidades la mejor opción.

En ambos casos, se emplea una combinación de procesamiento clásico y cuántico, conocida como enfoque híbrido. La parte cuántica propone posibles soluciones o patrones, y la parte clásica evalúa qué tan buenos son y los ajusta. Es un ciclo de colaboración entre dos mundos.

¿Por qué es importante investigar esto ahora?

Porque estamos en un momento de transición en la computación cuántica. Las computadoras cuánticas actuales ya no son solo una idea teórica, pero tampoco máquinas completamente desarrolladas. Nos encontramos en la era de la computación cuántica ruidosa de escala intermedia (NISQ, por sus siglas en inglés), en la que los dispositivos cuentan con suficientes qubits para hacer algunos cálculos simples interesantes, pero son todavía sensibles al ruido del entorno. Esto significa que, por primera vez, es posible poner a prueba en hardware real muchas de las ideas de algoritmos cuánticos y de esquemas híbridos que durante años solo existieron en el papel.

Aun con esas restricciones, estos sistemas ya permiten probar algoritmos híbridos y explorar aplicaciones con impacto práctico, marcando un punto clave en la evolución de la computación cuántica.

Por ejemplo, en química, empresas como QC Ware y Quantinuum usan métodos cuánticos para simular moléculas, lo que podría acelerar el diseño de nuevos materiales o medicamentos. En transporte, proyectos como los de Volkswagen y D-Wave buscan optimizar flujos de tráfico. Y en investigación académica, trabajos recientes de grupos como Harvard y QuEra ilustran cómo estos enfoques ya pueden implementarse y probarse en dispositivos cuánticos reales.

Investigar ahora importa porque estamos en la etapa en la que la teoría de algoritmos cuánticos empieza a encontrarse con dispositivos reales. Algo parecido ocurrió en los años 50 con las primeras computadoras clásicas, que  eran limitadas, pero el conocimiento desarrollado entonces permitió construir toda la infraestructura digital que hoy damos por sentada. De manera análoga, lo que aprendamos en esta fase de la computación cuántica definirá las herramientas con las que abordaremos muchos problemas del futuro.

¿Qué podemos esperar del futuro?

El aprendizaje automático cuántico y la optimización cuántica no buscan reemplazar la inteligencia artificial clásica ni los algoritmos tradicionales. Más bien, buscan complementarlos, abriendo caminos nuevos para problemas que hoy resultan imposibles de resolver por completo.

En el futuro, podríamos ver sistemas híbridos en los que las computadoras clásicas y cuánticas trabajen juntas: la primera manejando los datos a gran escala y la segunda encontrando soluciones o patrones imposibles de descubrir con métodos convencionales.

Destaquemos, así, que ambas áreas están en la frontera de la computación moderna y nos acercan a una nueva forma de pensar los problemas.

Referencias

• Schuld, M., & Petruccione, F. Supervised Learning with Quantum Computers. Springer, 2018.
• Farhi, E., Goldstone, J., & Gutmann, S. A Quantum Approximate Optimization Algorithm. arXiv:1411.4028, 2014.
• Neukart, F., et al. (2017). Traffic Flow Optimization Using a Quantum Annealer. Frontiers in ICT, 4:29. DOI: 10.3389/fict.2017.00029.
• Volkswagen AG (2019). Volkswagen optimizes traffic flow with quantum computers. Disponible en: https://www.volkswagen-group.com/en/press-releases/volkswagen-optimizes-traffic-flow-with-quantum-computers-16995 
• QC Ware. Promethium: Molecular Discovery Platform. Disponible en: https://www.qcware.com/
• Quantinuum. Quantinuum Introduces InQuanto to Explore Industrially Relevant Chemistry Problems on Today’s Quantum Computers. Comunicado, 24 mayo 2022, disponible en https://www.quantinuum.com/press-releases/quantinuum-introduces-inquanto-to-explore-industrially-relevant-chemistry-problems-on-todays-quantum-computers
• Nguyen, M., Liu, J., Wurtz, J., Lukin, M. D., Wang, S., & Pichler, H. (2023). Quantum Optimization with Arbitrary Connectivity Using Rydberg Atom Arrays. PRX Quantum, 4(1). https://doi.org/10.1103/prxquantum.4.010316
• Preskill, J. Quantum Computing in the NISQ era and beyond. Quantum, 2, 79 (2018).

Claudia Zandejas-Morales es física, estudiante de maestría en la Universidad de Copenhague, coordinadora de QWord y Qiskit Advocate @IBM Quantum, UNESCO-IYQ2025 Quantum 100.