Los sistemas caóticos —desde la turbulencia atmosférica hasta el flujo sanguíneo— son fundamentales para la ciencia y la ingeniería, pero predecir su comportamiento a largo plazo sigue siendo un problema sin resolver. Los modelos de IA convencionales pierden fiabilidad con el tiempo; las simulaciones completas pueden tardar semanas.
Un equipo del University College London acaba de presentar un enfoque diferente. Combinando un ordenador cuántico de 20 qubits con inteligencia artificial clásica, sus resultados —publicados en Science Advances— sugieren que la llamada «ventaja cuántica práctica» podría estar más cerca de lo que se pensaba.
Un modelo híbrido que supera a la IA convencional
Los resultados del equipo del UCL son concretos: el sistema cuántico-informado logró aproximadamente un 20 % más de precisión que los modelos de IA estándar en la predicción de sistemas caóticos. Y no se trata de una mejora puntual en un instante determinado. Las predicciones se mantuvieron estables durante periodos más largos, justo donde los modelos convencionales tienden a desmoronarse.
La otra ventaja es la eficiencia. El método requirió cientos de veces menos memoria que los enfoques tradicionales, lo que significa que podría aplicarse a simulaciones a gran escala que hoy resultan inabordables por limitaciones computacionales. No es un detalle menor.
Cómo funciona: el ordenador cuántico como ‘entrenador’ de la IA
Lo que distingue este enfoque de otros experimentos cuánticos es su diseño deliberadamente modesto. El ordenador cuántico no interviene de forma continua ni ejecuta el modelo final; su papel es más específico: actúa una sola vez durante el proceso de entrenamiento.
En esa fase, analiza los datos y extrae patrones estadísticos invariantes —propiedades que permanecen estables a lo largo del tiempo en el sistema estudiado— que después sirven como guía para entrenar un modelo de IA ejecutado en un superordenador clásico convencional. El resultado es una división del trabajo que aprovecha lo mejor de cada tecnología sin forzar una integración continua entre ambas.
Esta arquitectura tiene una ventaja práctica nada desdeñable. Los ordenadores cuánticos actuales son sensibles al ruido, los errores y las interferencias externas, problemas que se agravan cuando se requiere un intercambio constante de datos entre sistemas cuánticos y clásicos. Al limitar la intervención cuántica a un único momento del flujo de trabajo, el método esquiva buena parte de esas fragilidades.
Por qué lo cuántico marca la diferencia en sistemas complejos
Para entender por qué este enfoque funciona, conviene recordar qué hace diferente a un ordenador cuántico. Mientras que un bit clásico solo puede ser 0 o 1, un qubit puede existir en múltiples estados simultáneamente gracias a la superposición; el entrelazamiento, por su parte, permite que los qubits se influyan mutuamente con independencia de su distancia física. Juntas, estas propiedades permiten representar de forma compacta una cantidad enorme de estados posibles con relativamente pocos qubits.
Los investigadores apuntan también a una afinidad más profunda. Muchos sistemas complejos se comportan de formas que recuerdan a efectos cuánticos: un cambio en una región puede influir en partes distantes del sistema, de manera análoga al entrelazamiento. Esto sugiere que los ordenadores cuánticos no son solo más potentes en términos abstractos, sino que podrían estar especialmente bien adaptados para capturar la física subyacente de estos fenómenos.
Aplicaciones: del clima a la medicina
El campo de aplicación más inmediato es la dinámica de fluidos, el estudio de cómo se comportan líquidos y gases. Es una disciplina con implicaciones directas en transporte, producción de energía y medicina, y sus simulaciones son notoriamente costosas.
El profesor Peter Coveney, autor principal del estudio, lo explica sin rodeos: las simulaciones completas pueden tardar semanas, un plazo demasiado largo para ser útil en muchos contextos prácticos. Entre los usos concretos que los investigadores mencionan figuran la predicción climática, el modelado del flujo sanguíneo y la interacción de moléculas, y el diseño de parques eólicos para maximizar su rendimiento energético. Áreas donde la precisión a largo plazo importa, y donde los modelos actuales tienen limitaciones bien documentadas.
Próximos pasos: escalar hacia la complejidad real
El experimento que respalda estos resultados utilizó un ordenador cuántico IQM de 20 qubits, conectado a los recursos de supercomputación del Leibniz Supercomputing Centre en Alemania. Es una infraestructura de investigación avanzada, pero el equipo sabe que los sistemas del mundo real son más complejos y exigen bastante más.
El siguiente objetivo declarado es escalar el método con conjuntos de datos más grandes y aplicarlo a situaciones reales con mayor grado de complejidad. Los autores proponen también desarrollar un marco teórico demostrable que respalde formalmente los resultados experimentales obtenidos hasta ahora.
Maida Wang, primera autora del estudio, señala que estos hallazgos podrían inspirar nuevos enfoques puramente clásicos capaces de alcanzar mayor precisión, aunque advierte que probablemente no igualarían la eficiencia en compresión de datos que ofrece el componente cuántico. Si el método escala con éxito, podría redefinir cómo la ciencia aborda algunos de los problemas computacionales más persistentes, desde la predicción del tiempo hasta el diseño de fármacos. El trabajo del UCL no cierra ningún debate, pero abre una dirección concreta que merece seguirse de cerca.