La inteligencia artificial le enseña a los qubits a descifrar la materia

Los físicos soñaron con computadoras que operaran según las mismas reglas cuánticas que gobiernan los átomos, durante mucho tiempo. La lógica era impecable: si los electrones existen en superposición de estados, una máquina que trabaje de la misma manera debería poder simularlos con precisión absoluta, sin las aproximaciones que obligan a los ordenadores clásicos a sacrificar exactitud por viabilidad. El problema era que esas máquinas, cuando por fin se construyeron, resultaron ser extraordinariamente difíciles de controlar. Los qubits son frágiles, ruidosos, y su coherencia se desvanece en microsegundos. La promesa era enorme; la brecha entre la promesa y la práctica, más enorme todavía.

Lo que nadie había previsto con claridad es que la inteligencia artificial sería el puente capaz de cruzar esa brecha. No como metáfora ni como aspiración a largo plazo: en 2025, equipos de Quantinuum, IBM, la Universidad de Sídney y el St. Jude Children's Research Hospital demostraron, con resultados publicados en revistas de referencia y validados en laboratorio, que los modelos generativos y las redes neuronales podían hacer por los algoritmos cuánticos lo que ningún experto humano había logrado: encontrar los circuitos óptimos para preparar estados moleculares con una fracción de los recursos habitualmente necesarios. La convergencia de tres tecnologías simultáneas, hardware cuántico, corrección de errores y modelos de inteligencia artificial, produjo algo cualitativamente distinto a cualquiera de las tres por separado.

El resultado es una reconfiguración del problema. La pregunta ya no es si la computación cuántica puede simular moléculas complejas; es si la inteligencia artificial puede enseñarle a hacerlo de manera suficientemente eficiente como para que ese hardware limitado e imperfecto produzca respuestas útiles ahora, no en 2035. Y la evidencia acumulada en los últimos doce meses sugiere que la respuesta, con matices y cautelas, es afirmativa.

El problema que ninguna máquina podía resolver sola

La ecuación de Schrödinger describe con exactitud cómo se distribuyen los electrones dentro de cualquier sistema molecular. Resolverla completamente para una molécula mediana equivale a conocer todo su comportamiento químico: su estabilidad, su reactividad, cómo se une a otras estructuras. El obstáculo es que la complejidad computacional de esa resolución crece de forma exponencial con el número de electrones involucrados. Para la cafeína, una molécula cotidiana de tamaño modesto, un superordenador clásico necesitaría más bits de información que átomos existen en el universo observable. La cifra no es retórica; es una consecuencia directa de la mecánica cuántica aplicada a la computación.

Los qubits resuelven ese problema en principio, porque pueden mantener superposiciones de estados de manera nativa y explorar configuraciones electrónicas simultáneamente, sin necesidad de enumerarlas una a una. Pero los qubits reales cometen errores. Cada operación introduce ruido; la coherencia se pierde antes de que el cálculo termine. La solución clásica a ese problema, la corrección cuántica de errores, requiere dedicar decenas o cientos de qubits físicos a proteger la información de un único qubit lógico. El resultado es que la escala de hardware necesaria para atacar moléculas de interés farmacéutico real seguía siendo, hasta hace poco, inaccesible.

Ahí es donde la inteligencia artificial cambió la ecuación. Los algoritmos cuánticos variacionales, que son el método estándar para calcular el estado base de una molécula en hardware cuántico actual, dependen de circuitos parametrizados que hay que optimizar iterativamente. Esa optimización es costosa, lenta y propensa a quedar atrapada en mínimos locales. La pregunta que los investigadores comenzaron a formularse con seriedad a partir de 2023 fue directa: ¿puede un modelo de inteligencia artificial diseñar esos circuitos mejor que un experto humano, partiendo de los datos que ya existen en la literatura química?

Cuando la IA toma el control del laboratorio cuántico

El caso más directo de esa convergencia llegó de Quantinuum y la empresa Hiverge, que en 2025 presentaron un sistema denominado Hive: un modelo de inteligencia artificial entrenado para descubrir algoritmos cuánticos de manera autónoma. El punto de partida era una implementación trivial de un algoritmo variacional estándar. El sistema comenzó a iterar, evaluando variantes, descartando las ineficientes y conservando las que reducían los recursos necesarios. Al final del proceso, Hive había convergido hacia una solución que superaba al estado del arte en eficiencia por uno o dos órdenes de magnitud. Lo más sorprendente no fue el resultado en sí, sino el mecanismo: el modelo había identificado de manera completamente autónoma el método perturbativo clásico MP2, un recurso de la química computacional convencional, como guía útil para ordenar excitaciones en el circuito cuántico. Ese tipo de intuición cruzada entre dominios habitualmente requiere años de conocimiento de dominio experto acumulado por un investigador humano.

La misma lógica, aplicada a un marco de trabajo más amplio, produjo ADAPT-GQE: un sistema desarrollado conjuntamente por Quantinuum y NVIDIA que combina modelos generativos con circuitos cuánticos adaptativos para sintetizar, sin intervención humana, los circuitos óptimos que preparan el estado base de una molécula. Las pruebas con imipramina, un antidepresivo tricíclico cuya estructura electrónica ofrece una complejidad representativa de los fármacos reales, arrojaron una aceleración de 234 veces en la generación de datos de entrenamiento respecto a los métodos estándar. La colaboración entre Quantinuum y NVIDIA se formalizó a través del Centro de Investigación de Computación Cuántica Acelerada, que combina el procesador Helios de Quantinuum con la plataforma de supercomputación Grace Blackwell de NVIDIA.

En la Universidad de Sídney, el profesor Ivan Kassal y el doctor Tingrei Tan tomaron una dirección diferente pero igualmente reveladora. En lugar de usar inteligencia artificial para diseñar circuitos digitales, desarrollaron una simulación analógica de procesos fotoactivos en moléculas reales, relevantes para el tratamiento del cáncer de piel y el diseño de materiales solares. La misma tarea, ejecutada por el camino convencional de la computación cuántica digital, hubiera requerido once qubits perfectos y 300.000 puertas de entrelazamiento sin errores. El enfoque del equipo de Sídney resultó ser aproximadamente un millón de veces más eficiente en recursos. Esa reducción no fue producto únicamente del hardware: fue resultado de repensar desde cero, con ayuda de técnicas de optimización basadas en modelos computacionales avanzados, cómo mapear el problema físico al sustrato cuántico disponible.

IBM, por su parte, demostró en colaboración con Lockheed Martin que el hardware cuántico actual puede calcular con notable precisión los estados energéticos del metileno, una molécula de capa abierta que ha representado durante décadas uno de los casos de prueba más resistentes de la química computacional, precisamente porque los métodos clásicos fallan sistemáticamente en sistemas con electrones no apareados. Los resultados, publicados en el Journal of Chemical Theory and Computation, se obtuvieron empleando técnicas híbridas en las que los algoritmos de optimización clásica y los circuitos cuánticos intercambian información de manera iterativa, un diseño que requiere coordinación sofisticada entre ambos subsistemas. Poco después, un equipo de la Cleveland Clinic, la Universidad Estatal de Michigan e IBM Quantum aplicó el algoritmo DMET-SQD para simular los confórmeros del ciclohexano con solo 27 a 32 qubits sobre el dispositivo ibm_cleveland, el primer ordenador cuántico dedicado exclusivamente a investigación biomédica instalado en un entorno hospitalario.

La convergencia que reescribe la química

El patrón que emerge de todos estos resultados no es el de una tecnología reemplazando a otra. Es el de tres disciplinas, hasta hace poco relativamente independientes, generando algo nuevo en su intersección. La inteligencia artificial aporta la capacidad de buscar en espacios de soluciones enormes y encontrar los atajos que los expertos humanos no ven. El hardware cuántico aporta la capacidad de representar y manipular estados que ningún ordenador clásico puede manejar directamente. La corrección de errores cuántica actúa como el tejido conectivo que hace que esas operaciones sean lo suficientemente fiables como para producir resultados reproducibles. Separadas, ninguna de las tres era suficiente. Juntas, empiezan a producir ciencia validable.

En diciembre de 2025, Qubit Pharmaceuticals y la Universidad de la Sorbona publicaron un resultado que eliminó uno de los últimos argumentos de los escépticos: demostraron que las computadoras cuánticas pueden superar a las clásicas en cadenas de Markov no reversibles, el tipo de proceso matemático que describe reacciones químicas reales, plegamiento de proteínas y dinámica de fluidos. Las ventajas observadas, amplificadas por técnicas de preparación de estados asistidas por inteligencia artificial, llegaron en algunos casos a ser de orden exponencial. No se trataba de sistemas idealizados ni reversibles: eran los procesos desordenados y asimétricos del mundo real que habían resistido todas las demostraciones de ventaja cuántica anteriores.

La evaluación de New Scientist publicada el último día de 2025 planteó la pregunta con precisión periodística: ¿podría 2026 ser el año en que la computación cuántica comenzara a usarse realmente en química? La respuesta implícita en los datos acumulados es que la pregunta ya está mal formulada. El año en que esas tecnologías comenzaron a usarse realmente fue 2025, con resultados que aparecieron en Nature Biotechnology, en el Journal of Chemical Theory and Computation y en los servidores de preprints de arXiv. Lo que 2026 puede ofrecer es la consolidación de esos resultados en flujos de trabajo reproducibles, accesibles y escalables.

La narrativa que la industria y la academia han construido durante años en torno a la computación cuántica como tecnología del futuro choca ahora con la evidencia de que parte de ese futuro ya está siendo escrita, en laboratorios hospitalarios de Cleveland, en institutos de física de Sídney, en centros de investigación de Colorado y en servidores compartidos entre Cambridge y Santa Clara. La inteligencia artificial no espera a que el hardware cuántico sea perfecto para usarlo. Lo toma tal como está, con sus errores y sus limitaciones, y extrae de él resultados que ninguno de los dos habría podido producir en solitario. Esa es, quizás, la lección más importante de todo lo que ocurrió en 2025.