UCL: un híbrido de computación cuántica e IA predice con más precisión los sistemas caóticos

Un equipo de University College London (UCL) ha demostrado que un ordenador cuántico ya puede aportar utilidad práctica, no en una teoría lejana sino en problemas reales de predicción de sistemas complejos. Su esquema híbrido combina computación cuántica y aprendizaje automático para que la IA prediga con mayor precisión el comportamiento de procesos caóticos a largo plazo. En las pruebas, el método resultó claramente más estable que los modelos convencionales, mejoró la precisión hasta aproximadamente un 20% y requirió cientos de veces menos memoria.

Se trata de sistemas especialmente difíciles de modelar con métodos clásicos: flujos turbulentos, movimiento de líquidos y gases, y procesos en los que un pequeño error crece rápido y arruina la predicción. Es un problema típico de los modelos climáticos, la aerodinámica, la energía y la biomedicina. Una simulación numérica completa de estos procesos puede llevar semanas en supercomputadores, mientras que los modelos puramente neuronales son más rápidos pero a menudo pierden estabilidad cuando hay que alargar la predicción en el tiempo. El equipo de UCL probó una vía intermedia: mantener un modelo de IA clásico, pero usar un procesador cuántico durante el entrenamiento para darle pistas sobre la estructura de los datos.

Técnicamente, el esquema funciona así: primero, un ordenador cuántico procesa los datos de entrenamiento y extrae propiedades estadísticas invariantes, es decir, patrones ocultos que se mantienen con el tiempo incluso en un entorno caótico. Después, esas características extraídas por vía cuántica se usan para entrenar un modelo autorregresivo convencional en un supercomputador clásico. Los autores llaman a este enfoque quantum-informed machine learning.

Un punto importante es que el bloque cuántico no participa en cada paso de la predicción ni requiere un intercambio constante de datos con la parte clásica. Esto reduce las exigencias de hardware y ayuda a sortear las limitaciones habituales de los sistemas cuánticos actuales, como el ruido, los errores y la inestabilidad de las mediciones.

El método se probó en varios problemas: la ecuación de Kuramoto-Sivashinsky, el flujo de Kolmogorov bidimensional y un flujo turbulento tridimensional en canal, más cercano a las condiciones de ingeniería reales. Según el trabajo publicado en Science Advances, el nuevo esquema mejoró la precisión de la predicción de distribuciones hasta un 17,25% y conservó mejor la estructura espectral del sistema, con ganancias puntuales de hasta el 29,36% frente a los modelos clásicos de referencia. Para el escenario más realista, los investigadores usaron un ordenador cuántico IQM de 20 cúbits conectado a los recursos de cálculo del Centro de Supercomputación Leibniz, en Alemania.

Los autores señalan aparte que, sin el conocimiento previo cuántico, las predicciones se volvían inestables, mientras que con él el modelo ofrecía predicciones a largo plazo físicamente coherentes y, en algunos casos, superaba a los principales solucionadores numéricos de ecuaciones diferenciales.

La eficiencia es una cuestión aparte. Las conversaciones sobre computación cuántica suelen chocar enseguida con el problema de que la ventaja es demasiado cara o demasiado frágil para la práctica. Aquí los investigadores muestran un panorama más realista y útil: la parte cuántica no sustituye todo el pipeline, sino que comprime una dinámica compleja en una representación compacta. El artículo habla de una ventaja de memoria de varios órdenes de magnitud: datos de varios megabytes se redujeron a una representación cuántica de escala de kilobytes. Para el modelado científico esto es crítico, porque la memoria y el ancho de banda suelen ser un cuello de botella tan importante como la potencia de cálculo bruta.

Si este enfoque logra escalarse a conjuntos de datos más grandes y a observaciones reales, las aplicaciones serían muchas. En el clima, podría traducirse en modelos más estables de la atmósfera y los océanos. En la energía, en un diseño más preciso de aerogeneradores y de sistemas que trabajan con flujos turbulentos. En la medicina, en un mejor modelado del flujo sanguíneo y de las interacciones moleculares. En el transporte y la industria, en cálculos más rápidos de aerodinámica y sistemas de fluidos sin un aumento obligatorio del coste de memoria.

La conclusión principal no es que los ordenadores cuánticos estén de pronto listos para sustituir a los supercomputadores clásicos. Más bien al contrario: el estudio muestra un escenario realista en el que incluso el hardware cuántico limitado de hoy puede reforzar los modelos de IA existentes en tareas científicas acotadas pero muy importantes. Es uno de los ejemplos más convincentes de que la ventaja cuántica práctica puede llegar no rompiendo por completo la computación actual, sino mediante una integración puntual en pipelines de IA que ya funcionan.