Una IA ayuda a estabilizar computadoras cuánticas mientras calculan

Las computadoras cuánticas prometen resolver ciertos problemas que hoy resultan muy difíciles para la informática clásica, pero arrastran una fragilidad básica: sus componentes son tan sensibles que pequeñas perturbaciones del entorno pueden arruinar el cálculo. Un estudio publicado en Nature propone una salida parcial a ese cuello de botella. En vez de detener la máquina cada cierto tiempo para volver a calibrarla, el equipo mostró que un sistema de aprendizaje por refuerzo puede ir ajustándola mientras sigue funcionando.

El problema aparece porque una computadora cuántica no solo tiene que corregir errores, sino también mantenerse afinada. La corrección de errores cuánticos detecta fallas una y otra vez para evitar que la información se degrade, pero ese mecanismo solo sirve si los qubits, las unidades básicas del sistema, permanecen dentro de márgenes muy precisos. En la práctica, esos márgenes cambian con el tiempo por deriva experimental, ruido y variaciones del hardware. Hasta ahora, una respuesta habitual era pausar el cálculo completo y recalibrar.

Los autores probaron otra idea en un procesador superconductivo Willow. Aprovecharon las señales que ya produce la corrección de errores para alimentar a un agente de aprendizaje por refuerzo, una técnica de inteligencia artificial que aprende a mejorar una acción a partir de retroalimentación continua. En este caso, esa retroalimentación no venía de un juego o una simulación, sino de los propios avisos de error del procesador. Con eso, el sistema fue modificando parámetros de control sobre la marcha para sostener la estabilidad del cálculo.

Según el trabajo, esa estrategia mejoró 3,5 veces la estabilidad lógica del llamado código de superficie cuando los investigadores introdujeron deriva de manera controlada. El estudio también reporta tasas de error lógico por ciclo particularmente bajas para dos esquemas de corrección, una señal de que la combinación entre corrección de errores y ajuste dinámico puede ayudar a que estas máquinas trabajen durante más tiempo sin salirse de su zona útil.

La importancia del resultado está menos en una aplicación inmediata que en el cambio de enfoque. Una computadora cuántica práctica no necesita solo arrancar bien calibrada: necesita seguir así durante ejecuciones largas, algo imprescindible si algún día va a encadenar cálculos complejos fuera del laboratorio. Integrar el ajuste fino dentro del propio proceso de corrección de errores apunta justamente a ese problema y sugiere una forma de volver más autónomo el mantenimiento del sistema.

Conviene, de todos modos, leer el avance con cautela. La demostración se hizo en una plataforma específica de qubits superconductivos y no equivale a una computadora cuántica lista para uso general. Además, parte de la promesa de escalar este método a sistemas mucho más grandes surge de simulaciones numéricas, no de experimentos directos con miles de parámetros de control. El estudio tampoco elimina todos los errores posibles ni resuelve por sí solo los costos técnicos de construir hardware cuántico robusto.

Aún con esas limitaciones, el trabajo cambia una pregunta importante. En lugar de pensar la calibración como una interrupción inevitable, la convierte en una tarea que podría ocurrir durante el cálculo mismo. Si esa idea se confirma en más plataformas y en condiciones menos controladas, podría acercar un poco más la posibilidad de computadoras cuánticas que no solo corrijan errores, sino que también aprendan a convivir con ellos.