Un nuevo algoritmo cuántico amplía el kit de herramientas para IA y ciencia
La transformada cuántica de Hermite, presentada en STOC 2026, ofrece una forma eficiente de trabajar con datos y problemas de distribución gaussiana en ordenadores cuánticos.
El 13 de julio de 2026, el Laboratorio Nacional de Brookhaven explicó un resultado que puede sonar abstracto, pero apunta a una carencia muy concreta de la computación cuántica: faltan operaciones reutilizables con las que construir algoritmos. El equipo formado por Siddhartha Jain, Vishnu Iyer, Rolando D. Somma, Ning Bao y Stephen Jordan propone una de ellas: la transformada cuántica de Hermite o QHT. El trabajo fue presentado en el 58.º Simposio de la ACM sobre Teoría de la Computación (STOC 2026), celebrado en Salt Lake City entre el 22 y el 27 de junio.
La noticia no es que exista un nuevo modelo de IA ni que un ordenador cuántico haya acelerado ya ChatGPT o un sistema de aprendizaje automático en producción. Es algo más básico: un algoritmo que, si se integra con otros métodos y con hardware cuántico capaz, podría ayudar a tratar una clase distinta de problemas científicos y de aprendizaje.
Una pieza que faltaba en el repertorio
En informática cuántica, una primitiva es una operación general que puede incorporarse a algoritmos más complejos. La transformada cuántica de Fourier es el ejemplo clásico: permite cambiar de representación y es una pieza esencial de varios algoritmos célebres.
La QHT persigue una función análoga cuando los problemas se describen mejor con distribuciones gaussianas —las curvas de campana— que con estructuras uniformes. Las funciones de Hermite aparecen en física e ingeniería y son especialmente relevantes para el oscilador armónico cuántico, un modelo que describe sistemas vibratorios. También son una base matemática útil cuando se estudian datos y funciones con estructura gaussiana, algo frecuente en estadística y aprendizaje automático.
El artículo de los autores describe una transformada discreta que lleva estados de la base computacional a estados cuyas amplitudes siguen funciones de Hermite. Dicho sin la notación: permite expresar un estado cuántico en otro lenguaje matemático que puede ser más adecuado para determinadas preguntas.
El avance: evitar que el coste crezca demasiado
El resultado técnico del equipo es un circuito cuántico cuyo coste depende logarítmicamente tanto de la dimensión del problema como de la precisión requerida. Es una propiedad importante porque el tamaño de muchos problemas científicos crece con rapidez. Los autores basan la construcción en la posibilidad de «avanzar rápido» la evolución de un oscilador armónico cuántico: calcular directamente un estado futuro, bajo las condiciones del algoritmo, en lugar de simular paso a paso toda su evolución.
Eso no equivale a declarar una ventaja práctica universal frente a los ordenadores clásicos. La ventaja depende de cómo se prepare el estado de entrada, de qué resultado se necesite extraer y de que un dispositivo cuántico pueda ejecutar el circuito con suficiente fidelidad. Son condiciones que importan tanto como la complejidad escrita en un paper.
Qué demuestra y qué no demuestra para la IA
Los autores aplican la QHT a dos familias de tareas: comprobar si una función está cerca de una representación de bajo grado en la base de Hermite y resolver una versión gaussiana del problema de aprendizaje de Goldreich-Levin. En ese marco, describen ventajas demostrables en número de consultas.
Son resultados de teoría de algoritmos con conexión directa al aprendizaje, no una prueba de que entrenar redes neuronales grandes vaya a abaratarse automáticamente. La palabra «IA» es pertinente porque muchas técnicas estadísticas trabajan con distribuciones gaussianas y porque las futuras herramientas cuánticas podrían ampliar el repertorio de métodos de aprendizaje. Pero el salto desde una primitiva hasta una aplicación útil exige algoritmos completos, datos accesibles, mediciones que conserven la ventaja y máquinas cuánticas suficientemente robustas.
Ning Bao, profesor de Northeastern University con puesto conjunto en Brookhaven, lo resumió bien en el comunicado del laboratorio: la QHT es «una raíz, no un punto final». La metáfora importa. Una raíz no es un producto terminado; es una base sobre la que otros pueden construir.
De la teoría a un posible ecosistema
El valor de este trabajo está en ampliar el vocabulario de la computación cuántica. La física de materiales, la simulación científica y algunos problemas de datos podrían beneficiarse de operaciones que no estén forzadas a imitar la misma transformada de Fourier una y otra vez. La QHT ofrece una alternativa diseñada para estructuras gaussianas.
Que esa posibilidad se convierta en una ventaja cotidiana llevará tiempo y validación independiente. Pero ése es precisamente el papel de los avances fundamentales: no venden una solución inmediata, sino que hacen posible formular algoritmos que antes no existían. En un campo que suele medir el progreso por el número de qubits, este resultado recuerda que también hacen falta buenas ideas para decirles qué hacer.
Fuentes
Fuentes de esta pieza
Esta pieza se apoya en 4 fuente(s) primaria(s), recogidas durante la investigación.
Este artículo se ha elaborado con inteligencia artificial bajo supervisión editorial humana.
