Technology on kenji.blog

¿Qué es la supremacía cuántica? Las últimas tendencias de Google e IBM

Fri, 11 Sep 2026 18:00:00 +0900

1. Introducción: El amanecer de la computación cuántica y la “supremacía cuántica”

La computación cuántica tiene el potencial de resolver problemas complejos que los ordenadores clásicos (los PC y superordenadores que usamos habitualmente en la actualidad) no pueden resolver en un tiempo realista, aplicando la mecánica cuántica, el principio fundamental de la física, al procesamiento de información. Este campo ha sido principalmente de investigación teórica durante mucho tiempo, pero en los últimos años, con el rápido avance del hardware, la competencia por la aplicación práctica se ha intensificado.

Una de las palabras clave que más atención ha atraído es la “supremacía cuántica” (Quantum Supremacy). Esto se refiere al momento en que un ordenador cuántico demuestra una capacidad de cálculo que abruma a los ordenadores clásicos en una tarea computacional específica. En este artículo, explicaremos detalladamente y con profundidad técnica y matemática desde la definición estricta de supremacía cuántica, los detalles del experimento del procesador “Sycamore” de Google que anunció haber alcanzado este hito mundial en 2019, la refutación y el enfoque propio de IBM al respecto, hasta las últimas hojas de ruta hacia la “corrección de errores cuánticos” (Quantum Error Correction: QEC) y la “computación cuántica tolerante a fallos” (Fault-Tolerant Quantum Computing: FTQC), que son el mayor obstáculo para su verdadera aplicación práctica.

2. Antecedentes teóricos: Fundamentos de la computación cuántica y clases de complejidad

Para entender la supremacía cuántica, primero es necesario comprender los fundamentos matemáticos de la computación cuántica y su posición en la teoría de la complejidad computacional.

Cúbits (Qubits) y superposición

La unidad mínima de información en un ordenador clásico es el bit (0 o 1), pero en un ordenador cuántico se utiliza el cúbit (Qubit). El estado $|\psi\rangle$ de un cúbit se representa como una combinación lineal compleja de los estados base $|0\rangle$ y $|1\rangle$.

$$ |\psi\rangle = \alpha|0\rangle + \beta|1\rangle $$

Donde $\alpha, \beta \in \mathbb{C}$, y cumplen con la condición de normalización $|\alpha|^2 + |\beta|^2 = 1$. A esta propiedad se le llama “superposición” (Superposition).

Entrelazamiento (Entanglement) y producto tensorial

Cuando hay varios cúbits, el estado de todo el sistema se representa por el producto tensorial del espacio de estados de cada cúbit individual. Un sistema de $n$ cúbits es un vector en el espacio de Hilbert de $2^n$ dimensiones $\mathcal{H}^{\otimes n}$.

$$ |\Psi\rangle = \sum_{x \in \{0, 1\}^n} c_x |x\rangle $$

Donde $\sum |c_x|^2 = 1$. El estado en el que los cúbits no son independientes entre sí y el estado de uno depende del otro se llama “entrelazamiento cuántico” (Quantum Entanglement). Esto le da a los ordenadores cuánticos el potencial de procesar simultáneamente un espacio de estados exponencialmente vasto.

Definición teórica de la complejidad computacional de la supremacía cuántica

En la teoría de la complejidad computacional, la clase de problemas que un ordenador clásico puede resolver eficientemente (en tiempo polinómico) se llama BPP (Bounded-error Probabilistic Polynomial time). Por otro lado, la clase de problemas que un ordenador cuántico puede resolver eficientemente es BQP (Bounded-error Quantum Polynomial time).

Demostrar la supremacía cuántica significa “ejecutar en hardware cuántico real una tarea específica que está incluida en BQP pero no en BPP (o es muy probable que no lo esté), y superar la simulación por superordenadores clásicos en términos de tiempo y recursos”. Se puede decir que es un intento histórico de refutar mediante experimentos físicos la tesis extendida de Church-Turing (“todo modelo de computación físicamente realizable puede ser simulado en tiempo polinómico por una máquina de Turing probabilística”).

3. 2019: Demostración de la supremacía cuántica por Google

En octubre de 2019, el equipo de Google Quantum AI anunció en la revista científica “Nature” que habían logrado la supremacía cuántica utilizando un procesador superconductor de 53 cúbits llamado “Sycamore”.

Arquitectura del procesador Sycamore

El procesador Sycamore está compuesto por 54 cúbits superconductores tipo Transmon dispuestos en una cuadrícula bidimensional (se usaron 53 porque uno de ellos falló durante el experimento). Se colocaron acopladores ajustables (Tunable Couplers) entre los cúbits adyacentes para realizar puertas de dos cúbits (un híbrido de puerta iSWAP y puerta Z controlada) de alta velocidad y alta precisión.

graph TD A["Entrada del Algoritmo Cuántico"] --> B["Procesador Sycamore (53 Cúbits)"] B --> C["Aplicar Puertas Cuánticas Aleatorias"] C --> D["Medir Estados Cuánticos (Cadenas de Bits)"] D --> E["Evaluación Comparativa de Entropía Cruzada (XEB)"] E --> F["Verificar la Supremacía Cuántica"]

Muestreo de circuitos cuánticos aleatorios (Random Circuit Sampling: RCS)

La tarea elegida por Google fue el “muestreo de circuitos cuánticos aleatorios”. Consiste en aplicar puertas de un solo cúbit y de dos cúbits elegidas al azar durante múltiples ciclos (profundidad $m$), y luego medir el estado final para muestrear a partir de la distribución de probabilidad de las cadenas de bits obtenidas.

La probabilidad de la cadena de bits $x$ que sale de un circuito cuántico aleatorio ideal (sin ruido) no es una distribución uniforme, sino que muestra un patrón similar a un patrón de interferencia llamado distribución de Porter-Thomas (Porter-Thomas distribution). Para muestrear a partir de esta distribución en un ordenador clásico se requiere la simulación de todo el vector de estado, y la complejidad computacional aumenta exponencialmente con el número de cúbits $n$ y la profundidad del circuito $m$.

Evaluación de la fidelidad (Fidelity): Evaluación comparativa de entropía cruzada lineal (XEB)

Para demostrar que los resultados del experimento no eran mero ruido, sino los resultados de un cálculo cuántico real, Google utilizó la evaluación comparativa de entropía cruzada lineal (Linear Cross-Entropy Benchmarking: XEB). Se calcula la probabilidad ideal $P(x_i)$ del circuito para la cadena de bits $x_i$ obtenida en el experimento con un ordenador clásico, y la fidelidad $\mathcal{F}_{\text{XEB}}$ se calcula con la siguiente fórmula:

$$ \mathcal{F}_{\text{XEB}} = 2^n \langle P(x_i) \rangle_{i} - 1 $$

Si $\mathcal{F}_{\text{XEB}}$ es 0, significa ruido puro; si es 1, significa un procesador cuántico ideal sin ruido. El procesador Sycamore logró $\mathcal{F}_{\text{XEB}} \approx 0.002$ (0,2%) en un circuito de profundidad 20. Aunque parece bajo a primera vista, fue un valor estadísticamente significativo mayor que cero y un logro asombroso al controlar un espacio de estados de $2^{53} \approx 9 \times 10^{15}$.

La tasa de error global se modeló aproximadamente como el producto de los errores individuales de las puertas, errores de medición, etc.

$$ \mathcal{F} \approx (1 - e_1)^{N_1}(1 - e_2)^{N_2} \cdots \approx \prod_{g \in 1Q} (1 - e_g) \prod_{g \in 2Q} (1 - e_g) \prod_{q} (1 - e_{RO}) $$

(* $e_g$ es el error de la puerta, $e_{RO}$ es el error de medición)

Google afirmó que a un superordenador clásico (Summit) le llevaría unos 10.000 años simular este circuito. En contraste, Sycamore completó el muestreo en solo 200 segundos.

4. La refutación de IBM: De la “supremacía” a la “utilidad” (Utility)

El anuncio de Google sorprendió al mundo entero, pero IBM, quien desarrolló el superordenador más grande del mundo “Summit” y es también líder en el desarrollo de ordenadores cuánticos, publicó de inmediato un documento refutando esta afirmación.

Mejora de la simulación clásica mediante la contracción de redes tensoriales

El núcleo de la refutación de IBM fue que “la optimización del algoritmo y los recursos del lado del ordenador clásico eran insuficientes”. Google basó su estimación de 10.000 años asumiendo un simulador de vector de estado que calcula directamente la evolución temporal de la ecuación de Schrödinger, pero IBM señaló que al usar una técnica llamada “redes tensoriales” (Tensor Network), el tiempo de simulación podría reducirse drásticamente.

En las redes tensoriales, las operaciones de puertas de los circuitos cuánticos se representan como cálculos de matrices multidimensionales (tensores), y se optimiza el orden de la “contracción” (Contraction) de la red. Además, afirmaron que al utilizar plenamente el enorme almacenamiento de 250 PB de Summit (estratificación de disco y memoria), era posible retener todo el vector de estado y realizar una simulación de mayor precisión en solo “dos días y medio”.

Ventaja cuántica (Quantum Advantage) y utilidad cuántica (Quantum Utility)

Con este debate como punto de inflexión, la tendencia de toda la industria pasó de aferrarse simplemente a “ejecutar tareas artificiales que son imposibles clásicamente (Supremacy)”, a demostrar una “ventaja sustancial sobre los enfoques clásicos en problemas útiles del mundo real (Quantum Advantage)”, y más aún a la fase en la que “el ordenador cuántico funciona como una nueva herramienta para el descubrimiento científico (Quantum Utility)”.

La propia IBM evita el término “supremacía” y aboga por el “volumen cuántico” (Quantum Volume) y los “CLOPS (Circuit Layer Operations Per Second)” como indicadores integrales de rendimiento de los procesadores cuánticos, avanzando en un desarrollo que enfatiza el equilibrio entre la escala y la calidad del hardware.

timeline title "La evolución de los hitos cuánticos" 2019 : "Google Sycamore (53Q)" : "Anuncio de la Supremacía Cuántica" 2019 : "Refutación de IBM" : "Simulación del superordenador Summit en 2,5 días" 2021 : "IBM Eagle (127Q)" : "Rompiendo la barrera de los 100 cúbits" 2022 : "IBM Osprey (433Q)" : "Avanzando en la escala del procesador" 2023 : "Código de Superficie de Google" : "Escalando la corrección de errores (d=3 a d=5)" 2023 : "Utilidad Cuántica de IBM" : "Simulación de modelo de espín complejo en 127Q" 2024 : "Más allá" : "Era de Cúbits Lógicos y Mitigación de Errores"

5. La próxima frontera: Mitigación de errores (Error Mitigation) y corrección de errores cuánticos (QEC)

Los ordenadores cuánticos actuales se denominan “NISQ (Noisy Intermediate-Scale Quantum)” y son susceptibles a los efectos del ruido (errores debidos a la interacción con el entorno externo y la imperfección del control), y cuando realizan cálculos largos, los resultados quedan enterrados en el ruido. Los enfoques para superar este problema se dividen a grandes rasgos en dos: “mitigación de errores” (Error Mitigation) y “corrección de errores cuánticos” (Quantum Error Correction).

Mitigación de errores (Error Mitigation)

La mitigación de errores es una técnica que elimina los efectos del ruido de los valores esperados de los resultados computacionales mediante el posprocesamiento clásico, sin alterar el hardware cuántico. En 2023, IBM logró la “utilidad cuántica” (Quantum Utility) combinando el procesador “Eagle” de 127 cúbits con técnicas de mitigación de errores como la “extrapolación de ruido cero” (Zero-Noise Extrapolation: ZNE), superando la precisión de los métodos de redes tensoriales aproximadas de última generación en la simulación de la evolución temporal de modelos de Ising complejos.

Corrección de errores cuánticos (QEC) y cúbits lógicos

Sin embargo, en última instancia, para ejecutar algoritmos complejos arbitrarios (por ejemplo, el algoritmo de factorización de Shor o cálculos químicos cuánticos complejos), la mitigación de errores por sí sola es insuficiente, y es indispensable la “corrección de errores cuánticos” (QEC) que detecta y corrige errores dinámicamente.

El enfoque principal de QEC es el “código de superficie” (Surface Code). Este es un método que organiza múltiples cúbits físicos (cúbits de datos) en una cuadrícula bidimensional, coloca cúbits para medición (cúbits ancilla) entre ellos, y realiza verificaciones de paridad continuas llamadas “estabilizadores” (Stabilizers).

graph LR Q1["Cúbit de Datos (Data)"] --- M1["Medir Estabilizador X (Ancilla)"] Q2["Cúbit de Datos (Data)"] --- M1 Q3["Cúbit de Datos (Data)"] --- M2["Medir Estabilizador Z (Ancilla)"] Q4["Cúbit de Datos (Data)"] --- M2 M1 --> EC["Decodificación del Síndrome de Error (Clásico)"] M2 --> EC EC --> LQ["Actualización del Estado del Cúbit Lógico"]

Teorema del umbral (Threshold Theorem) y distancia $d$

Existe un “teorema del umbral” para la corrección de errores cuánticos. Si la tasa de error $p$ de los cúbits físicos está por debajo de un cierto umbral $p_{th}$ (alrededor del 1% en el caso de los códigos de superficie), se puede reducir la tasa de error lógico $p_L$ de manera exponencial al aumentar la distancia del código (Distance) $d$ (asignando más cúbits físicos a un cúbit lógico).

La fórmula aproximada de la tasa de error lógico se expresa de la siguiente manera:

$$ p_L \approx \Lambda \left( \frac{p}{p_{th}} \right)^{\frac{d+1}{2}} $$

Donde $\Lambda$ es una constante. Si $p < p_{th}$, cuanto mayor sea $d$, menor será $p_L$. Sin embargo, si $p > p_{th}$, cuantos más cúbits físicos se añadan, más ruido se acumulará, empeorando la tasa de error lógico.

Hito de Google en 2023: Demostración de la reducción de errores ampliando la distancia

En febrero de 2023, Google publicó un artículo monumental en “Nature”. Utilizando el procesador Sycamore de tercera generación, demostraron por primera vez en el mundo que al ampliar la distancia del código de superficie de $d=3$ (usando 17 cúbits físicos) a $d=5$ (usando 49 cúbits físicos), la tasa de error lógico disminuyó ligeramente del 3,028% al 2,914%.

Esto significa que entraron en la región de $p < p_{th}$, indicando que se ha completado la prueba de concepto (Proof of Concept) más importante hacia la FTQC: que el rendimiento mejora cuantos más cúbits físicos se añadan.

6. Hoja de ruta y perspectivas hacia la FTQC (Computación cuántica tolerante a fallos)

Google e IBM están inmersos en una feroz competencia de desarrollo hacia el objetivo final de la FTQC (Fault-Tolerant Quantum Computing), adoptando arquitecturas y enfoques diferentes respectivamente.

El enfoque de IBM: Modularización y celosía Heavy-Hex

IBM se está centrando en ampliar el procesador al mismo tiempo que reduce drásticamente las tasas de error. Mientras desafían los límites de un solo chip con “Eagle (127Q)”, “Osprey (433Q)” y “Condor (1121Q)”, han anunciado una arquitectura modular llamada “Quantum System Two”. Además, para la topología de conexión de los cúbits, han adoptado la “celosía Heavy-Hex” para reducir la diafonía (crosstalk) innecesaria y aumentar la estabilidad. La estrategia de IBM es un enfoque híbrido que persigue la utilidad con mitigación de errores avanzada a corto plazo, introduciendo gradualmente la QEC.

El enfoque de Google: Mejora de la calidad de los cúbits lógicos

La estrategia de Google pone el énfasis en reducir la tasa de error de un solo cúbit lógico al extremo (por ejemplo, reducirla a $10^{-6}$) más que en aumentar rápidamente el número de cúbits físicos. Sobre esa base, tienen como objetivo establecer una tecnología para transferir estados cuánticos entre módulos (Quantum Interconnects) y construir un sistema a gran escala que opere desde miles hasta decenas de miles de cúbits físicos en paralelo.

La implementación de protocolos para ejecutar puertas no de Clifford con tolerancia a fallos, como la destilación de estados mágicos (Magic State Distillation), también será un gran obstáculo técnico en el futuro. Para ejecutar el algoritmo práctico de Shor y descifrar la criptografía RSA de 2048 bits, se dice que se necesitarán miles de cúbits lógicos con una tasa de error inferior a $10^{-8}$, lo que equivale a entre millones y decenas de millones de cúbits físicos, por lo que el camino aún es largo.

7. Conclusión

La “supremacía cuántica” fue un hito importante en la historia de los ordenadores cuánticos que demostró físicamente el potencial teórico de la computación. La demostración de Google en 2019 y la refutación constructiva de IBM impulsaron a toda la industria desde una mera prueba teórica hacia la búsqueda de la utilidad (Utility) real, y finalmente hacia una era de ingeniería a gran escala para la computación cuántica tolerante a fallos (FTQC).

Actualmente somos testigos del período de transición desde los dispositivos NISQ plagados de ruido hasta los dispositivos de cúbits lógicos equipados con corrección de errores. En los próximos años o décadas, los nuevos descubrimientos en la ciencia de los materiales, las revoluciones en el proceso de descubrimiento de fármacos y los avances en los problemas de optimización se harán realidad junto con la evolución de este hardware cuántico.

No podemos perder de vista las tendencias de Google, IBM y los investigadores de todo el mundo que están dando forma al futuro de la informática.

¿Cómo cambiarán el blockchain y las criptomonedas en la era post-cuántica?

Fri, 11 Sep 2026 17:00:00 +0900

1. Introducción: Los pasos de la era post-cuántica y la crisis del blockchain

Desde el nacimiento de Bitcoin en 2009 por Satoshi Nakamoto, la tecnología blockchain ha crecido hasta convertirse en la base de sistemas financieros y aplicaciones en todo el mundo como un “libro mayor descentralizado e inalterable”. Esta robusta seguridad está respaldada por tecnologías criptográficas modernas: Criptografía de Clave Pública (Public Key Cryptography) y Funciones Hash Criptográficas (Cryptographic Hash Functions).

Estas tecnologías criptográficas garantizan la seguridad basándose en la “dificultad computacional” matemática, lo que significa que una computadora clásica (como las PC o supercomputadoras que usamos hoy en día) tardaría la edad del universo en descifrarlas.

Sin embargo, esta premisa está a punto de ser anulada desde su raíz debido al rápido desarrollo y aplicación práctica de las Computadoras Cuánticas (Quantum Computers), la frontera de la física y las ciencias de la información. Aprovechando propiedades únicas de la mecánica cuántica como la “Superposición (Superposition)” y el “Entrelazamiento (Entanglement)”, las computadoras cuánticas exhiben un poder computacional en ciertos problemas matemáticos que abruma abrumadoramente a las computadoras clásicas convencionales, lo que se conoce como “Supremacía Cuántica (Quantum Supremacy)”.

En este artículo, exploraremos en profundidad, desde un punto de vista técnico y matemático, las amenazas específicas que la tecnología blockchain enfrenta debido a las computadoras cuánticas, así como las últimas tendencias en la Criptografía Post-Cuántica (PQC: Post-Quantum Cryptography) como solución, y los escenarios de transición para las redes de criptoactivos.

2. Fundamentos de las computadoras cuánticas y dos grandes amenazas para el blockchain

Los sistemas de blockchain actuales consisten principalmente en los siguientes dos elementos criptográficos, y cada uno está expuesto a diferentes amenazas por algoritmos cuánticos.

graph TD A["El increíble poder computacional de las computadoras cuánticas"] --> B["Algoritmo de Shor (Shor's Algorithm)"] A --> C["Algoritmo de Grover (Grover's Algorithm)"] B --> D["Colapso de la criptografía de clave pública (ECDSA/RSA/DSA)"] C --> E["Impacto en las funciones hash criptográficas (SHA-256)"] D --> F["Identificación de claves privadas ajenas y falsificación de transacciones"] E --> G["Ventaja en la minería PoW y ataques a ciertas direcciones"] F --> H["Amenaza letal y directa en la cadena de bloques"] G --> I["Amenazas manejables con ajustes de algoritmos (por ejemplo, extensión de longitud de clave)"] style H fill:#ff9999,stroke:#cc0000,stroke-width:2px; style I fill:#ffff99,stroke:#cccc00,stroke-width:2px;

2.1. Fundamentos y dificultad computacional de la Criptografía de Curva Elíptica (ECDSA)

Muchas blockchains, incluidas Bitcoin y Ethereum, adoptan el Algoritmo de Firma Digital de Curva Elíptica (ECDSA: Elliptic Curve Digital Signature Algorithm) como su algoritmo de firma digital. Específicamente, Bitcoin utiliza la curva elíptica con el parámetro secp256k1.

La seguridad de la criptografía de curva elíptica se basa en la dificultad computacional del Problema del Logaritmo Discreto de Curva Elíptica (ECDLP: Elliptic Curve Discrete Logarithm Problem). Una curva elíptica se define por una ecuación en la forma normal de Weierstrass de la siguiente manera:

$$ y^2 \equiv x^3 + ax + b \pmod{p} $$

En la secp256k1 de Bitcoin, $a = 0, b = 7$, y $p$ es un número primo muy grande. Sea $G$ el punto base (punto de referencia) en esta curva, y $k$ una clave privada, que es un número entero aleatorio masivo de 256 bits. Entonces, la clave pública $K$ se obtiene mediante la suma (multiplicación escalar) del punto base $k$ veces.

$$ K = k \times G = \underbrace{G + G + \dots + G}_{k \text{ veces}} $$

Usando una computadora clásica, calcular inversamente la clave privada $k$ (encontrar el logaritmo discreto) a partir de la clave pública expuesta $K$ y el punto base $G$ requiere un tiempo computacional exponencial de $\mathcal{O}(\sqrt{p})$ incluso usando los mejores algoritmos clásicos como el método de factorización rho de Pollard. Para una clave de 256 bits, se requieren aproximadamente $2^{128}$ operaciones, un nivel que no podría resolverse ni operando supercomputadoras actuales durante miles de millones de años.

2.2. Colapso por el Algoritmo de Shor (Shor’s Algorithm)

Sin embargo, el Algoritmo de Shor, publicado por Peter Shor en 1994, destruyó por completo esta premisa. El algoritmo de Shor fue propuesto originalmente para resolver el problema de factorización de enteros (la base del cifrado RSA) en tiempo polinómico, pero también es aplicable al problema del logaritmo discreto y al problema del logaritmo discreto de curva elíptica.

El núcleo del algoritmo de Shor radica en el uso de la Transformada de Fourier Cuántica (QFT: Quantum Fourier Transform) para encontrar rápidamente el “período (Period)” de una función.

$$ \text{Complejidad clásica} = \mathcal{O}(2^{n/2}) \quad (n\text{ es la longitud en bits}) $$ $$ \text{Complejidad del algoritmo cuántico} = \mathcal{O}(n^3) $$

De esta manera, el algoritmo de Shor reduce drásticamente el tiempo exponencial a un tiempo polinómico (Polynomial Time). Si se completa una computadora cuántica con suficientes cúbits lógicos, será posible determinar la clave privada $k$ a partir de la clave pública $K$ expuesta en la red en minutos o segundos. Esto permitiría a los atacantes obtener fácilmente las claves privadas de las carteras de otras personas y tomar control total de los fondos.

2.2.1 Paso a paso del descifrado de ECDLP mediante el algoritmo de Shor

Veamos paso a paso los procesos internos mediante los cuales una computadora cuántica resuelve el problema del logaritmo discreto de curva elíptica (ECDLP).

Planteamiento del problema: En $K = k \times G$, dado que se conocen $G$ y $K$, se desea encontrar el entero desconocido $k$ (clave privada). Supongamos que el orden de la curva elíptica es $N$.

Paso 1: Creación de un estado de superposición Primero, se preparan dos registros cuánticos, y se aplica una compuerta de Hadamard (Hadamard Gate) a cada uno para crear un estado de superposición de todas las posibles combinaciones de números enteros.

$$ |\psi_1\rangle = \frac{1}{N} \sum_{x=0}^{N-1} \sum_{y=0}^{N-1} |x\rangle |y\rangle |0\rangle $$

Paso 2: Aplicación del oráculo cuántico (evaluación de la función) A continuación, utilizando un circuito cuántico (oráculo) que realiza adición de puntos en la curva elíptica, la función $f(x, y) = x \times G + y \times K$ se calcula en el tercer registro.

$$ |\psi_2\rangle = \frac{1}{N} \sum_{x=0}^{N-1} \sum_{y=0}^{N-1} |x\rangle |y\rangle |x \times G + y \times K\rangle $$

Aquí lo importante es que, como $K = k \times G$, se puede reescribir como $f(x, y) = (x + y \cdot k) \times G$.

Paso 3: Medición del tercer registro Al medir el tercer registro, este colapsa en algún punto $R$ sobre la curva elíptica. En consecuencia, el primer y el segundo registro colapsan en un estado de superposición de pares $(x, y)$ que satisfacen $x + y \cdot k \equiv c \pmod{N}$ (donde $c$ es una constante).

$$ |\psi_3\rangle = \frac{1}{\sqrt{N}} \sum_{y=0}^{N-1} |c - y \cdot k \pmod{N}\rangle |y\rangle $$

Paso 4: Aplicación de la Transformada de Fourier Cuántica (QFT) Este estado tiene una periodicidad relacionada con el período $k$. Al aplicar aquí la Transformada de Fourier Cuántica Inversa (Inverse QFT), se causa una interferencia de fase, convirtiendo la información del período en amplitud.

Paso 5: Medición y posprocesamiento clásico Al medir el primer y segundo registros, se obtiene con alta probabilidad un valor que contiene información sobre $k$. Aplicando algoritmos clásicos de teoría de números, como las fracciones continuas (Continued Fractions), al valor medido, se puede determinar completamente la clave privada desconocida $k$.

El número de compuertas cuánticas necesarias para todo este proceso es $\mathcal{O}(\log^3 N)$, lo que desvela la clave privada a una velocidad increíblemente más alta que la búsqueda $\mathcal{O}(\sqrt{N})$ con una computadora clásica.

2.3. Algoritmo de Grover (Grover’s Algorithm) y su impacto en las funciones hash

Otra amenaza es el Algoritmo de Grover, propuesto por Lov Grover en 1996. Esto tiene un impacto importante en las funciones hash (por ejemplo: SHA-256).

En blockchain, las funciones hash se utilizan para garantizar la integridad de los datos, generar direcciones y como base para la minería PoW (Proof of Work) en Bitcoin. Calcular a la inversa una función hash (cálculo de preimagen) puede considerarse como un “problema de búsqueda en base de datos no estructurada” donde, dado un valor de salida específico $y$, se busca un valor de entrada $x$ tal que $H(x) = y$.

En una computadora clásica, para encontrar la respuesta correcta entre $N$ posibilidades, se requieren en promedio $\frac{N}{2}$ intentos, y en el peor de los casos, $N$ intentos. Es decir, la complejidad computacional es $\mathcal{O}(N)$. Sin embargo, el algoritmo de Grover utiliza una técnica cuántica llamada “Amplificación de Amplitud (Amplitude Amplification)”. Al amplificar iterativamente la amplitud de probabilidad del estado que es la respuesta correcta entre todas las posibilidades en estado de superposición, se reduce el tiempo de búsqueda a la raíz cuadrada.

$$ \text{Complejidad del algoritmo de Grover} = \mathcal{O}(\sqrt{N}) $$

En el caso de SHA-256, como $N = 2^{256}$, una búsqueda exhaustiva clásica requeriría aproximadamente $2^{256}$ intentos. Pero si se usa el algoritmo de Grover, bastaría con $\sqrt{2^{256}} = 2^{128}$ intentos. Esto significa que, para una computadora cuántica, una función hash de 256 bits se reduce a la mitad de su nivel de seguridad, efectivamente a 128 bits.

2.3.1. ¿Sobrevivirá SHA-256? (Quantum Supremacy in Hashing)

Aunque la seguridad se reduce a la mitad, una “seguridad de 128 bits” sigue siendo extremadamente sólida. $2^{128}$ operaciones es una cifra astronómica desde el nivel tecnológico actual y requeriría una escala de tiempo de la edad del universo. Por lo tanto, se cree ampliamente que “SHA-256 mantendrá una seguridad práctica incluso frente a computadoras cuánticas”. Si en el futuro es necesario aumentar el margen de seguridad, duplicando simplemente la longitud de salida del hash (por ejemplo, pasando de SHA-256 a SHA-512), se puede mantener la seguridad clásica de 256 bits en el mundo cuántico.

En conclusión, la amenaza cuántica a las funciones hash se puede considerar “leve y manejable”, mientras que la amenaza a la criptografía de clave pública (ECDSA) se puede considerar “letal”.

3. Análisis detallado del impacto en criptoactivos actuales (Bitcoin, Ethereum)

En un mundo donde es posible descifrar ECDSA con computadoras cuánticas, ¿a qué vulnerabilidades específicas se enfrentan las redes de criptoactivos? Aquí haremos un análisis detallado, tomando el mecanismo de Bitcoin como ejemplo, desde la perspectiva del “momento de la exposición de la clave pública”.

3.1. Generación de direcciones y “privacidad” de las claves públicas

Las direcciones de Bitcoin (P2PKH: Pay-to-Public-Key-Hash o P2WPKH: Pay-to-Witness-Public-Key-Hash) no utilizan la clave pública directamente, sino un hash repetido de la clave pública.

$$ \text{Bitcoin Address} = \text{Base58Check}(\text{RIPEMD160}(\text{SHA256}(\text{Public Key}))) $$

Como se mencionó anteriormente, debido a que las funciones hash son resistentes a los ataques cuánticos (algoritmo de Grover), deducir a la inversa la “clave pública” original a partir de la “dirección” (valor hash) es imposible incluso con una computadora cuántica. En otras palabras, para una “dirección no utilizada (una desde la que nunca se han enviado fondos)”, la clave pública no se ha expuesto en la cadena de bloques en absoluto, y solo está registrado el valor hash. Por lo tanto, dado que se desconoce la clave pública, no hay un objetivo sobre el cual ejecutar el algoritmo de Shor y es imposible determinar la clave privada. Las carteras en este estado pueden considerarse cuánticamente seguras (Quantum-safe).

3.2. Vulnerabilidad letal al enviar transacciones (Ataque Front-running)

El problema surge en el momento en que un usuario transfiere fondos. Al transmitir una transacción a la red, junto con la firma digital, el usuario debe incluir su propia clave pública dentro de los datos de la transacción para su verificación y exponerla a toda la red.

sequenceDiagram participant User as "Usuario (Alice)" participant Mempool as "Mempool (Grupo de transacciones no confirmadas)" participant QuantumAttacker as "Atacante Cuántico" participant Miner as "Minero (Generación de bloques)" User->>Mempool: Enviar transacción (incluye clave pública + firma) Mempool-->>QuantumAttacker: Interceptar la clave pública en la red note right of QuantumAttacker: Ejecutar el algoritmo de Shor en minutos
(Calcular clave privada desde la pública) QuantumAttacker->>QuantumAttacker: Generar nueva firma con la clave privada de Alice QuantumAttacker->>Mempool: Transmitir transferencia fraudulenta con tarifas mineras más altas Miner->>Miner: Priorizar la transacción fraudulenta con tarifas (Gas) más altas e incluirla en el bloque Miner-->>User: Registrar en la cadena de bloques (Alice pierde sus fondos)

Una vez que se envía la clave pública a la Mempool (la sala de espera de transacciones no confirmadas), esos datos se comparten con nodos en todo el mundo. Si un atacante poseyera una computadora cuántica ultrarrápida, podría robar los fondos mediante el siguiente proceso:

Interceptar la transacción de un usuario legítimo (Alice) desde la Mempool y extraer la clave pública.
Ejecutar el algoritmo de Shor para calcular la clave privada a partir de la clave pública en cuestión de minutos (antes de que se apruebe el bloque).
Usar la clave privada obtenida para crear una transacción falsa que envíe los fondos de Alice a la dirección del atacante.
Enviar esta transacción falsa a la red con una tarifa minera (Fee) mucho más alta que la de la transacción original de Alice.

Guiados por los incentivos económicos, los mineros priorizan incluir transacciones con altas tarifas en los bloques. Como resultado, la transferencia fraudulenta del atacante es confirmada (Confirm) primero, y la transferencia legítima de Alice se descarta por “fondos insuficientes (Double Spend)”. Esta serie de eventos se conoce como Ataque Front-running (Front-running Attack), y en un mundo con computadoras cuánticas prácticas, causaría una situación aterradora donde los fondos son robados por un hacker en el mismo momento en que alguien presiona el botón de enviar.

3.3. Peligros de la reutilización de direcciones y direcciones antiguas (P2PK)

Un problema aún más grave es que en direcciones desde las que se han transferido fondos al menos una vez en el pasado (por ejemplo, si se reutilizan como direcciones de cambio), la clave pública ya está registrada de forma permanente en la cadena de bloques. Sin siquiera esperar a enviar una transacción, estas corren un peligro constante de que su clave privada sea calculada y se roben sus saldos.

Además, en el formato dominante P2PK (Pay-to-Public-Key) de los años 2009-2010, que incluye las recompensas de minería tempranas de Satoshi Nakamoto (más de 1 millón de BTC), la clave pública en sí se registraba directamente en la cadena de bloques como dirección en lugar del hash. Estos enormes volúmenes de bitcoins inactivos son los blancos más fáciles para las computadoras cuánticas y podrían ser robados de golpe para un “dumping” masivo en el mercado, potencialmente causando un desplome colosal del precio.

4. Escenario de transición a la Criptografía Post-Cuántica (PQC: Post-Quantum Cryptography)

Para evitar la catástrofe del “Q-Day (el día de la vulneración criptográfica por computadoras cuánticas)”, la comunidad de blockchain y criptografía planea migrar a una Criptografía Post-Cuántica (PQC) que sea difícil de descifrar incluso mediante algoritmos cuánticos. El Instituto Nacional de Estándares y Tecnología de los EE. UU. (NIST) ha estado avanzando en el proceso de estandarización de PQC durante años y, tras varias rondas de rigurosas evaluaciones, se han seleccionado algunos prometedores métodos criptográficos como estándares finales.

Explicaremos detalladamente los principales algoritmos PQC, que están ganando atención como alternativas a las firmas digitales en blockchain, junto con sus mecanismos matemáticos.

4.1. Firmas basadas en Hash (Hash-Based Signatures)

Las firmas basadas en hash son un método criptográfico cuya seguridad se basa exclusivamente en una base muy simple y sólida: “la resistencia a colisiones de las funciones hash”. Dado que la seguridad de las funciones hash contra las computadoras cuánticas ya está comprobada (como mencionamos, tener un margen de seguridad de 128 bits es suficiente), es un enfoque extremadamente confiable. Los ejemplos representativos incluyen las Firmas de Lamport (Lamport Signatures), su versión extendida WOTS (Winternitz One-Time Signature) y la candidata estandarizada por el NIST SPHINCS+ (ahora llamada SLH-DSA como FIPS 205).

4.1.1. Detalles matemáticos de las firmas de Lamport (One-Time Signature)

Echemos un vistazo más detallado al mecanismo matemático de las firmas de Lamport. Asumamos una función hash $H: \{0, 1\}^* \to \{0, 1\}^{256}$.

[Generación de claves] Alice (la emisora) genera 256 pares de claves privadas utilizando un generador de números aleatorios verdadero (TRNG).

$$ \text{sk}_{i,0} \in \{0, 1\}^{256}, \quad \text{sk}_{i,1} \in \{0, 1\}^{256} \quad (1 \le i \le 256) $$

Con esto, la clave privada $\text{sk}$ consta de un total de 512 cadenas de 256 bits (tamaño: $512 \times 32 = 16,384$ bytes).

A continuación, se calcula la clave pública $\text{pk}$. Cada componente de la clave privada es hasheado individualmente.

$$ \text{pk}_{i,0} = H(\text{sk}_{i,0}), \quad \text{pk}_{i,1} = H(\text{sk}_{i,1}) $$

La clave pública es, del mismo modo, de $16,384$ bytes. Esta se expone a la red de blockchain.

[Generación de firmas] Para firmar los datos de transacción $M$, Alice primero calcula su valor hash.

$$ h = H(M) \in \{0, 1\}^{256} $$

Sea el $i$-ésimo bit del valor hash $h$ $h_i \in \{0, 1\}$. La firma $\sigma$ de Alice es el conjunto de los componentes de la clave privada que corresponden a cada bit $h_i$.

$$ \sigma = (\text{sk}_{1, h_1}, \text{sk}_{2, h_2}, \dots, \text{sk}_{256, h_{256}}) $$

Es decir, si el bit del hash del mensaje es 0, se expone $\text{sk}_{i,0}$, y si es 1, se expone $\text{sk}_{i,1}$. El tamaño de la firma será $256 \times 32 = 8,192$ bytes.

[Verificación de firmas] El minero (verificador) realiza la verificación usando la transacción recibida $M$, la firma $\sigma = (s_1, s_2, \dots, s_{256})$ y la clave pública $\text{pk}$. Recalcula el hash de la transacción $h = H(M)$ y comprueba si el hash de cada $s_i$ coincide con el correspondiente elemento de la clave pública $\text{pk}_{i, h_i}$.

$$ H(s_i) \overset{?}{=} \text{pk}_{i, h_i} \quad (\text{para todo } 1 \le i \le 256) $$

Este proceso es matemáticamente extremadamente simple, y es imposible falsificar una firma a menos que una computadora cuántica pueda invertir $H$. Sin embargo, una vez que se realiza una firma, la mitad de la clave privada se expone a la red. Si se firma otro mensaje con el mismo par de claves, las claves privadas expuestas se combinan, dejando espacio para la falsificación por parte de los atacantes, de ahí la fuerte restricción de que “solo se puede usar una vez (One-Time)”. Para hacer esto práctico, se desarrollaron tecnologías como XMSS, que agrupa múltiples claves de un solo uso en una sola clave pública raíz utilizando árboles de Merkle, y la firma sin estado SPHINCS+, pero tienen la desventaja de que el tamaño de la firma alcanza decenas de kilobytes.

4.2. Criptografía basada en retículos (Lattice-Based Cryptography)

Actualmente, la corriente principal y más esperada en PQC, y la adoptada como principal estándar del NIST (FIPS 204: ML-DSA / anteriormente CRYSTALS-Dilithium y Falcon, etc.), es la Criptografía basada en retículos.

La seguridad de la criptografía basada en retículos depende de problemas matemáticamente probados como el “Problema del Vector Más Corto en retículos multidimensionales (SVP: Shortest Vector Problem)” y el “Problema del Aprendizaje con Errores (LWE: Learning With Errors)”. No se han encontrado algoritmos que resuelvan eficientemente problemas de retículos incluso con computadoras cuánticas.

Modelo matemático del LWE (Learning With Errors): La idea básica del problema LWE es hacer que un sistema de ecuaciones lineales sea drásticamente más difícil de resolver al agregar intencionalmente un “pequeño ruido (error)”. Sea el vector secreto $\mathbf{s} \in \mathbb{Z}_q^n$. Se toma una matriz pública masiva $\mathbf{A} \in \mathbb{Z}_q^{m \times n}$ elegida al azar, y un vector de ruido pequeño agregado intencionalmente $\mathbf{e} \in \mathbb{Z}_q^m$. La clave pública $\mathbf{b}$ se calcula de la siguiente manera:

$$ \mathbf{b} = \mathbf{A}\mathbf{s} + \mathbf{e} \pmod{q} $$

Aun cuando la matriz $\mathbf{A}$ y el vector $\mathbf{b}$ (clave pública) sean públicos, calcular inversamente la clave secreta $\mathbf{s}$ a partir de ellos es muy difícil debido a la presencia del ruido $\mathbf{e}$. Sin ruido, podría resolverse con simple eliminación de Gauss, pero el ruido provoca que el espacio de búsqueda en todas las dimensiones aumente explosivamente, lo que proporciona una seguridad sólida frente a computadoras clásicas y cuánticas. En algoritmos reales utilizados en blockchain, etc. (como Dilithium), se utiliza Ring-LWE (o Module-LWE) expandido sobre anillos polinómicos para reducir el tamaño de las claves y acelerar los cálculos.

Ventajas: Comparado con las firmas basadas en hash, los tamaños de las claves públicas y las firmas son relativamente pequeños (alrededor de unos pocos kilobytes), y la velocidad de cálculo para la generación y verificación de firmas es muy rápida (igual o mayor a ECDSA).
Desventajas: Debido a que la estructura matemática es compleja y el período histórico de validación es corto, el riesgo de que se descubran nuevos algoritmos de descifrado en el futuro no es cero.

5. Retos técnicos en la transición a PQC del blockchain

El mero hecho de que existan los algoritmos PQC (como Dilithium o SPHINCS+) no significa que se puedan implementar mañana en Bitcoin o Ethereum. Existen varios desafíos importantes específicos de los sistemas descentralizados.

5.1. Aumento en el tamaño de firmas y el colapso de la escalabilidad

La mayor barrera para la introducción de PQC es el crecimiento drástico del tamaño de datos. Mientras que el tamaño de las firmas ECDSA actuales es de unos 70 bytes, en Dilithium (ML-DSA), de criptografía basada en retículos, el tamaño de la firma oscila entre unos 2,420 y 4,595 bytes (dependiendo del nivel de seguridad), y la clave pública supera los 1,300 bytes. Las firmas basadas en hash SPHINCS+ llegan a decenas de miles de bytes tan solo para la firma.

Si Bitcoin introdujera PQC manteniendo el límite actual de tamaño de bloque (aproximadamente 4 MB de peso incluyendo SegWit), el número de transacciones que podrían incluirse en un bloque disminuiría drásticamente. El rendimiento de la red (TPS: Transactions Per Second) caería de manera devastadora y la congestión en los pagos se volvería la norma. Resolver esto requiere aumentar masivamente el tamaño del bloque, pero esto a su vez elevaría los requerimientos de almacenamiento y ancho de banda de los nodos completos, dificultaría que las personas ejecuten nodos por sí mismas y, en consecuencia, resultaría en el dilema de propiciar la centralización de la red.

pie title "Comparación del tamaño de datos de firmas en blockchain (Diagrama conceptual)" "ECDSA (Aprox. 70 Bytes)" : 2 "Dilithium ML-DSA (Aprox. 2,500 Bytes)" : 58 "SPHINCS+ (Aprox. 17,000 Bytes)" : 40

(※ El abultamiento de datos en las transacciones debido a la introducción de PQC es un cuello de botella letal para la escalabilidad)

5.2. Impacto en la Ethereum Virtual Machine (EVM) y contratos precompilados

En plataformas de contratos inteligentes Turing-completos como Ethereum, la adopción de PQC exige una actualización fundamental de la EVM (Ethereum Virtual Machine). La EVM actual provee un contrato precompilado (Precompiled Contract) llamado ecrecover (dirección: 0x01) para la verificación de firmas ECDSA, que está optimizado para realizar verificaciones de firmas con un coste de gas muy bajo (3000 Gas).

No obstante, los nuevos algoritmos de criptografía de retículo como Dilithium y Falcon involucran cálculos polinómicos y matriciales complejos. Si se implementan usando solamente los códigos de operación (Opcodes) actuales de la EVM, una simple verificación de firma podría consumir desde millones hasta decenas de millones de gas. A este nivel, el límite de gas por bloque (actualmente de unos 30 millones de Gas) se agotaría en una sola transacción.

Para eludir esto, la red deberá llevar a cabo un “Hard Fork” (Bifurcación dura) para integrar un nuevo Precompiled Contract dedicado a la verificación PQC (por ejemplo, asignar 0x10 para DilithiumVerify) directamente en la EVM. Esto requiere un proceso de largo plazo donde los desarrolladores principales de cada cliente de Ethereum (Geth, Nethermind, Erigon, etc.) colaboren en implementaciones optimizadas de lógicas de verificación criptográfica de retículos a nivel de lenguajes como C++, Go, y Rust, así como ejecutar auditorías de seguridad.

5.3. Dificultad para lograr consensos a través de Hard Forks

Cambiar el algoritmo de firma subyacente requiere una actualización de todo el protocolo de la red, un Hard Fork (Bifurcación dura). Sin embargo, en comunidades que valoran mucho los principios de “no cambiar las reglas y mantenerse descentralizados”, como Bitcoin, el proceso para alcanzar un consenso es políticamente muy desafiante. Desde la proposición inicial de un BIP (Bitcoin Improvement Proposal) para migrar a PQC hasta su implementación definitiva, se requerirán años de debates y pruebas rigurosas.

6. ¿Cuándo llegará el “Q-Day”? Hoja de ruta hacia la transición

¿Cuándo llegará el “Q-Day”, el día en que las computadoras cuánticas logren descifrar completamente la criptografía de curva elíptica de 256 bits? Aunque las opiniones difieren entre investigadores, muchos expertos prevén que será “entre mediados de la década de 2030 y 2040”, cuando podrían aparecer computadoras cuánticas a gran escala con al menos miles o decenas de miles de cúbits lógicos estables (cúbits que toleran el ruido con corrección de errores). Sin embargo, dependiendo de descubrimientos disruptivos en arquitecturas de hardware o el hallazgo de algoritmos cuánticos más eficientes, no se descarta la posibilidad de que se adelante (alrededor del 2030).

La hoja de ruta que debería seguir el ecosistema de criptoactivos antes de que sea demasiado tarde es la siguiente:

Fase 1: Firmas híbridas y abstracción de cuentas (Ahora a ~2028)

En los círculos actuales de desarrollo de blockchain, especialmente entre los desarrolladores de Ethereum (como Vitalik Buterin), se están estudiando las “firmas híbridas” que combinan ECDSA con PQC (firmas basadas en hash o criptografía basada en retículos). Este enfoque implica adjuntar en la transacción ambas firmas: la de ECDSA existente (que hoy es segura) y la firma PQC. Así, si una de las dos falla, la seguridad se mantiene íntegra. Además, aprovechando la abstracción de cuentas (Account Abstraction, ERC-4337), se avanza en iniciativas que permiten integrar firmas PQC como opción de consentimiento (opt-in para los usuarios) mediante carteras de contratos inteligentes sin necesidad de esperar un hard fork en el nivel del protocolo base.

Fase 2: Uso de Pruebas de Conocimiento Cero (ZK-Rollups) (2025 en adelante)

La carta clave que se espera para resolver la mayor debilidad de la PQC, el “abultamiento del tamaño de los datos de firmas”, es el uso de tecnologías de Capa 2 (Layer 2) conocidas como ZK-Rollups (Pruebas de Conocimiento Cero). En lugar de registrar directamente las enormes firmas PQC en la Layer 1 (cadena principal), innumerables transacciones PQC se agrupan y verifican en la Layer 2. A continuación, mediante pruebas como ZK-SNARKs o ZK-STARKs, se comprimen todas en una diminuta pieza de “datos de prueba (Proof)” para grabarse en la Layer 1. Cabe señalar que algunas configuraciones de SNARKs (como Groth16) son inherentemente vulnerables frente a computadoras cuánticas, por lo que la adopción de ZK-STARKs, dependientes de funciones hash que poseen resistencia cuántica, se vuelve esencial.

Fase 3: Hard Fork a Nivel del Protocolo (Alrededor de 2030)

En una etapa donde la estandarización PQC del NIST esté totalmente asimilada, se desarrollen librerías consolidadas en el sector, y el software haya sido suficientemente probado, es previsible que cadenas principales como Bitcoin y Ethereum implementen un Hard Fork para cambiar sus firmas por defecto al ecosistema PQC de manera definitiva. Durante este período de transición, presenciaríamos inmensas campañas de anuncios animando a los usuarios a “transferir fondos de carteras antiguas a carteras nuevas y compatibles con PQC”.

Ejemplos de Proyectos Pioneros

Algunos proyectos de blockchain han sido proactivos ante esta amenaza cuántica y afirman poseer resistencia cuántica desde sus etapas de desarrollo tempranas.

QRL (Quantum Resistant Ledger): Una de las primeras blockchains que implementó nativamente PQC en la capa de protocolo base utilizando XMSS (Esquema Extendido de Firma de Merkle), un esquema PQC basado en hashes.
Algorand / Cellframe: Proyectos con una arquitectura modular para su capa criptográfica con vistas a facilitar las actualizaciones de PQC en el futuro, investigando activamente la integración de la criptografía basada en retículos.

7. Conclusión: El futuro de los criptoactivos y la protección de nuestros activos

La llegada de la “era post-cuántica” ya ha rebasado los dominios imaginarios de la ciencia ficción para transformarse en un desafío técnico concreto y una amenaza inminente frente a nuestros sistemas criptográficos del mundo real.

Las dos grandes espadas computacionales del mundo cuántico —el Algoritmo de Shor y el Algoritmo de Grover— amenazan los pilares de la criptografía de clave pública y las funciones hash de las blockchains modernas. En particular, la debilidad de ECDSA es letal, haciendo que la migración hacia Criptografía Post-Cuántica (PQC) sea el único camino ineludible para eludir el hurto masivo de fondos vía ataques front-running.

Sin embargo, ni el ámbito tecnológico ni la comunidad de blockchain observan esto sin accionar. La selección y normalización de algoritmos PQC, como la criptografía basada en retículos y las firmas fundamentadas en hashes, están evolucionando con certidumbre; además, ya comienzan a dibujarse las formas en que superaremos la gran barrera del “aumento colosal de volumen de datos”, haciendo uso de ZK-STARKs (Pruebas de Conocimiento Cero) y soluciones de escalado en Capa 2.

No existe necesidad de que los inversores o usuarios comunes de criptoactivos entren en pánico y liquiden todos sus fondos en estos momentos. Lo vital es cultivar un conocimiento elemental y una actitud preventiva basada en los siguientes puntos:

Evitar la reutilización de direcciones: No atesorar fondos por períodos prolongados en “direcciones usadas (que se hayan empleado alguna vez para realizar una transacción, por lo que su clave pública ha sido expuesta permanentemente en la cadena)”. Una regla esencial no solo para resguardar la privacidad, sino también por pura seguridad cuántica.
Atención a las tendencias tecnológicas: Permanecer sintonizados a discusiones vitales (por ej. los BIP de Bitcoin y EIP de Ethereum) respecto a la transición PQC o los posibles Hard Forks, a fin de ser capaces de migrar nuestras carteras correctamente cuando llegue el instante apropiado.

La historia del blockchain consiste, en gran medida, en una evolución constante propiciada por su resiliencia contra amenazas tecnológicas inéditas. Tal como se superaron las crisis de la escalabilidad o el impacto medioambiental (con el salto del PoW al PoS), es más que seguro que el ecosistema completo investigará y se ajustará a este inédito peligro cuántico. Nuestra expectación se deposita en visualizar un porvenir donde el nacimiento de la computación cuántica —el nuevo apogeo del ingenio humano— y el blockchain (la tecnología de la confianza descentralizada) logren amoldarse armoniosamente para constituir sistemas invulnerables de orden superior, lejos de sucumbir en un colapso.

Referencias y enlaces relacionados:

National Institute of Standards and Technology (NIST) - Post-Quantum Cryptography Standardization Project
Shor, P. W. (1994). Algorithms for quantum computation: discrete logarithms and factoring.
Grover, L. K. (1996). A fast quantum mechanical algorithm for database search.
Buterin, V. (2024). How to hard-fork to save most users’ funds in a quantum emergency.

Explicación sencilla sobre la diferencia entre el recocido cuántico y el modelo de puertas cuánticas

Fri, 11 Sep 2026 12:00:00 +0900

Explicación sencilla sobre la diferencia entre el recocido cuántico y el modelo de puertas cuánticas

La computación cuántica es una tecnología de cálculo de próxima generación que tiene el potencial de resolver exponencialmente más rápido problemas específicos que tomarían una enorme cantidad de tiempo en las computadoras clásicas modernas (incluidas las supercomputadoras convencionales), utilizando principios de la mecánica cuántica (superposición y entrelazamiento cuántico).

Actualmente, como enfoques para hacer realidad las computadoras cuánticas, existen principalmente dos paradigmas principales: el “Recocido cuántico” (Quantum Annealing) y el “Modelo de puertas cuánticas” (Quantum Gate Model). Estos dos métodos difieren enormemente en el enfoque físico subyacente, las tareas de cálculo en las que sobresalen y los desafíos de hardware en su implementación.

En este artículo, compararemos y explicaremos de manera exhaustiva estos dos métodos desde una perspectiva altamente técnica y detallada, abarcando principios físicos, modelos matemáticos (modelo de Ising, QUBO, transformaciones unitarias, etc.), limitaciones técnicas actuales y casos de uso específicos.

1. Fundamentos de la computación cuántica: la diferencia fundamental con las computadoras clásicas

Las computadoras clásicas procesan la información como “bits” (Bit) que adoptan un estado de “0” o “1”. Por otro lado, las computadoras cuánticas utilizan “cúbits” (Qubit). Los cúbits pueden tener probabilísticamente ambos estados, 0 y 1, al mismo tiempo, gracias al principio de “superposición” (Superposition) de la mecánica cuántica.

Además, al utilizar un fenómeno llamado “entrelazamiento cuántico” (Entanglement), los estados de múltiples cúbits se correlacionan fuertemente entre sí, de modo que una operación en un solo cúbit afecta instantáneamente a todo el sistema. Esto hace posible el procesamiento de tipo paralelo (paralelismo cuántico).

Sin embargo, los estados cuánticos son extremadamente vulnerables al ruido externo (calor, ondas electromagnéticas, etc.), y la “decoherencia” (Decoherence), por la cual el estado se destruye y vuelve a un estado clásico, es un gran desafío. Las diferencias en el enfoque de este problema de ruido conducen a grandes diferencias en la filosofía de diseño entre el recocido y el modelo de puertas.

2. Detalles del recocido cuántico (Quantum Annealing)

El recocido cuántico es una arquitectura de cálculo especializada principalmente en resolver “problemas de optimización combinatoria”. Se basa en la teoría propuesta en 1998 por Hidetoshi Nishimori y Tadashi Kadowaki del Instituto Tecnológico de Tokio, y se hizo ampliamente conocido después de que la empresa canadiense D-Wave Systems lo comercializara por primera vez en el mundo.

2.1. Mecanismo físico: modelo de Ising de campo transversal y fluctuación cuántica

El recocido cuántico utiliza para el cálculo la propiedad de los sistemas físicos en el mundo natural de intentar establecerse en el “estado de menor energía (estado fundamental)”.

En el enfoque clásico del “recocido simulado”, se utilizan fluctuaciones térmicas para escapar de soluciones óptimas locales (mínimos locales). Por otro lado, el recocido cuántico utiliza la “fluctuación cuántica” (Quantum Fluctuation) para atravesar barreras de energía mediante el “efecto túnel cuántico” (Quantum Tunneling), explorando de manera más eficiente la solución óptima global (mínimo global).

La evolución temporal de un sistema de recocido cuántico se describe mediante el siguiente Hamiltoniano $H(t)$ (el operador que representa la energía total del sistema).

$$ H(t) = A(t) H_0 + B(t) H_P $$

Aquí, $t$ es el tiempo, $A(t)$ es una función que disminuye gradualmente y $B(t)$ es una función que aumenta gradualmente.

$H_0$ (Hamiltoniano inicial): Representa el campo transversal (Transverse field) y genera la fluctuación cuántica. $$ H_0 = - \sum_{i} \sigma_i^x $$ ($\sigma_i^x$ es la matriz X de Pauli y representa la inversión de un bit).
$H_P$ (Hamiltoniano del problema): Es el modelo de Ising que representa el problema de optimización que se desea resolver.

En el estado inicial ($t=0$), $A(0)$ es máximo, y el sistema se encuentra en el estado fundamental de $H_0$ (un estado en el que todos los estados están superpuestos por igual). A partir de ahí, con el tiempo, se debilita lentamente el campo transversal y, al mismo tiempo, se fortalece la interacción del Hamiltoniano del problema.

2.2. Computación cuántica adiabática (Adiabatic Quantum Computation)

Lo importante en este proceso es el “teorema adiabático” (Adiabatic Theorem). Según el teorema adiabático, si un sistema cambia de manera “suficientemente lenta (adiabática)”, el sistema siempre permanecerá en el estado fundamental del Hamiltoniano en ese instante.

Es decir, cuando finalmente $A(t) \to 0$ y $B(t) \to 1$, el sistema ha alcanzado el estado fundamental de $H_P$, es decir, la “solución exacta del problema de optimización”.

graph TD A["Hamiltoniano H_0 (estado inicial)"] -->|"Cambio adiabático (suficientemente lento)"| B["Mantiene siempre el estado fundamental"] A -->|"Cambio no adiabático (muy rápido/ruido térmico)"| C["Transición a un estado excitado (error)"] B --> D["Hamiltoniano H_P (solución óptima global)"] C --> E["Atrapado en una solución óptima local"] D --> F["Lectura de la solución"] E --> F

2.3. Mapeo de QUBO al modelo de Ising

Para resolver problemas del mundo real con un recocedor cuántico, es necesario formular el problema en el formato QUBO (Optimización Binaria Cuadrática Sin Restricciones: Quadratic Unconstrained Binary Optimization).

La función objetivo de QUBO se define de la siguiente manera:

$$ \min_{x \in \{0,1\}^n} \sum_{i} Q_{ii} x_i + \sum_{i < j} Q_{ij} x_i x_j $$

Aquí, $x_i \in \{0, 1\}$ son variables binarias y $Q$ es una matriz de pesos.

Dado que el hardware (como D-Wave) maneja espines físicos (arriba/abajo), es necesario convertir las variables al modelo de Ising utilizando $\sigma_i \in \{-1, +1\}$. La ecuación de conversión es la siguiente:

$$ x_i = \frac{1 - \sigma_i}{2} \quad \text{o} \quad \sigma_i = 1 - 2x_i $$

Sustituyendo esto en la ecuación QUBO y simplificando, se obtiene el Hamiltoniano $H_P$ del modelo de Ising:

$$ H_P = - \sum_{i

$J_{ij}$: Interacción entre espines (coeficiente de acoplamiento). Fuerza de conexión entre cúbits físicos.

$h_i$: Campo magnético local (sesgo) para cada espín.

2.4. Hardware de recocido cuántico y desafíos (ejemplo de D-Wave)

Los procesadores cuánticos de D-Wave se realizan utilizando dispositivos superconductores de interferencia cuántica (SQUID). Las conexiones entre cúbits físicos dependen del cableado del hardware y no están totalmente conectadas (un estado en el que todos los bits están conectados entre sí). Aunque la conectividad ha mejorado evolucionando de la estructura inicial “Chimera graph” a “Pegasus” y “Zephyr graph”, todavía existen limitaciones.

Por lo tanto, se necesita un proceso llamado “Incrustación menor” (Minor Embedding), que mapea problemas con estructuras de grafos complejas en grafos físicos. Dado que esto representa una variable lógica utilizando múltiples cúbits físicos (una cadena), el número de cúbits efectivos utilizables disminuye y existe el problema de que la precisión del cálculo se reduce.

3. Detalles del modelo de puertas cuánticas (Quantum Gate Model)

El modelo de puertas cuánticas es una extensión en mecánica cuántica de las puertas lógicas de las computadoras clásicas (AND, OR, NOT, etc.) y es una arquitectura que permite la “computación cuántica universal” (Universal Quantum Computation). Muchas empresas, como IBM, Google, Rigetti e IonQ, han adoptado este modelo.

3.1. Transformación unitaria y vector de estado

En el modelo de puertas cuánticas, el estado completo del sistema de cúbits se representa como un “vector de estado” (State Vector) $|\psi\rangle$. El estado de 1 cúbit se expresa como una combinación lineal de los estados fundamentales $|0\rangle$ y $|1\rangle$ de la siguiente manera:

$$ |\psi\rangle = \alpha |0\rangle + \beta |1\rangle $$

Aquí, $\alpha$ y $\beta$ son amplitudes de probabilidad complejas y satisfacen $|\alpha|^2 + |\beta|^2 = 1$. Geométricamente, este estado se visualiza como un punto en la “esfera de Bloch” (Bloch Sphere).

Los pasos del cálculo cuántico se describen como la aplicación de un operador unitario (Unitary Operator) $U$ al vector de estado. Una matriz unitaria tiene la propiedad $U^\dagger U = I$ (el producto con su conjugado hermítico es la matriz identidad), y es una operación reversible correspondiente a la evolución temporal de la ecuación de Schrödinger en mecánica cuántica.

$$ |\psi_{t+1}\rangle = U_t |\psi_t\rangle $$

3.2. Puertas cuánticas básicas y modelo de circuitos

Un algoritmo de cálculo cuántico se diseña como una secuencia de puertas cuánticas (un circuito cuántico).

Puertas de Pauli (X, Y, Z): Rotación de 180 grados alrededor de cada eje en la esfera de Bloch. La puerta X equivale a la puerta NOT clásica.
Puerta de Hadamard (H): Transforma $|0\rangle$ en $\frac{|0\rangle + |1\rangle}{\sqrt{2}}$, creando un estado de superposición. $$ H = \frac{1}{\sqrt{2}} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} $$
Puerta CNOT (Controlled-NOT): Puerta de 2 cúbits. Aplica la puerta X al bit objetivo solo cuando el bit de control es $|1\rangle$. Esto genera entrelazamiento cuántico (Entanglement).

Cualquier algoritmo cuántico puede expresarse aproximadamente por una combinación de un pequeño número de puertas de 1 cúbit y puertas CNOT (conjunto de puertas universales).

graph LR Q0["Cúbit 0: |0>"] --> H1["Puerta de Hadamard (H)"] Q1["Cúbit 1: |0>"] --> I1["Operación identidad (I)"] H1 --> C1["Bit de control (Control)"] I1 --> T1["Bit objetivo (Target)"] C1 -. "Entrelazamiento" .- T1 C1 --> M0["Medición (Measurement)"] T1 --> M1["Medición (Measurement)"] M0 --> Result["Resultado clásico (0 o 1)"] M1 --> Result

3.3. Corrección de errores y el camino desde NISQ hasta FTQC

El mayor desafío del modelo de puertas cuánticas es la “decoherencia”, en la cual los estados cuánticos son destruidos por el ruido. A medida que aumenta la profundidad de los pasos de cálculo (profundidad de las puertas), los errores se acumulan.

Para realizar cálculos ideales, la corrección de errores cuánticos (Quantum Error Correction) es indispensable. Por ejemplo, en métodos como el “código de superficie” (Surface Code), múltiples cúbits físicos se agrupan para formar un único “cúbit lógico” (Logical Qubit) libre de errores. Sin embargo, para crear un solo cúbit lógico se requieren de miles a decenas de miles de cúbits físicos, lo que genera una enorme sobrecarga.

La etapa en la que nos encontramos actualmente es la era de los dispositivos NISQ (Noisy Intermediate-Scale Quantum) de decenas a cientos de cúbits sin corrección de errores. Se necesitan muchos avances para lograr la FTQC (Computación Cuántica Tolerante a Fallos: Fault-Tolerant Quantum Computing) equipada con una corrección de errores completa.

4. Resumen de la comparación técnica y matemática

Comparamos las diferencias fundamentales entre ambas arquitecturas.

Aspecto de comparación	Recocido cuántico (Quantum Annealing)	Modelo de puertas cuánticas (Gate Model)
Modelo de cálculo	Computación cuántica adiabática (evolución temporal continua del Hamiltoniano)	Transformación unitaria (secuencia discreta de operaciones de puertas)
Problemas adecuados	Problemas de optimización combinatoria (QUBO, modelo de Ising)	Universal (simulación de química cuántica, factorización de enteros, búsqueda, etc.)
Capacidad de representación	Optimización heurística (solución aproximada)	Equivalente a la máquina de Turing cuántica universal (en teoría, todos los cálculos son posibles)
Ejemplos de implementación	D-Wave Systems	IBM, Google, Quantinuum, IonQ, etc.
Tolerancia al ruido	Relativamente fuerte (permanece cerca del estado fundamental, tolera cierto ruido térmico)	Muy débil (el mínimo ruido desfasará y destruirá los resultados del cálculo)
Escalabilidad	Escala de miles a decenas de miles de cúbits (depende de la estructura física. Difícil de hacer bits lógicos)	Escala de cientos de cúbits (para FTQC se necesita una escala de millones)

El recocido cuántico, como “coprocesador de propósito específico”, es adecuado para resolver problemas de optimización complementando los límites de las computadoras clásicas. Por otro lado, el modelo de puertas cuánticas es la versión cuántica de una “computadora de propósito general” y, en última instancia, busca una capacidad de cálculo que supere a las computadoras clásicas (supremacía cuántica), pero la construcción del hardware es extremadamente difícil.

5. Limitaciones y desafíos actuales

Limitaciones del recocido cuántico

Restricciones de conectividad (Connectivity): Debido a la incrustación menor mencionada anteriormente, la cantidad de cúbits físicos necesarios aumenta exponencialmente a medida que crece el tamaño del problema.
Precisión de los coeficientes (Precision): Los errores físicos al configurar parámetros analógicos como $J_{ij}$ y $h_i$ en el hardware están directamente relacionados con la calidad de la solución.
Temperatura y transición no adiabática: Dado que la temperatura del sistema no es el cero absoluto, existe la probabilidad de desviarse de la solución óptima debido a la excitación térmica.

Limitaciones del modelo de puertas cuánticas

Tiempo de coherencia (Coherence Time): El tiempo que se puede mantener un estado cuántico es de solo unos pocos microsegundos a milisegundos, limitando estrictamente el número de puertas (profundidad del circuito) que se pueden ejecutar en ese tiempo.
Fidelidad de puerta (Gate Fidelity): La tasa de error en las operaciones de puertas de 2 cúbits (como CNOT) aún no es lo suficientemente baja (generalmente alrededor del 99.x%). Para hacer realidad la FTQC, esto debe elevarse al 99.99% o más.
Volumen cuántico (Quantum Volume): El mayor desafío actual es escalar no solo el número de cúbits, sino la capacidad de cálculo efectiva (volumen cuántico) teniendo en cuenta las interconexiones y la tasa de error.

6. Casos de uso específicos y algoritmos

Veamos áreas de aplicación específicas en las que cada método sobresale.

6.1. Casos de uso del recocido cuántico

Logística y enrutamiento: Optimización de rutas de entrega de muchos vehículos (variación del problema del viajante de comercio). Búsqueda de rutas en tiempo real considerando congestiones de tráfico.
Ingeniería financiera: Optimización de carteras. Búsqueda de combinaciones de valores que maximicen los rendimientos mientras minimizan los riesgos.
Aprendizaje automático: Selección de características (Feature Selection). Extracción de la combinación de variables que más contribuye a la predicción a partir de enormes conjuntos de datos.
Manufactura: Problemas de programación de trabajos en fábricas (qué máquina procesa qué piezas y en qué orden es el más rápido).

6.2. Casos de uso del modelo de puertas cuánticas

Simulación de química cuántica: Simulaciones de alta precisión de estados de energía moleculares y reacciones químicas.
Factorización de enteros (Algoritmo de Shor): Algoritmo que factoriza números compuestos enormes en tiempo polinomial. Si esto se vuelve práctico, las infraestructuras de criptografía de clave pública actuales como RSA se romperían, por lo que la transición a la criptografía poscuántica (PQC) es urgente.
Búsqueda en bases de datos (Algoritmo de Grover): Al buscar datos objetivo en una base de datos no ordenada, las computadoras clásicas requieren pasos $O(N)$, pero el algoritmo de Grover puede buscar en pasos $O(\sqrt{N})$.

6.3. Algoritmos híbridos en la era NISQ: VQE y QAOA

Para superar la limitación de los circuitos cuánticos poco profundos de los dispositivos NISQ, están ganando atención los “algoritmos cuánticos variacionales” (Variational Quantum Algorithms), que combinan las ventajas de las computadoras cuánticas y clásicas.

VQE (Solucionador propio cuántico variacional: Variational Quantum Eigensolver): Algoritmo para encontrar la energía del estado fundamental de las moléculas. Prepara estados cuánticos usando un circuito cuántico parametrizado (Ansatz) y mide el valor esperado de energía $\langle \psi(\theta) | H | \psi(\theta) \rangle$. Usando este valor esperado como función objetivo, actualiza el parámetro $\theta$ mediante un algoritmo de optimización clásico (como el descenso de gradiente). Repitiendo esto hasta que converja, encuentra el estado de energía preciso de la molécula.
QAOA (Algoritmo de optimización cuántica aproximada: Quantum Approximate Optimization Algorithm): Algoritmo que resuelve problemas de optimización combinatoria utilizando el modelo de puertas cuánticas. Aproxima la evolución temporal adiabática del recocido cuántico a operaciones de puertas discretas mediante “Trotterización” (Trotterization), y obtiene una solución aproximada aplicando el Hamiltoniano alternativamente. QAOA se considera un medio prometedor para resolver problemas de optimización con el modelo de puertas.

graph TD User["Problema del usuario"] --> Formulation{"Naturaleza del problema"} Formulation -- "Optimización combinatoria" --> QA_Path["Recocido cuántico / Máquina de Ising"] QA_Path --> QUBO["Formulación QUBO"] QUBO --> DWave["Ejecución en D-Wave"] Formulation -- "Cálculo químico / Cálculo de propósito general" --> Gate_Path["Modelo de puertas cuánticas"] Gate_Path --> Circuit["Diseño de circuito cuántico (VQE / QAOA)"] Circuit --> IBMGoogle["Ejecución en hardware cuántico de IBM / Google"]

7. Conclusión

Tanto el recocido cuántico como el modelo de puertas cuánticas son iguales en el sentido de que utilizan las misteriosas propiedades de la mecánica cuántica como recursos computacionales, pero sus enfoques y objetivos finales son muy diferentes.

El recocido cuántico es un “motor heurístico especializado” para producir resultados prácticos en una etapa temprana para problemas reales específicos llamados optimización combinatoria. Actualmente, varias empresas ya están avanzando en pruebas de concepto (PoC).
El modelo de puertas cuánticas es una “computadora cuántica de propósito general” con el potencial de alterar fundamentalmente los paradigmas de las ciencias de la computación, desde simulaciones rigurosas en física y química hasta descifrado de códigos. Sin embargo, requiere de investigación y desarrollo a largo plazo para superar el enorme obstáculo de la corrección de errores.

En el futuro, se espera que se construya un entorno de “computación heterogénea” (Heterogeneous Computing), donde las supercomputadoras clásicas (HPC) sean el núcleo, mientras que las máquinas de recocido se invoquen para tareas de optimización, y las computadoras cuánticas de tipo puerta para cálculos de química cuántica.

Las computadoras cuánticas aún son una tecnología en desarrollo, pero están experimentando rápidos avances tanto en hardware como en algoritmos. Comprender las matemáticas del modelo de Ising y los conceptos básicos de los circuitos cuánticos será una gran ventaja para la próxima era nativa cuántica.

Este artículo es una explicación exhaustiva desde los conceptos básicos de la computación cuántica hasta las últimas tendencias de hardware. Continúe prestando atención a las futuras tendencias de investigación.

El día en que los ordenadores cuánticos se hagan realidad: El estado actual en 2026

Fri, 11 Sep 2026 06:00:00 +0900

1. Introducción: En 2026, ¿hasta dónde han llegado los ordenadores cuánticos?

En la actualidad, en 2026, la computación cuántica ha experimentado un cambio decisivo de ser un antiguo “sueño teórico” a una “realidad de ingeniería”. A medida que los límites de los dispositivos NISQ (Noisy Intermediate-Scale Quantum), que eran la corriente principal hasta hace unos años, se han vuelto evidentes, las instituciones de investigación y los gigantes tecnológicos de todo el mundo han cambiado de rumbo hacia la realización de la “Computación Cuántica Tolerante a Fallos (FTQC: Fault-Tolerant Quantum Computing)”.

En este artículo, profundizaremos en el estado actual de los ordenadores cuánticos, intercalando los últimos avances de 2026. En particular, explicaremos en detalle la corrección de errores cuánticos (código de superficie), la diferencia entre cúbits físicos y lógicos, el progreso de la computación cuántica topológica y la vanguardia de los métodos superconductores y de trampa de iones.

2. Conceptos básicos del estado cuántico y la fidelidad

El cúbit (Qubit), que es la unidad básica de un ordenador cuántico, a diferencia de un bit clásico (0 o 1), puede tomar un estado de superposición (Superposition) de 0 y 1. El estado de un solo cúbit se representa como un vector en el espacio de Hilbert de la siguiente manera:

$$ |\psi\rangle = \alpha|0\rangle + \beta|1\rangle $$

Aquí, $\alpha$ y $\beta$ son amplitudes de probabilidad complejas y satisfacen la siguiente condición de normalización:

$$ |\alpha|^2 + |\beta|^2 = 1 $$

Una métrica extremadamente importante para medir el rendimiento de la computación cuántica es la fidelidad (Fidelity). La fidelidad $F$ entre el estado cuántico ideal $|\psi\rangle$ y la matriz de densidad real $\rho$ que se ha degradado a un estado mixto debido al ruido se define de la siguiente manera:

$$ F(\rho, |\psi\rangle) = \langle \psi | \rho | \psi \rangle $$

En la actualidad, en 2026, la fidelidad de las puertas de 2 cúbits (por ejemplo, las puertas CNOT o CZ) ha superado constantemente la barrera del 99,99% (los llamados “cuatro nueves”) utilizando el método superconductor. Esta es una cifra que supera con creces el umbral de corrección de errores mediante el código de superficie (aproximadamente el 99%), siendo uno de los mayores avances hacia su aplicación práctica.

3. Los límites de la era NISQ y el cambio de paradigma hacia FTQC

Desde finales de la década de 2010 hasta principios de la de 2020 fue la era de NISQ (Noisy Intermediate-Scale Quantum), dispositivos con decenas a cientos de cúbits que no tenían corrección de errores. Sin embargo, NISQ tenía límites claros.

A medida que aumenta la profundidad (Depth) del circuito, los errores se acumulan exponencialmente, lo que hace imposible obtener resultados de cálculo significativos. La probabilidad general de éxito $P_{success}$ a una profundidad de circuito $D$ decae en relación con la fidelidad $f$ de una sola puerta y el número de puertas $N$ de la siguiente manera:

$$ P_{success} \approx f^N $$

Si se aplican 1000 puertas con $f = 0.99$, resultará en $0.99^{1000} \approx 4.3 \times 10^{-5}$, y el resultado quedará casi sepultado en el ruido aleatorio. Por esta razón, en 2026, los recursos se concentran en la generación de cúbits lógicos (Logical Qubit) en lugar de escalar directamente los algoritmos NISQ (como VQE y QAOA).

4. Corrección de errores cuánticos y cúbits lógicos: La vanguardia del código de superficie

La corrección de errores cuánticos (QEC: Quantum Error Correction) es una tecnología que codifica múltiples “cúbits físicos” para crear un único “cúbit lógico” y detecta y corrige errores. Actualmente, el más prometedor es el código de superficie (Surface Code).

4.1 Estructura del código de superficie (Surface Code)

En el código de superficie, los cúbits se organizan en una cuadrícula bidimensional. Los cúbits de datos (que contienen la información real) y los cúbits de medida (para medir el síndrome) están dispuestos en un patrón de tablero de ajedrez.

graph TD A["Cúbit de datos (D1)"] --- B["Cúbit de medida (M1)"] B --- C["Cúbit de datos (D2)"] C --- D["Cúbit de medida (M2)"] D --- E["Cúbit de datos (D3)"] B --- F["Cúbit de datos (D4)"] D --- G["Cúbit de datos (D5)"] style A fill:#e1f5fe,stroke:#039be5 style C fill:#e1f5fe,stroke:#039be5 style E fill:#e1f5fe,stroke:#039be5 style F fill:#e1f5fe,stroke:#039be5 style G fill:#e1f5fe,stroke:#039be5 style B fill:#fff3e0,stroke:#fb8c00 style D fill:#fff3e0,stroke:#fb8c00

Utilizando los operadores estabilizadores $S_x$ y $S_z$, se monitorizan constantemente los cambios de bit (errores X) y los cambios de fase (errores Z).

$$ S_x = \prod_{i \in \text{star}} X_i, \quad S_z = \prod_{j \in \text{plaquette}} Z_j $$

Un avance significativo en 2026 es que se ha superado por completo el “punto de equilibrio (Break-even point)”. Es decir, el ruido eliminado por la corrección de errores es ahora mayor que el ruido causado por los circuitos adicionales para realizar la corrección de errores, y la vida útil del cúbit lógico supera a la del cúbit físico en varios órdenes de magnitud.

4.2 El ciclo de corrección de errores cuánticos

La corrección de errores funciona como un bucle de retroalimentación continuo.

sequenceDiagram participant D as "Cúbits de datos" participant M as "Cúbits de medida/ancila" participant C as "Controlador clásico" loop "Ciclo de extracción de síndrome (aprox. 1 microseg)" D->>M: "Entrelazar (CNOT/CZ)" M->>C: "Medir estado (Síndrome)" C->>C: "Decodificar síndrome (ej. Minimum Weight Perfect Matching)" C-->>D: "Aplicar corrección de Pauli (si es necesario)" end

Hoy en día, se ha establecido la tecnología para ejecutar este proceso de decodificación clásica (análisis del síndrome) en nanosegundos utilizando FPGAs y ASICs dedicados, y la corrección de errores en tiempo real ha entrado en la fase práctica.

5. Evolución de la arquitectura de hardware (Edición 2026)

El hardware cuántico en 2026 está evolucionando principalmente a lo largo de tres ejes: “método superconductor”, “método de trampa de iones” y “método topológico”.

5.1 Integración de cúbits superconductores

El método superconductor es un campo liderado por IBM y Google, donde predominan los cúbits transmon (Transmon) utilizando uniones Josephson. En 2026, se han hecho realidad megachips que integran entre miles y decenas de miles de cúbits físicos en un solo chip.

Lo que es especialmente destacable es el establecimiento de comunicaciones cuánticas entre módulos (Quantum Interconnects). La teleportación cuántica entre chips utilizando fotones de microondas se ha implementado a nivel comercial, permitiendo eludir las restricciones de tamaño de un solo refrigerador de dilución.

5.2 Escalado bidimensional e interconexiones ópticas de trampas de iones

El método de trampa de iones (liderado por empresas como Quantinuum e IonQ) utiliza los estados de energía internos de los iones suspendidos en el vacío como cúbits. En comparación con el método superconductor, tiene la ventaja de tiempos de coherencia T1/T2 extremadamente largos y permite conectividad de todos con todos (All-to-All Connectivity).

Los avances de 2026 son la bidimensionalización de la arquitectura QCCD (Quantum Charge Coupled Device) y la generación de entrelazamiento de alta velocidad entre múltiples trampas mediante interconexiones fotónicas. Como resultado, la “baja velocidad de las puertas” y la “escalabilidad”, que eran las debilidades de la trampa de iones, se han mejorado drásticamente.

5.3 Computación cuántica topológica: Control de anyones

La computación cuántica topológica, considerada durante mucho tiempo una existencia teórica, finalmente ha entrado en la fase de demostración experimental en 2026. Este método, promovido por empresas como Microsoft, utiliza anyones no abelianos (Non-Abelian Anyons) llamados “modos cero de Majorana (Majorana Zero Modes)”.

Las puertas cuánticas se ejecutan mediante una operación llamada “trenzado (Braiding)”, que intercambia las posiciones de las partículas de los anyones.

$$ |\psi_{final}\rangle = B_{ij} |\psi_{initial}\rangle $$

Donde $B_{ij}$ es el operador de trenzado. El método topológico es inherentemente resistente al ruido ambiental (tolerancia a errores a nivel de hardware) porque la preservación de la información no depende de los estados locales de las partículas, sino de la topología global de los “nudos”. En 2026, se confirmó la generación de un cúbit lógico topológico de alta fidelidad por primera vez en el mundo, atrayendo la atención como un poderoso atajo hacia FTQC.

6. Hoja de ruta y perspectivas para la aplicación práctica

Para que los ordenadores cuánticos demuestren verdaderamente la supremacía cuántica (Quantum Advantage) superando a los ordenadores clásicos (superordenadores) en “cálculos químicos”, “ciencia de materiales”, “modelado financiero”, etc., se necesitan miles de cúbits lógicos.

gantt title "Hoja de ruta de la computación cuántica (Revisada en 2026)" dateFormat YYYY axisFormat %Y section "Era NISQ" "Cúbits ruidosos (<1000)" :done, 2018, 2024 section "FTQC temprano" "Demostración del punto de equilibrio" :done, 2024, 2026 "Cientos de cúbits lógicos" :active, 2026, 2028 section "FTQC a gran escala" "1000+ Cúbits lógicos (Aplicaciones comerciales)" : 2028, 2030 "Ordenador cuántico tolerante a fallos universal" : 2030, 2035

6.1 Retos actuales y el futuro

El mayor reto en 2026 es la capacidad de enfriamiento del enorme criostato (refrigerador de dilución) para mantener temperaturas ultrabajas, y el cableado (cuello de botella de E/S) que conecta el equipo de control a temperatura ambiente con el chip cuántico a temperatura ultrabaja. En respuesta a esto, el desarrollo de chips controladores CMOS (Cryo-CMOS) que funcionan en un entorno de temperatura ultrabaja avanza a un ritmo rápido.

Conclusión

2026 será registrado en la historia de la computación cuántica como “el año inaugural del escalado de los cúbits lógicos”. Con la demostración de algoritmos de corrección de errores, la modularización del hardware y el rápido avance de los enfoques topológicos, “el día en que se vuelvan prácticos” ya no es un futuro lejano, sino que puede ser visto como un hito concreto dentro de los próximos años. Para los desarrolladores de algoritmos cuánticos y las empresas, ahora es el momento de invertir seriamente en la resolución de problemas nativos cuánticos.

Este artículo se basa en los últimos trabajos de investigación en computación cuántica y tendencias de la industria en 2026.