Por qué la IA podría comerle la tostada a la computación cuántica
La IA está revolucionando las simulaciones físicas y químicas, ofreciendo soluciones más rápidas y económicas mientras la computación cuántica aún enfrenta desafíos técnicos para su escalabilidad. Artículo publicado en technologyreview.es y recomendado por Digital Skills Institute el 31 de marzo de 2025.
En los últimos años, la investigación en inteligencia artificial (IA) ha demostrado un potencial significativo en campos previamente dominados por las expectativas puestas sobre la computación cuántica, especialmente en las simulaciones físicas y químicas. Mientras que se espera que la computación cuántica revolucione áreas como la química y la ciencia de materiales debido a su capacidad teórica de realizar cálculos complejos más rápidamente, los avances recientes en IA sugieren que esta tecnología podría resolver gran parte de estos problemas antes de que los ordenadores cuánticos operativos a gran escala se conviertan en una realidad.
Un ejemplo notable de este avance es el trabajo realizado por Meta, que ha desarrollado un modelo de IA entrenado con un vasto conjunto de datos de materiales. Este modelo ha alcanzado la cima en una clasificación de enfoques de aprendizaje automático para el descubrimiento de materiales, lo que destaca la eficiencia de la IA en terrenos tradicionalmente asociados a la computación cuántica. Estos modelos se basan en redes neuronales, que han emergido como la principal técnica para modelar materiales con fuertes propiedades cuánticas.
El potencial teórico de los computadores cuánticos radica en su habilidad para realizar ciertos cálculos de forma exponencialmente más rápida que las computadoras convencionales. Sin embargo, el obstáculo técnico para desarrollar ordenadores cuánticos capaces de operar a gran escala sigue siendo significativo, requiriendo el desarrollo de procesadores con miles o incluso millones de qubits. Esta necesidad ha llevado a preguntarse si la inversión en tecnología cuántica está realmente justificada, especialmente cuando la IA sigue avanzando a pasos agigantados.
La IA ofrece soluciones más inmediatas y económicas, en parte por su capacidad para interpretar grandes volúmenes de datos a través de modelos entrenados con técnicas como la teoría del funcional de la densidad (DFT). Este enfoque permite a los investigadores modelizar sistemas débilmente correlacionados. Además, ha habido una explosión de investigaciones que utilizan la DFT para generar datos sobre sustancias químicas, biomoléculas y materiales. Estos datos ayudan a entrenar redes neuronales, que pueden predecir propiedades de estructuras químicas a una fracción del costo de los cálculos DFT convencionales.
Este fenómeno ha aumentado considerablemente el tamaño de los sistemas que pueden ser modelados, así como la duración de las simulaciones factibles. Antes, problemas como la optimización de reacciones químicas o el desarrollo de materiales para baterías eran costosos o insuperables; ahora, con la IA, muchos de estos desafíos se han vuelto abordables. Tanto empresas de la industria química como del sector de ciencias de la vida han adoptado estas técnicas, beneficiándose de su eficacia para anticipar resultados que antes requerían inmensos recursos.
El reto principal de estas aplicaciones de IA reside en la calidad y cantidad de los datos disponibles. Por ejemplo, el modelo reciente creado por Meta utilizó cálculos DFT de 118 millones de moléculas. Aunque este modelo alcanzó un rendimiento destacado, la generación de tal cantidad de datos supuso un esfuerzo significativo. Este cuello de botella en el acceso a datos refuerza la necesidad de un enfoque continuo en la investigación y desarrollo de métodos para recopilar, generar y manejar grandes volúmenes de datos científicos.
Este desarrollo en IA plantea importantes preguntas sobre el futuro de la computación cuántica, especialmente en términos de su aplicación práctica en la industria. Mientras que la promesa de los ordenadores cuánticos sigue siendo atractiva, la aplicabilidad inmediata y menos costosa de las técnicas de IA invita a una revalorización de las expectativas y estrategias de inversión en estas tecnologías. Así, la IA podría estar reconfigurando el terreno de las simulaciones físicas y químicas, ofreciendo avances que antes se pensaban alcanzables solo a través de la computación cuántica.
