Computación cuántica

Así como el bit es el concepto básico de la teoría clásica de la información, el cúbit es la unidad fundamental de la información cuántica . El mismo término cúbit se utiliza para referirse a un modelo matemático abstracto y a cualquier sistema físico representado por ese modelo. Un bit clásico, por definición, existe en cualquiera de dos estados físicos, que se pueden denotar como 0 y 1. Un cúbit también se describe mediante un estado y dos estados, a menudo escritos${\displaystyle |0\rangle }$y${\displaystyle |1\rangle }$, sirven como contrapartes cuánticas de los estados clásicos 0 y 1. Sin embargo, los estados cuánticos${\displaystyle |0\rangle }$y${\displaystyle |1\rangle }$pertenecen a un espacio vectorial , lo que significa que pueden multiplicarse por constantes y sumarse, y el resultado es nuevamente un estado cuántico válido. Dicha combinación se conoce como una superposición de${\displaystyle |0\rangle }$y${\displaystyle |1\rangle }$. ^{[ 37 ] [ 38 ]}

Un vector bidimensional representa matemáticamente un estado de cúbit. Los físicos suelen usar la notación bra-ket para el álgebra lineal cuántica , escribiendo${\displaystyle |\psi \rangle }$' ket psi ' para un vector etiquetado${\displaystyle \psi }$. Debido a que un cúbit es un sistema de dos estados, cualquier estado del cúbit toma la forma${\displaystyle \alpha |0\rangle +\beta |1\rangle }$, dónde${\displaystyle |0\rangle }$y${\displaystyle |1\rangle }$son los estados base estándar , ^{[ a ]} ​​y${\displaystyle \alpha }$y${\displaystyle \beta }$son las amplitudes de probabilidad , que en general son números complejos . ^{[ 38 ]} Si alguna de ellas${\displaystyle \alpha }$o${\displaystyle \beta }$Si es cero, el cúbit es efectivamente un bit clásico; cuando ambos son distintos de cero, el cúbit está en superposición. Dicho vector de estado cuántico se comporta de manera similar a un vector de probabilidad (clásico) , con una diferencia clave: a diferencia de las probabilidades, las amplitudes de probabilidad no son necesariamente números positivos. ^{[ 40 ]} Las amplitudes negativas permiten la interferencia destructiva de ondas.

Cuando se mide un cúbit en la base estándar , el resultado es un bit clásico. La regla de Born describe la correspondencia de norma al cuadrado entre amplitudes y probabilidades , cuando se mide un cúbit.${\displaystyle \alpha |0\rangle +\beta |1\rangle }$, el estado colapsa a${\displaystyle |0\rangle }$con probabilidad${\displaystyle |\alpha |^{2}}$o para${\displaystyle |1\rangle }$con probabilidad${\displaystyle |\beta |^{2}}$. Cualquier estado de cúbit válido tiene coeficientes${\displaystyle \alpha }$y${\displaystyle \beta }$de tal manera que${\displaystyle |\alpha |^{2}+|\beta |^{2}=1}$. Como ejemplo, medir el cúbit${\displaystyle 1/{\sqrt {2}}|0\rangle +1/{\sqrt {2}}|1\rangle }$produciría cualquiera de los dos${\displaystyle |0\rangle }$o${\displaystyle |1\rangle }$con igual probabilidad.

Dos estados de superposición particularmente importantes son el estado positivo.${\displaystyle |+\rangle =1/{\sqrt {2}}|0\rangle +1/{\sqrt {2}}|1\rangle }$y el estado negativo${\displaystyle |-\rangle =1/{\sqrt {2}}|0\rangle -1/{\sqrt {2}}|1\rangle }$. Si bien ambos producen resultados 0 y 1 con igual probabilidad en la medición de base estándar, se comportan de manera diferente bajo operaciones como la puerta Hadamard , que mapea${\displaystyle |0\rangle \leftrightarrow |+\rangle }$y${\displaystyle |1\rangle \leftrightarrow |-\rangle }$—demostrando que las diferencias de fase relativas contienen información cuántica significativa.

Cada qubit adicional duplica la dimensión del espacio de estados . ^{[ 39 ]} Como ejemplo, el vector ⁠ 1 / √2 ⁠ | 00 ⟩ + ⁠ 1 / √2 ⁠ | 01 ⟩ representa un estado de dos qubits, un producto tensorial del qubit | 0 ⟩ con el qubit ⁠ 1 / √2 ⁠ | 0 ⟩ + ⁠ 1 / √2 ⁠ | 1 ⟩ . Este vector habita un espacio vectorial de cuatro dimensiones generado por los vectores base | 00 ⟩ , | 01 ⟩ , | 10 ⟩ , y | 11 ⟩ .

En general, el espacio vectorial para un sistema de n qubits es 2 ^n- dimensional, lo que dificulta que una computadora clásica simule uno cuántico: representar un sistema de 100 qubits requiere almacenar 2 ¹⁰⁰ valores clásicos.

El estado de esta memoria cuántica de un cúbit se puede manipular aplicando puertas lógicas cuánticas , de forma análoga a como se puede manipular la memoria clásica con puertas lógicas clásicas . Una puerta importante tanto para la computación clásica como para la cuántica es la puerta NOT, que se puede representar mediante una matriz.$${\displaystyle X:={\begin{pmatrix}0&1\\1&0\end{pmatrix}}.}$$ Matemáticamente, la aplicación de dicha puerta lógica a un vector de estado cuántico se modela mediante la multiplicación de matrices . Por lo tanto,

${\displaystyle X|0\rangle =|1\rangle }$y${\displaystyle X|1\rangle =|0\rangle }$.

Las matemáticas de las compuertas de un solo cúbit se pueden extender para operar en memorias cuánticas de múltiples cúbits de dos maneras importantes. Una forma es simplemente seleccionar un cúbit y aplicar esa compuerta al cúbit objetivo, dejando el resto de la memoria inalterado. Otra forma es aplicar la compuerta a su objetivo solo si otra parte de la memoria se encuentra en un estado deseado. Estas dos opciones se pueden ilustrar con otro ejemplo. Los posibles estados de una memoria cuántica de dos cúbits son: $${\displaystyle |00\rangle$$ :={\begin{pmatrix}1\\0\\0\\0\end{pmatrix}};\quad |01\rangle  :={\begin{pmatrix}0\\1\\0\\0\end{pmatrix}};\quad |10\rangle  :={\begin{pmatrix}0\\0\\1\\0\end{pmatrix}};\quad |11\rangle  :={\begin{pmatrix}0\\0\\0\\1\end{pmatrix}}.} La puerta NOT controlada (CNOT) se puede representar entonces utilizando la siguiente matriz: $${\displaystyle \operatorname {CNOT}$$ :={\begin{pmatrix}1&0&0&0\\0&1&0&0\\0&0&0&1\\0&0&1&0\end{pmatrix}}.} Como consecuencia matemática de esta definición,${\textstyle \operatorname {CNOT} |00\rangle =|00\rangle }$,${\textstyle \operatorname {CNOT} |01\rangle =|01\rangle }$,${\textstyle \operatorname {CNOT} |10\rangle =|11\rangle }$, y${\textstyle \operatorname {CNOT} |11\rangle =|10\rangle }$. En otras palabras, el CNOT aplica una puerta NOT (${\textstyle X}$desde antes) al segundo cúbit si y solo si el primer cúbit está en el estado${\textstyle |1\rangle }$. Si el primer cúbit es${\textstyle |0\rangle }$No se realiza ninguna acción sobre ninguno de los cúbits.

En resumen, la computación cuántica puede describirse como una red de compuertas lógicas cuánticas y mediciones. Sin embargo, cualquier medición puede posponerse hasta el final de la computación cuántica, aunque este aplazamiento puede tener un coste computacional; por lo tanto, la mayoría de los circuitos cuánticos representan una red que consta únicamente de compuertas lógicas cuánticas y no de mediciones.

El paralelismo cuántico es la heurística que permite concebir las computadoras cuánticas como capaces de evaluar una función para múltiples valores de entrada simultáneamente. Esto se logra preparando un sistema cuántico en una superposición de estados de entrada y aplicando una transformación unitaria que codifica la función a evaluar. El estado resultante codifica los valores de salida de la función para todos los valores de entrada en la superposición, lo que permite el cálculo simultáneo de múltiples salidas. Esta propiedad es clave para la aceleración de muchos algoritmos cuánticos. Sin embargo, el "paralelismo" en este sentido es insuficiente para acelerar un cálculo, ya que la medición al final del mismo proporciona un único valor. Para ser útil, un algoritmo cuántico debe incorporar también algún otro componente conceptual. ^{[ 41 ] [ 42 ]}

Existen múltiples modelos de computación para la computación cuántica, que se distinguen por los elementos básicos en los que se descompone el cálculo.

matriz de puertas

Una matriz de puertas cuánticas descompone la computación en una secuencia de puertas cuánticas de pocos cúbits . Una computación cuántica puede describirse como una red de puertas lógicas cuánticas y mediciones. Sin embargo, cualquier medición puede posponerse hasta el final de la computación cuántica, aunque este aplazamiento puede tener un coste computacional; por lo tanto, la mayoría de los circuitos cuánticos representan una red que consta únicamente de puertas lógicas cuánticas y no de mediciones.

Cualquier computación cuántica (que, en el formalismo anterior, es cualquier matriz unitaria de tamaño${\displaystyle 2^{n}\times 2^{n}}$encima${\displaystyle n}$Los cúbits se pueden representar como una red de compuertas lógicas cuánticas de una familia de compuertas relativamente pequeña. Una familia de compuertas que permite esta construcción se conoce como conjunto de compuertas universal , ya que una computadora capaz de ejecutar dichos circuitos es una computadora cuántica universal . Un conjunto común de este tipo incluye todas las compuertas de un solo cúbit, así como la compuerta CNOT mencionada anteriormente. Esto significa que cualquier computación cuántica se puede realizar ejecutando una secuencia de compuertas de un solo cúbit junto con compuertas CNOT. Aunque este conjunto de compuertas es infinito, se puede reemplazar por un conjunto finito recurriendo al teorema de Solovay-Kitaev . Aquí se presenta la implementación de funciones booleanas utilizando las compuertas cuánticas de pocos cúbits. ^{[ 43 ]}

La teletransportación cuántica es un protocolo mediante el cual Alice puede transmitir el estado cuántico de un cúbit a Bob utilizando un par entrelazado compartido (e-bit) y dos bits clásicos de comunicación. El estado del cúbit de Alice no se transmite físicamente; en cambio, se reconstruye en el extremo de Bob a través de resultados de mediciones comunicadas clásicamente y correcciones unitarias locales. Esto demuestra que la comunicación cuántica requiere tanto entrelazamiento como comunicación clásica; ninguna de las dos por sí sola es suficiente. La teletransportación no puede utilizarse para transmitir información más rápido que la luz, ya que los bits clásicos deben viajar a través de canales normales.

La codificación superdensa es el protocolo complementario: utilizando un e-bit compartido y enviando solo un cúbit, Alice puede transmitir dos bits clásicos a Bob. Esto parece contradecir el teorema de Holevo —que establece que un solo cúbit puede transportar como máximo un bit de información clásica—, pero el entrelazamiento compartido sortea este límite. De este modo, la codificación superdensa demuestra que el entrelazamiento puede duplicar eficazmente la capacidad de transmisión de información clásica de la comunicación cuántica.

Dado que la química y la nanotecnología dependen de la comprensión de los sistemas cuánticos, y estos sistemas son imposibles de simular de manera eficiente clásicamente, la simulación cuántica puede ser una aplicación importante de la computación cuántica. ^{[ 65 ]} La química computacional cuántica es un área de aplicación prometedora para la computación cuántica, particularmente para problemas en estructura electrónica, dinámica química y espectroscopia; las implementaciones útiles siguen estando limitadas por el hardware actual. ^{[ 66 ]} La simulación cuántica también podría usarse para simular el comportamiento de átomos y partículas en condiciones inusuales, como las reacciones dentro de un colisionador . ^{[ 67 ]} En junio de 2023, científicos informáticos de IBM informaron que una computadora cuántica produjo mejores resultados para un problema de física que una supercomputadora convencional. ^{[ 68 ] [ 69 ]}

Aproximadamente el 2 % de la producción energética mundial anual se utiliza para la fijación de nitrógeno con el fin de producir amoníaco para el proceso Haber en la industria de fertilizantes agrícolas (aunque los organismos que se encuentran de forma natural también producen amoníaco). Las simulaciones cuánticas podrían utilizarse para comprender este proceso y aumentar la eficiencia energética de la producción. ^{[ 70 ]} Se espera que una de las primeras aplicaciones de la computación cuántica sea la modelización que mejore la eficiencia del proceso Haber-Bosch ^{[ 71 ]} para mediados de la década de 2020 ^{[ 72 ]} aunque algunos han pronosticado que llevará más tiempo. ^{[ 73 ]}

Una aplicación notable de la computación cuántica es el ataque a los sistemas criptográficos actualmente en uso. Se cree que la factorización de enteros , que sustenta la seguridad de los sistemas criptográficos de clave pública , es computacionalmente inviable en una computadora clásica para enteros grandes si son el producto de unos pocos números primos (por ejemplo, el producto de dos primos de 300 dígitos). ^{[ 74 ]} Por el contrario, una computadora cuántica podría resolver este problema exponencialmente más rápido utilizando el algoritmo de Shor para factorizar el entero. ^{[ 75 ]} Esta capacidad permitiría a una computadora cuántica romper muchos de los sistemas criptográficos en uso hoy en día, en el sentido de que habría un algoritmo de tiempo polinomial (en el número de dígitos del entero) para resolver el problema. En particular, la mayoría de los cifrados de clave pública populares se basan en la dificultad de factorizar enteros o en el problema del logaritmo discreto , ambos resueltos por el algoritmo de Shor. En concreto, podrían vulnerarse los algoritmos RSA , Diffie-Hellman y Diffie-Hellman de curva elíptica . Estos se utilizan para proteger páginas web seguras, correos electrónicos cifrados y muchos otros tipos de datos. Su vulneración tendría importantes repercusiones en la privacidad y la seguridad electrónicas.

Identificar sistemas criptográficos que puedan ser seguros contra algoritmos cuánticos es un tema de investigación activa dentro del campo de la criptografía postcuántica . ^{[ 76 ] [ 77 ]} Algunos algoritmos de clave pública se basan en problemas distintos de la factorización de enteros y los problemas de logaritmo discreto a los que se aplica el algoritmo de Shor, como el criptosistema de McEliece , que se basa en un problema difícil en la teoría de la codificación . ^{[ 76 ] [ 78 ]} Tampoco se sabe que los criptosistemas basados ​​en retículos sean rotos por computadoras cuánticas, y encontrar un algoritmo de tiempo polinomial para resolver el problema del subgrupo oculto diedral , que rompería muchos criptosistemas basados ​​en retículos, es un problema abierto bien estudiado. ^{[ 79 ]} Se ha demostrado que aplicar el algoritmo de Grover para romper un algoritmo simétrico (de clave secreta) por fuerza bruta requiere un tiempo igual a aproximadamente 2 ^{n /2} invocaciones del algoritmo criptográfico subyacente, en comparación con aproximadamente 2 ⁿ en el caso clásico, ^{[ 80 ]} lo que significa que las longitudes de las claves simétricas se reducen efectivamente a la mitad: AES-256 tendría una seguridad comparable contra un ataque que utilice el algoritmo de Grover a la que tiene AES-128 contra la búsqueda clásica por fuerza bruta (véase Tamaño de la clave ).

El ejemplo más conocido de un problema que permite una aceleración cuántica polinomial es la búsqueda no estructurada , que implica encontrar un elemento marcado en una lista de${\displaystyle n}$elementos en una base de datos. Esto se puede resolver mediante el algoritmo de Grover utilizando${\displaystyle O({\sqrt {n}})}$consultas a la base de datos, cuadráticamente menos que la${\displaystyle \Omega (n)}$consultas requeridas para algoritmos clásicos. En este caso, la ventaja no solo es demostrable, sino también óptima: se ha demostrado que el algoritmo de Grover proporciona la máxima probabilidad posible de encontrar el elemento deseado para cualquier número de búsquedas en el oráculo. Muchos ejemplos de aceleraciones cuánticas demostrables para problemas de consulta se basan en el algoritmo de Grover, incluyendo el algoritmo de Brassard, Høyer y Tapp para encontrar colisiones en funciones de dos a uno, ^{[ 81 ]} y el algoritmo de Farhi, Goldstone y Gutmann para evaluar árboles NAND. ^{[ 82 ]}

Los problemas que pueden abordarse eficientemente con el algoritmo de Grover tienen las siguientes propiedades: ^{[ 83 ] [ 84 ]}

1. No existe una estructura de búsqueda en la colección de posibles respuestas,
2. El número de posibles respuestas a comprobar es el mismo que el número de entradas al algoritmo, y
3. Existe una función booleana que evalúa cada entrada y determina si es la respuesta correcta.

Para problemas con todas estas propiedades, el tiempo de ejecución del algoritmo de Grover en una computadora cuántica se escala como la raíz cuadrada del número de entradas (o elementos en la base de datos), a diferencia del escalado lineal de los algoritmos clásicos. Una clase general de problemas a los que se puede aplicar el algoritmo de Grover ^{[ 85 ]} es un problema de satisfacibilidad booleana , donde la base de datos a través de la cual itera el algoritmo es la de todas las respuestas posibles. Un ejemplo y posible aplicación de esto es un programa para descifrar contraseñas que intenta adivinar una contraseña. Romper cifrados simétricos con este algoritmo es de interés para las agencias gubernamentales. ^{[ 86 ]}

El recocido cuántico utiliza el teorema adiabático para realizar cálculos. Un sistema se sitúa en el estado fundamental de un hamiltoniano simple, que evoluciona lentamente hacia un hamiltoniano más complejo cuyo estado fundamental representa la solución al problema en cuestión. El teorema adiabático establece que, si la evolución es suficientemente lenta, el sistema permanecerá en su estado fundamental durante todo el proceso. El recocido cuántico puede resolver modelos de Ising y el problema QUBO (computacionalmente equivalente) , que a su vez puede utilizarse para codificar una amplia gama de problemas de optimización combinatoria . ^{[ 87 ]}La optimización adiabática puede ser útil para resolver problemas de biología computacional . ^{[ 88 ]}

Dado que las computadoras cuánticas pueden producir resultados que las computadoras clásicas no pueden producir de manera eficiente, y dado que la computación cuántica es fundamentalmente algebraica lineal, algunos expresan esperanza en el desarrollo de algoritmos cuánticos que puedan acelerar las tareas de aprendizaje automático . ^{[ 51 ] [ 89 ]} Sin embargo, la literatura de revisión señala que muchas de las ventajas propuestas para el aprendizaje automático cuántico se basan en suposiciones sobre la codificación eficiente de datos o el acceso continuo al hardware cuántico, y aún no se han traducido en una amplia ventaja práctica de extremo a extremo en los dispositivos actuales. ^{[ 90 ] [ 91 ]} Por ejemplo, se cree que el algoritmo HHL , que lleva el nombre de sus descubridores Harrow, Hassidim y Lloyd, proporciona una aceleración con respecto a sus contrapartes clásicas. ^{[ 51 ] [ 92 ]} Algunos grupos de investigación han explorado recientemente el uso de hardware de recocido cuántico para entrenar máquinas de Boltzmann y redes neuronales profundas . ^{[ 93 ] [ 94 ] [ 95 ]}

Se han explorado modelos de química generativa profunda para posibles aplicaciones en el descubrimiento de fármacos . Los primeros trabajos experimentales han explorado el uso de hardware cuántico de corto plazo en el modelado generativo molecular para el descubrimiento de fármacos. En 2023, investigadores de Gero informaron sobre un modelo generativo híbrido cuántico-clásico basado en una máquina de Boltzmann restringida, implementado en un dispositivo de recocido cuántico disponible comercialmente, para generar nuevas moléculas pequeñas similares a fármacos con propiedades fisicoquímicas comparables a compuestos medicinales conocidos. ^{[ 96 ] [ 97 ]} Sin embargo, el inmenso tamaño y la complejidad del espacio estructural de todas las posibles moléculas similares a fármacos plantean obstáculos significativos, que podrían superarse en el futuro mediante computadoras cuánticas. Las computadoras cuánticas son naturalmente buenas para resolver problemas cuánticos complejos de muchos cuerpos ^{[ 23 ]} y, por lo tanto, pueden ser fundamentales en aplicaciones que involucran química cuántica. Por lo tanto, se puede esperar que los modelos generativos mejorados cuánticamente ^{[ 98 ]} incluyendo las GAN cuánticas ^{[ 99 ]} puedan eventualmente desarrollarse en algoritmos de química generativa definitivos.

La inteligencia artificial también se ha explorado como una herramienta para descubrir y optimizar algoritmos relevantes para la computación cuántica. AlphaEvolve , un sistema de Google DeepMind basado en grandes modelos de lenguaje y algoritmos evolutivos , se ha descrito como un agente de codificación para el descubrimiento científico y algorítmico. ^{[ 100 ]} En la investigación de computación cuántica, los circuitos cuánticos optimizados por AlphaEvolve se han utilizado en trabajos sobre computación cuántica de geometría molecular a través de ecos de espín nuclear de muchos cuerpos . ^{[ 101 ]}

Existen varios desafíos técnicos en la construcción de una computadora cuántica a gran escala. ^{[ 104 ]} El físico David DiVincenzo ha enumerado estos requisitos para una computadora cuántica práctica: ^{[ 105 ]}

• Escalable físicamente para aumentar el número de cúbits.
• Qubits que pueden inicializarse con valores arbitrarios.
• Puertas cuánticas más rápidas que el tiempo de decoherencia
• Juego de puertas universales
• Qubits que se pueden leer fácilmente.

El control de sistemas multicúbit requiere la generación y coordinación de un gran número de señales eléctricas con una resolución temporal precisa y determinista. Esto ha impulsado el desarrollo de controladores cuánticos que permiten la interfaz con los cúbits. Escalar estos sistemas para soportar un número creciente de cúbits supone un desafío adicional. ^{[ 106 ]}

El potencial teórico de las computadoras cuánticas a gran escala para eventualmente romper los esquemas de cifrado de clave pública ampliamente utilizados ha impulsado cambios significativos y motivados en las estrategias globales de ciberseguridad. En respuesta a este desafío futuro, organizaciones como el Instituto Nacional de Estándares y Tecnología (NIST) han iniciado procesos detallados de estandarización para la criptografía postcuántica. Estos esfuerzos globales están diseñados para desarrollar, evaluar e implementar algoritmos criptográficos que sean seguros frente a ataques de computadoras cuánticas y clásicas, mucho antes de que estén disponibles sistemas cuánticos totalmente tolerantes a fallos. ^{[ 107 ]}

Una solución al problema de la escalabilidad consiste en distribuir un cálculo entre varios módulos de procesamiento cuántico más pequeños, en lugar de aumentar el número de cúbits en un único dispositivo. En estas arquitecturas modulares —también conocidas como computación cuántica distribuida (DQC)— cada módulo contiene un número limitado de cúbits, y los módulos se interconectan mediante canales cuánticos (por ejemplo, fibras ópticas) y enlaces de comunicación clásicos, formando un único sistema de computación lógica. ^{[ 123 ]}

En una estrategia, la lógica cuántica entre cúbits en diferentes módulos se aplica mediante teletransportación de compuertas cuánticas , utilizando entrelazamiento remoto entre los módulos, pero operaciones y mediciones locales dentro de cada módulo, y comunicación clásica de los resultados de las mediciones. ^{[ 124 ]} Se han demostrado algoritmos cuánticos distribuidos a través de un enlace de red fotónica entre módulos de iones atrapados, así como compuertas de dos cúbits teletransportadas entre registros de cúbits de estado sólido remotos basados ​​en centros de vacantes de nitrógeno en diamante. ^{[ 123 ] [ 125 ]}

La generación de entrelazamiento remoto de alta tasa y alta fidelidad a través de la red sigue siendo el principal desafío en los protocolos distribuidos. Si bien aún existen muchos desafíos adicionales, el enfoque de sistemas distribuidos también puede conducir a capacidades únicas de computación cuántica. Por ejemplo, la detección cuántica podría ser una parte integral de una computadora cuántica distribuida. ^{[ 126 ]}

El físico John Preskill acuñó el término supremacía cuántica para describir la hazaña de ingeniería que supone demostrar que un dispositivo cuántico programable puede resolver un problema que supera las capacidades de las computadoras clásicas de última generación. ^{[ 127 ] [ 51 ] [ 128 ]} El problema no tiene por qué ser útil, por lo que algunos consideran la prueba de supremacía cuántica únicamente como un posible punto de referencia futuro. ^{[ 129 ]}

En octubre de 2019, Google AI Quantum, con la ayuda de la NASA, se convirtió en el primero en afirmar haber alcanzado la supremacía cuántica al realizar cálculos en la computadora cuántica Sycamore más de 3.000.000 de veces más rápido que en Summit , generalmente considerada la computadora más rápida del mundo. ^{[ 29 ] [ 130 ] [ 131 ]} Esta afirmación ha sido posteriormente cuestionada: IBM ha declarado que Summit puede realizar muestras mucho más rápido de lo afirmado, ^{[ 132 ] [ 133 ]} y desde entonces los investigadores han desarrollado mejores algoritmos para el problema de muestreo utilizado para afirmar la supremacía cuántica, lo que ha dado reducciones sustanciales a la brecha entre Sycamore y las supercomputadoras clásicas ^{[ 134 ] [ 135 ] [ 136 ]} e incluso la ha superado. ^{[ 137 ] [ 138 ] [ 139 ]}

En diciembre de 2020, un grupo de la USTC implementó un tipo de muestreo de bosones en 76 fotones con una computadora cuántica fotónica , Jiuzhang , para demostrar la supremacía cuántica. ^{[ 140 ] [ 141 ] [ 142 ]} Los autores afirman que una supercomputadora clásica contemporánea requeriría un tiempo de cálculo de 600 millones de años para generar la cantidad de muestras que su procesador cuántico puede generar en 20 segundos. ^{[ 143 ]}

Las afirmaciones de supremacía cuántica han generado gran expectación en torno a la computación cuántica, ^{[ 144 ]} pero se basan en tareas de referencia artificiales que no implican directamente aplicaciones útiles en el mundo real. ^{[ 102 ] [ 145 ]} Por consiguiente, la ventaja cuántica a nivel de referencia no debe interpretarse como prueba de que las computadoras cuánticas ya son ampliamente útiles en cargas de trabajo de computación prácticas.

En enero de 2024, un estudio publicado en Physical Review Letters proporcionó una verificación directa de los experimentos de supremacía cuántica mediante el cálculo de amplitudes exactas para cadenas de bits generadas experimentalmente utilizando una supercomputadora Sunway de nueva generación, demostrando un salto significativo en la capacidad de simulación basada en un algoritmo de contracción de red tensorial de amplitud múltiple. ^{[ 146 ]}

A pesar de las grandes esperanzas puestas en la computación cuántica, el progreso significativo en el hardware y el optimismo sobre las aplicaciones futuras, un artículo destacado de Nature de 2023 resumió las computadoras cuánticas actuales como "Por ahora, [no sirven para] absolutamente nada". ^{[ 102 ]} El artículo explicaba que las computadoras cuánticas aún no son más útiles ni eficientes que las computadoras convencionales en ningún caso, aunque también argumentaba que, a largo plazo, es probable que dichas computadoras sean útiles. Un artículo de Communications of the ACM de 2023 ^{[ 103 ]} encontró que los algoritmos actuales de computación cuántica son "insuficientes para una ventaja cuántica práctica sin mejoras significativas en toda la pila de software/hardware". Argumenta que los candidatos más prometedores para lograr una aceleración con computadoras cuánticas son los "problemas de datos pequeños", por ejemplo, en química y ciencia de los materiales. Sin embargo, el artículo también concluye que una gran variedad de las posibles aplicaciones que consideró, como el aprendizaje automático, "no lograrán una ventaja cuántica con los algoritmos cuánticos actuales en un futuro previsible", e identificó limitaciones de E/S que hacen improbable una aceleración para "problemas de big data, sistemas lineales no estructurados y búsqueda en bases de datos basada en el algoritmo de Grover".

Esta situación se debe a varias consideraciones actuales y a largo plazo.

• El hardware y los algoritmos informáticos convencionales no solo están optimizados para tareas prácticas, sino que siguen mejorando rápidamente, en particular los aceleradores GPU .
• El hardware actual de computación cuántica genera solo una cantidad limitada de entrelazamiento antes de verse saturado por el ruido.
• Los algoritmos cuánticos ofrecen una aceleración respecto a los algoritmos convencionales solo para algunas tareas, y relacionar estas tareas con aplicaciones prácticas ha resultado complejo. Algunas tareas y aplicaciones prometedoras requieren recursos muy superiores a los disponibles actualmente. ^{[ 147 ] [ 148 ]} En particular, el procesamiento de grandes cantidades de datos no cuánticos supone un reto para las computadoras cuánticas. ^{[ 103 ]}
• Algunos algoritmos prometedores han sido "descuantizados", es decir, se han encontrado sus análogos no cuánticos con una complejidad similar.
• Si se utiliza la corrección de errores cuánticos para escalar las computadoras cuánticas a aplicaciones prácticas, su sobrecarga puede socavar la aceleración que ofrecen muchos algoritmos cuánticos. ^{[ 103 ]}
• El análisis de complejidad de los algoritmos a veces parte de supuestos abstractos que no se cumplen en la práctica. Por ejemplo, es posible que los datos de entrada no estén ya disponibles codificados en estados cuánticos, y las "funciones oráculo" utilizadas en el algoritmo de Grover suelen tener una estructura interna que puede aprovecharse para desarrollar algoritmos más rápidos.

En particular, construir ordenadores con un gran número de cúbits puede resultar inútil si estos no están bien conectados y no pueden mantener un grado de entrelazamiento suficientemente alto durante un tiempo prolongado. Al intentar superar el rendimiento de los ordenadores convencionales, los investigadores de computación cuántica suelen buscar nuevas tareas que puedan resolverse en ordenadores cuánticos, pero esto deja abierta la posibilidad de que se desarrollen técnicas no cuánticas eficientes como respuesta, como se ha visto en las demostraciones de supremacía cuántica. Por lo tanto, es deseable demostrar límites inferiores para la complejidad de los mejores algoritmos no cuánticos posibles (que pueden ser desconocidos) y demostrar que algunos algoritmos cuánticos mejoran asintóticamente dichos límites.

Bill Unruh puso en duda la practicidad de las computadoras cuánticas en un artículo publicado en 1994. ^{[ 149 ]} Paul Davies argumentó que una computadora de 400 cúbits incluso entraría en conflicto con el límite de información cosmológica implícito en el principio holográfico . ^{[ 150 ]} Escépticos como Gil Kalai dudan que alguna vez se logre la supremacía cuántica. ^{[ 151 ] [ 152 ] [ 153 ]} El físico Mikhail Dyakonov expresó su escepticismo sobre la computación cuántica de la siguiente manera:

^{"Así pues ,} el número de parámetros continuos que describen el estado de un ordenador cuántico tan útil en un momento dado debe ser... aproximadamente 10³⁰⁰ ... ^¿ Podríamos alguna vez aprender a controlar los más de 10³⁰⁰ parámetros continuamente variables que definen el estado cuántico de un sistema así? Mi respuesta es sencilla. No, nunca. " ^{[ 154 ]}

Una computadora cuántica práctica debe usar un sistema físico como registro cuántico programable. ^{[ 156 ]} Los investigadores están explorando varias tecnologías como candidatas para implementaciones confiables de cúbits. ^{[ 157 ]} Los superconductores y los iones atrapados son algunas de las propuestas más desarrolladas, pero los experimentalistas también están considerando otras posibilidades de hardware. ^{[ 158 ]} Por ejemplo, se están explorando enfoques de computación cuántica topológica para sistemas de computación más tolerantes a fallas. ^{[ 159 ]}

Las primeras puertas lógicas cuánticas se implementaron con iones atrapados y se han desarrollado prototipos de máquinas de propósito general con hasta 20 cúbits. Sin embargo, la tecnología detrás de estos dispositivos combina equipos complejos de vacío, láseres y equipos de microondas y radiofrecuencia, lo que dificulta la integración de procesadores a gran escala con equipos informáticos estándar. Además, el propio sistema de iones atrapados presenta desafíos de ingeniería que superar. ^{[ 160 ]}

Los sistemas comerciales más grandes se basan en dispositivos superconductores y han alcanzado una escala de 2000 cúbits. Sin embargo, las tasas de error para máquinas más grandes han sido del orden del 5 %. Tecnológicamente, todos estos dispositivos son criogénicos y la escala a un gran número de cúbits requiere la integración a escala de oblea, lo que representa un serio desafío de ingeniería en sí mismo. ^{[ 161 ]}

Además de las plataformas criogénicas, se han demostrado experimentalmente enfoques a temperatura ambiente para las interfaces espín-fotón. En 2025, investigadores de la Universidad de Stanford desarrollaron un dispositivo a nanoescala en el que una fina capa de diselenuro de molibdeno se integra en un sustrato de silicio nanoestructurado, lo que permite una interfaz espín-fotón que opera en condiciones ambientales utilizando luz "retorcida" estructurada para acoplar grados de libertad electrónicos y fotónicos. ^{[ 162 ] [ 163 ]} Estas interfaces espín-fotón integradas en chips a temperatura ambiente se están investigando como posibles bloques de construcción para redes cuánticas heterogéneas que combinan diferentes modalidades de cúbits y reducen la dependencia de grandes infraestructuras criogénicas. ^{[ 162 ] [ 164 ]}

Cualquier problema computacional que pueda resolver una computadora clásica también puede resolverse con una computadora cuántica. ^{[ 165 ]} Intuitivamente, esto se debe a que se cree que todos los fenómenos físicos, incluido el funcionamiento de las computadoras clásicas, pueden describirse utilizando la mecánica cuántica , que subyace al funcionamiento de las computadoras cuánticas.

Por el contrario, cualquier problema que pueda resolver una computadora cuántica también puede resolverse con una computadora clásica. Es posible simular manualmente tanto computadoras cuánticas como clásicas con solo papel y bolígrafo, si se dispone del tiempo suficiente. Formalmente, cualquier computadora cuántica puede simularse con una máquina de Turing . En otras palabras, las computadoras cuánticas no ofrecen ninguna ventaja sobre las computadoras clásicas en términos de computabilidad . Esto significa que las computadoras cuánticas no pueden resolver problemas indecidibles como el problema de la parada , y la existencia de computadoras cuánticas no refuta la tesis de Church-Turing . ^{[ 166 ]}

Si bien las computadoras cuánticas no pueden resolver ningún problema que las computadoras clásicas no puedan resolver ya, se sospecha que pueden resolver ciertos problemas más rápido que las computadoras clásicas. Por ejemplo, se sabe que las computadoras cuánticas pueden factorizar números enteros de manera eficiente , mientras que no se cree que esto sea posible para las computadoras clásicas.

La clase de problemas que pueden ser resueltos eficientemente por una computadora cuántica con error acotado se denomina BQP , por "error acotado, cuántico, tiempo polinomial". Más formalmente, BQP es la clase de problemas que pueden ser resueltos por una máquina de Turing cuántica de tiempo polinomial con una probabilidad de error de como máximo 1/3. Como clase de problemas probabilísticos, BQP es la contraparte cuántica de BPP ("error acotado, probabilístico, tiempo polinomial"), la clase de problemas que pueden ser resueltos por máquinas de Turing probabilísticas de tiempo polinomial con error acotado. ^{[ 167 ]} Se sabe que${\displaystyle {\mathsf {BPP\subseteq BQP}}}$pero no hay pruebas${\displaystyle {\mathsf {BQP\neq BPP}}}$, lo que intuitivamente significaría que las computadoras cuánticas son más potentes que las computadoras clásicas en términos de complejidad temporal . ^{[ 168 ]}

Se desconoce la relación exacta de BQP con P , NP y PSPACE . Sin embargo, se sabe que${\displaystyle {\mathsf {P\subseteq BQP\subseteq PSPACE}}}$; es decir, todos los problemas que pueden ser resueltos eficientemente por una computadora clásica determinista también pueden ser resueltos eficientemente por una computadora cuántica, y todos los problemas que pueden ser resueltos eficientemente por una computadora cuántica también pueden ser resueltos por una computadora clásica determinista con recursos de espacio polinomial. Se sospecha además que BQP es un superconjunto estricto de P, lo que significa que existen problemas que son eficientemente resolubles por computadoras cuánticas que no son eficientemente resolubles por computadoras clásicas deterministas. Por ejemplo, se sabe que la factorización de enteros y el problema del logaritmo discreto están en BQP y se sospecha que están fuera de P. Sobre la relación de BQP con NP, se sabe poco más allá del hecho de que algunos problemas de NP que se cree que no están en P también están en BQP (la factorización de enteros y el problema del logaritmo discreto están ambos en NP, por ejemplo). Se sospecha que${\displaystyle {\mathsf {NP\nsubseteq BQP}}}$; es decir, se cree que existen problemas verificables de manera eficiente que no pueden ser resueltos de manera eficiente por una computadora cuántica. Como consecuencia directa de esta creencia, también se sospecha que BQP es disjunto de la clase de problemas NP-completos (si un problema NP-completo perteneciera a BQP, entonces se seguiría de la NP-dureza que todos los problemas en NP pertenecen a BQP). ^{[ 169 ]}

• Computadora cuántica de cúbits de gato : enfoque propuesto basado en cúbits de estado de gato .
• Computadora cuántica de Kane : arquitectura propuesta de computadora cuántica de espín nuclear basada en silicio .
• Computación cuántica óptica lineal : modelo fotónico que utiliza fotones y elementos ópticos lineales.
• Computadora cuántica de átomos neutros : enfoque que utiliza átomos neutros atrapados y controlados con técnicas ópticas.
• Computadora cuántica de resonancia magnética nuclear : un enfoque que utiliza la resonancia magnética nuclear y los estados de espín nuclear molecular.
• Computadora cuántica de cúbits de espín : arquitectura de semiconductores que utiliza estados de espín como cúbits.
• Computación cuántica superconductora : un enfoque que utiliza circuitos electrónicos superconductores.
• Computadora cuántica topológica : enfoque propuesto que utiliza estados topológicos como los aniones .
• Computadora cuántica de iones atrapados : un método que utiliza átomos cargados atrapados como cúbits.