El desarrollo de la inteligencia artificial podría estancarse en los próximos años . Entrenar modelos cada vez mejores exige cantidades crecientes de datos, pero esos datos son finitos: los seres humanos no pueden producir contenido nuevo a la velocidad que demandan los sistemas actuales. El problema se agrava porque se estima que entre el 50% y el 74% de todo el contenido nuevo en internet ya está generado o traducido por IA. Si los propios modelos se entrenan cada vez más con ese material, en lugar de con datos genuinamente humanos, su precisión tiende a degradarse con el tiempo.
A eso se suma otro obstáculo: el entrenamiento de los modelos de IA consume cantidades de electricidad y agua que empiezan a ser difíciles de sostener. La computación cuántica podría aportar una solución a ambos frentes, entrenando modelos fundacionales y redes neuronales en horas, una tarea que a un ordenador convencional le tomaría semanas. Qué es la transformada cuántica de Hermite Investigadores del Laboratorio Nacional Brookhaven del Departamento de Energía de Estados Unidos, la Universidad Northeastern, Google Quantum AI y la Universidad de Texas en Austin desarrollaron un algoritmo cuántico al que llamaron transformada cuántica de Hermite, o QHT por sus siglas en inglés. El trabajo, disponible en arXiv , se presentó en el 58.º Simposio Anual de la ACM sobre Teoría de la Computación (STOC 2026), celebrado en Salt Lake City.
Ning Bao, profesor asistente en la Universidad Northeastern y miembro de la Dirección de Computación y Ciencias de Datos del Laboratorio Brookhaven, explicó que la QHT implementa la transformada de Hermite sobre un estado cuántico. Según describió, su estructura es bastante distinta a la de las primitivas cuánticas existentes, lo que podría abrir la puerta a nuevos algoritmos capaces de resolver problemas únicos . Las transformadas de Hermite se usan habitualmente en ingeniería y física para describir los niveles de energía del oscilador armónico cuántico, y también son la base de muchos sistemas gaussianos comunes en el aprendizaje automático y la ciencia de datos. El cuello de botella técnico que lograron resolver El problema hasta ahora era que convertir información a esta representación basada en Hermite dentro de un ordenador cuántico resultaba un proceso lento y engorroso.
Los investigadores lo resolvieron construyendo un circuito cuántico eficiente capaz de realizar esa transformación con una sobrecarga logarítmica mínima, es decir, con un costo computacional que crece muy poco a medida que aumenta la complejidad del problema. Al combinar ese circuito con nuevos métodos para construir estados cuánticos específicos, la QHT se convirtió en lo que los autores describen como una primitiva cuántica práctica y de alta precisión: una nueva manera de analizar y representar datos dentro de un ordenador cuántico. De la física a la inteligencia artificial: el alcance de la nueva primitiva Bao resumió el problema de fondo de la computación cuántica actual: los ordenadores cuánticos son potentes , pero sin algoritmos cuánticos adecuados, el ámbito de aplicación de esa potencia es muy limitado. Contar con nuevas primitivas como la QHT permite abordar una gama más amplia de problemas, incluidos los relevantes para la ciencia del mundo real.
Entre los campos que podrían beneficiarse figuran la ciencia de los materiales, la seguridad energética y el modelado científico avanzado. La investigación médica y farmacéutica también se vería favorecida, gracias a simulaciones más rápidas para el diseño de nuevos fármacos. Y en inteligencia artificial, el impacto se traduciría en un entrenamiento drásticamente más rápido de modelos complejos y en el análisis de grandes volúmenes de datos.