El 8 de enero, el CEO de Nvidia, Jensen Huang, sacudió el mercado de valores al decir que la computación cuántica práctica aún está a entre 15 y 30 años de distancia, y al mismo tiempo sugirió que esas computadoras necesitarán GPU de Nvidia para implementar la corrección de errores necesaria.

Sin embargo, la historia demuestra que las personas brillantes no son inmunes a los errores. Las predicciones de Huang no dan en el blanco, ni en lo que respecta al cronograma de la computación cuántica útil ni en lo que respecta al papel que desempeñará la tecnología de su empresa en ese futuro.

Como inversor, he seguido de cerca los avances en computación cuántica y tengo claro que está convergiendo rápidamente hacia la utilidad. El año pasado, el dispositivo Willow de Google demostró que existe un camino prometedor para escalar hacia computadoras cada vez más grandes . Demostró que los errores se pueden reducir exponencialmente a medida que aumenta el número de bits cuánticos, o qubits. También realizó una prueba de referencia en menos de cinco minutos que le llevaría a una de las supercomputadoras más rápidas de la actualidad 10 septillones de años. Si bien es demasiado pequeño para ser comercialmente útil con algoritmos conocidos, Willow demuestra que la supremacía cuántica (ejecutar una tarea que es efectivamente imposible de manejar para cualquier computadora clásica en un tiempo razonable) y la tolerancia a fallas (corregir errores más rápido de lo que se cometen) son alcanzables.

Por ejemplo, PsiQuantum , una startup en la que invierte mi empresa, está a punto de comenzar a construir dos ordenadores cuánticos que entrarán en servicio comercial antes de finales de esta década. El plan es que cada uno de ellos sea 10.000 veces más grande que Willow, lo suficientemente grande como para abordar cuestiones importantes sobre materiales, fármacos y los aspectos cuánticos de la naturaleza. Estos ordenadores no utilizarán GPU para implementar la corrección de errores, sino que tendrán hardware personalizado, que funcionará a velocidades que serían imposibles con el hardware de Nvidia.

Al mismo tiempo, los algoritmos cuánticos están mejorando mucho más rápido que el hardware. Una colaboración reciente entre el gigante farmacéutico Boehringer Ingelheim y PsiQuantum demostró una mejora de más de 200 veces en los algoritmos para simular medicamentos y materiales importantes. Phasecraft , otra empresa en la que hemos invertido, ha mejorado el rendimiento de la simulación para una amplia variedad de materiales cristalinos y ha publicado una versión mejorada cuánticamente de un material ampliamente utilizado. algoritmo de ciencia de materiales que está sorprendentemente cerca de superar todas las implementaciones clásicas en hardware existente.

Avances como estos me llevan a creer que la computación cuántica útil es inevitable y cada vez más inminente. Y eso es una buena noticia, porque la esperanza es que puedan realizar cálculos que ninguna cantidad de inteligencia artificial o computación clásica podría lograr jamás.

Deberíamos preocuparnos por la posibilidad de que existan ordenadores cuánticos útiles porque hoy en día no sabemos realmente cómo hacer química. Carecemos de conocimientos sobre los mecanismos de acción de muchos de nuestros medicamentos más importantes. Los catalizadores que impulsan nuestras industrias son generalmente poco comprendidos, requieren materiales exóticos y costosos, o ambas cosas. A pesar de las apariencias, tenemos importantes lagunas en nuestra capacidad de acción sobre el mundo físico; nuestros logros desmienten el hecho de que, en muchos sentidos, estamos dando tumbos en la oscuridad.

La naturaleza funciona según los principios de la mecánica cuántica. Nuestros métodos computacionales clásicos no logran capturar con precisión la naturaleza cuántica de la realidad, a pesar de que gran parte de nuestros recursos informáticos de alto rendimiento se dedican a esta búsqueda. A pesar de todo el capital intelectual y financiero gastado, todavía no entendemos por qué funciona el analgésico acetaminofeno , cómo funcionan los superconductores de tipo II o por qué un simple cristal de hierro y nitrógeno puede producir un imán con una intensidad de campo tan increíble. Buscamos compuestos en la corteza de los árboles amazónicos para curar el cáncer y otras enfermedades, hurgando manualmente en un subconjunto lamentablemente pequeño de un espacio de diseño que abarca 10 ⁶⁰ moléculas pequeñas. Es más que un poco embarazoso.

Sin embargo, tenemos algunas herramientas con las que trabajar. En la industria, la teoría funcional de la densidad (DFT, por sus siglas en inglés) es el caballo de batalla de la química computacional y el modelado de materiales, ampliamente utilizada para investigar la estructura electrónica de sistemas de muchos cuerpos, como átomos, moléculas y sólidos. Cuando la DFT se aplica a sistemas donde las correlaciones electrón-electrón son débiles, produce resultados razonables, pero falla por completo en una amplia clase de problemas interesantes.

Tomemos, por ejemplo, el revuelo que se desató en el verano de 2023 en torno al «superconductor a temperatura ambiente» LK-99. Muchos químicos expertos recurrieron a la DFT para intentar caracterizar el material y determinar si, de hecho, era un superconductor. Los resultados fueron, por decirlo de forma educada, contradictorios, por lo que abandonamos nuestros mejores métodos computacionales y volvimos al mortero para intentar fabricar algo de ese material. Lamentablemente, aunque el LK-99 puede tener muchas características novedosas, no es un superconductor a temperatura ambiente. Es una pena, ya que un material de este tipo podría revolucionar la generación, transmisión y almacenamiento de energía, por no hablar del confinamiento magnético para reactores de fusión, aceleradores de partículas y más.

La IA sin duda ayudará a comprender mejor los materiales, pero no es una panacea. En los últimos años han surgido nuevas técnicas de IA que han dado resultados prometedores. Por ejemplo , Graph Networks for Materials Exploration (GNoME) de DeepMind descubrió 380.000 nuevos materiales potencialmente estables. Sin embargo, en esencia, GNoME depende de DFT, por lo que su rendimiento es tan bueno como la capacidad de DFT para producir buenas respuestas.

La cuestión fundamental es que un modelo de IA es tan bueno como los datos con los que se entrena. Por ejemplo, entrenar un LLM en todo el corpus de Internet puede producir un modelo que tenga un conocimiento razonable de la mayor parte de la cultura humana y pueda procesar el lenguaje de manera efectiva. Pero si la DFT falla para cualquier sistema cuántico no trivialmente correlacionado, ¿qué tan útil puede ser realmente un conjunto de entrenamiento derivado de la DFT? También podríamos recurrir a la síntesis y la experimentación para crear datos de entrenamiento, pero la cantidad de muestras físicas que podemos producir de manera realista es minúscula en relación con el vasto espacio de diseño, lo que deja una gran cantidad de potencial sin explotar. Solo cuando tengamos simulaciones cuánticas confiables para producir datos de entrenamiento lo suficientemente precisos podremos crear modelos de IA que respondan preguntas cuánticas en hardware clásico.

Y eso significa que necesitamos computadoras cuánticas, que nos brindan la oportunidad de pasar de un mundo de descubrimiento a un mundo de diseño. El proceso iterativo actual de adivinar, sintetizar y probar materiales es cómicamente inadecuado.

En algunos casos tentadores, hemos tropezado con materiales, como los superconductores, con propiedades casi mágicas. ¿Cuántas más podrían revelar estas nuevas herramientas en los próximos años? Con el tiempo, tendremos máquinas con millones de cúbits que, cuando se utilicen para simular materiales cristalinos, abrirán un vasto espacio de diseño nuevo. Será como despertar un día y encontrar un millón de elementos nuevos con propiedades fascinantes en la tabla periódica.

Por supuesto, construir una computadora cuántica de un millón de cúbits no es para los débiles de corazón. Esas máquinas serán del tamaño de supercomputadoras y requerirán grandes cantidades de capital, crioplantas, electricidad, hormigón y acero. También requieren componentes fotónicos de silicio que rindan mucho mejor que cualquier otro en la industria, hardware de corrección de errores que funcione lo suficientemente rápido como para perseguir fotones y detectores de fotones individuales con una sensibilidad sin precedentes. Pero después de años de investigación y desarrollo, y más de mil millones de dólares de inversión, el desafío ahora está pasando de la ciencia y la ingeniería a la construcción.

Es imposible predecir completamente cómo afectará la computación cuántica a nuestro mundo, pero un ejercicio de pensamiento podría ofrecer un modelo mental de algunas de las posibilidades.

Imaginemos un mundo sin metal . Podríamos tener casas de madera construidas con herramientas de piedra, agricultura, arados de madera, tipos móviles, imprenta, poesía e incluso publicaciones científicas cuidadosamente editadas. Pero no tendríamos ni la menor idea de fenómenos como la electricidad o el electromagnetismo; no habría motores, generadores, radio, máquinas de resonancia magnética, silicio o inteligencia artificial. No los echaríamos de menos, porque no tendríamos ni idea de su existencia.

Hoy vivimos en un mundo sin materiales cuánticos, ajenos al potencial y la abundancia no realizados que se encuentran a la vista. Con las computadoras cuánticas a gran escala en el horizonte y los avances en algoritmos cuánticos, estamos listos para pasar del descubrimiento al diseño, entrando en una era de dinamismo sin precedentes en la química, la ciencia de los materiales y la medicina. Será una nueva era de dominio sobre el mundo físico.

Peter Barrett es socio general de Playground Global, que invierte en empresas de tecnología profunda en etapa inicial, incluidas varias en computación cuántica, algoritmos cuánticos y detección cuántica: PsiQuantum , Phasecraft , NVision e Ideon .