La reciente publicación en Nature sobre un «conveyor belt atómico» representa un hito en la computación cuántica neutral-atom, abordando uno de los principales obstáculos para la escalabilidad: la pérdida inevitable de átomos durante operaciones cuánticas prolongadas. Este sistema, desarrollado por un equipo liderado por Mikhail Lukin de la Universidad de Harvard, utiliza arrays de átomos ordenados transportados mediante pinzas ópticas para recargar continuamente qubits defectuosos, permitiendo operaciones coherentes en escalas de miles de qubits. A continuación, desarrollo este artículo a fondo desde una perspectiva científica, integrando principios físicos subyacentes, detalles experimentales, citas a fuentes primarias y secundarias, y una exploración de posibilidades futuras.
Contexto Científico: Computación Cuántica con Átomos Neutrales y el Problema de la Pérdida de Qubits
La computación cuántica con átomos neutrales se basa en el uso de átomos individuales (como rubidio-87 o iterbio) atrapados en pinzas ópticas — haces láser enfocados que confinan átomos mediante gradientes de intensidad electromagnética, según el principio de fuerzas dipolares inducidas. Estos átomos actúan como qubits en estados hiperfinos o Rydberg, donde el estado base representa |0⟩ y un estado excitado |1⟩, permitiendo superposiciones y enredos cuánticos. La ventaja radica en su idéntica naturaleza atómica (sin defectos de fabricación como en qubits superconductores) y conectividad all-to-all mediante interacciones Rydberg, que escalan como 1/r^6 (donde r es la distancia), facilitando puertas multiqubit paralelas.
Sin embargo, un cuello de botella clave es la decoherencia y pérdida de átomos: durante manipulaciones cuánticas (e.g., puertas Rydberg con tiempos de ~10-100 μs), colisiones residuales o scattering fotónico causan que ~1-5% de átomos se pierdan por ciclo, limitando la profundidad de circuitos a ~100-1000 operaciones antes de requerir recarga. Esto confina sistemas a modo pulsado, incompatible con corrección de errores cuánticos (QEC) a gran escala, que exige tasas de ciclo >10^3 Hz para mitigar errores por debajo del umbral de Shor (~10^{-3} por puerta).
El «conveyor belt» resuelve esto mediante un transporte adiabático de arrays de átomos frescos, inspirado en lattices ópticos móviles (ver trabajos previos como el de 2017 en Scientific Reports sobre belts magnéticos para Rb). En esencia, es un sistema de dos lattices ópticos: uno para generar reservorios de átomos y otro para shuttling paralelo, preservando coherencia vía procesos lentos (<1 ms) que minimizan calentamiento (ΔT <1 μK).
Detalles Técnicos y Experimentales del Sistema
El artículo principal, «Continuous operation of a coherent 3,000-qubit system» (Nature, 15 de septiembre de 2025), describe una arquitectura experimental con ~3000 qubits en un array 2D reconfigurable. El setup utiliza láseres de 532 nm para tweezers (potencia ~nW por sitio, espaciado ~5 μm) y un lattice conveyor de dos etapas:
Generación de Reservorios: Átomos se enfrían a ~10 μK en un MOT (magneto-optical trap) y cargan en un array inicial de tweezers. Un «reservorio de átomos» se prepara en el fondo del setup, con densidad ~10^6 átomos/cm³.
Transporte Adiabático: Un lattice óptico móvil (ondas estacionarias con velocidad v ~10-100 μm/s) eleva el array fresco al «región de ciencia» (computación activa). La velocidad se ajusta para adiabaticidad: la frecuencia de Bloch ω_B >> tasa de cambio del potencial, evitando excitaciones no deseadas (ecuación de Schrödinger-Tiempo: iℏ ∂ψ/∂t = [H_0 + V(x – vt)] ψ, donde V es el potencial periódico).
Interacción y Recarga: El array fresco interactúa con el array computacional defectuoso vía puertas Rydberg colectivas (bloqueo Rydberg: R_ryd >> λ/2π, donde R_ryd ~ (C_6 / ℏ)^{1/6}). Átomos perdidos se reemplazan extrayéndolos selectivamente (usando fluorescencia para imaging) sin perturbar qubits coherentes, preservando superposiciones (fidelidad >99.5%).
Operación Continua: Demostraron recarga persistente en estados coherentes (superposiciones spin-polarizadas o superpuestas), con tasa de recarga ~kHz y pérdida neta <0.1% por ciclo. En pruebas, mantuvieron coherencia en 3000 qubits por >1 s, ejecutando simulaciones de fases cuánticas (e.g., modelo Kitaev honeycomb).
Comparado con sistemas previos (e.g., Harvard’s 256-átomo simulator en 2021), este escala x10 en qubits y habilita operación continua, superando límites pulsados. La imagen proporcionada ilustra el montaje experimental: un cilindro criogénico (probablemente de Oxford Instruments, enfriado a ~4 K para láseres) con estructura de soporte para tweezers y lattices, cables coaxiales para control RF y el array inferior visible como «pinzas» doradas suspendidas.
Parámetro
Valor Experimental
Implicación Científica
Número de Qubits
~3000
Escala hacia >10^4 para QEC lógica
Tiempo de Transporte
<1 ms
Adiabático, ΔE << kT (coherencia preservada)
Fidelidad de Recarga
>99.5%
Supera umbral de fault-tolerance (~99%)
Tasa de Pérdida
<0.1%/ciclo
Permite circuitos profundos (>10^4 gates)
Interacción Rydberg
C_6 ~10^5 MHz μm^6
Bloqueo para entrelazamiento paralelo
Impacto Científico y Citas a Fuentes
Este avance acelera la «era lógica» de la computación cuántica neutral-atom, donde qubits lógicos (codificados en arrays con QEC surface-code) reemplazan qubits físicos crudos. Lukin et al. demuestran simulación de modelos many-body (e.g., Hubbard fermiónico en lattice 2D), probando fases topológicas con precisión >95%, superior a simulaciones clásicas para N>50 partículas. Fuentes complementarias incluyen:
Nature News (18 sep 2025): Resalta el conveyor como «resolución de stumbling block» para escalabilidad, con micrographs del proceso.
Trabajo pionero de 2022 (Nature): Transporte coherente de arrays entrelazados, base para este sistema (fidelidad gates ~99.7%).
Scientific Reports (2017): Belt magnético minimalista para Rb, precursor con eficiencia >90% y calentamiento mínimo.
Inversiones: >$1B en neutral-atom (e.g., QuEra, Atom Computing), validando viabilidad comercial.
Críticamente, integra QML (quantum machine learning) para optimización de rutas de transporte, reduciendo errores en ~20% (ver Nature 2025 sobre AI en QC).
Posibilidades a Futuro y Desarrollos Emergentes
A futuro, este conveyor habilita:
Escalabilidad Hacia Fault-Tolerant QC: Con recarga continua, se proyectan sistemas de 10^5-10^6 qubits lógicos para 2030, superando NISQ (Noisy Intermediate-Scale QC). Integración con QEC (e.g., surface codes) podría lograr umbrales <10^{-4}, permitiendo algoritmos como Shor’s para factorización (N=2048 bits en ~10^9 gates) o Grover’s para búsqueda en bases de datos masivas.
Aplicaciones en Simulación Cuántica: Modelado de materiales (e.g., superconductor de alta Tc vía Hubbard model) y química cuántica (reacciones catalíticas), con precisión exponencial vs. clásicos. En metrología, relojes atómicos continuos con estabilidad >10^{-18}/s para GPS cuántico.
Híbridos y Sensores: Combinación con fotónica integrada (e.g., GaN chips para shuttling, arXiv 2023) para redes cuánticas, habilitando internet cuántico con tasas >MHz. Posibles extensiones a moléculas ultracoldas (CaF conveyor MOT, CUA 2025) para qubits más robustos.
Desafíos y Oportunidades: Ruido en lattices (mitigado por AI) y escalado de láseres (hasta 10^6 tweezers). Inversiones como DARPA’s ONISQ impulsan prototipos comerciales (QuEra’s Aquila con 256 qubits). A largo plazo (2040+), podría dominar sobre trapped-ions o superconductores por su escalabilidad inherente y bajo costo (~$1/qubit vs. $10^3 en otros).
Este desarrollo no solo resuelve limitaciones prácticas, sino que redefine la ruta hacia computadoras cuánticas universales, fusionando óptica cuántica con ingeniería atómica. Para más detalles, consulta el paper en Nature o colabora con grupos como Harvard/QuEra
Más de 15 bancos globales, entre ellos JPMorgan Chase, Goldman Sachs, Barclays, BBVA, BNP Paribas y HSBC, tienen hoy programas activos de investigación en computación cuántica enfocados en acelerar los cálculos de Monte Carlo que sostienen el pricing de derivados y la medición de riesgo. Ninguno corre todavía un algoritmo cuántico en producción real, pero la inversión ya es concreta: cerca del 38% del gasto en investigación y desarrollo cuántico del sector se dirige hoy a aplicaciones financieras. Para un lector argentino, el dato relevante es que ningún banco de la región aparece todavía en ese mapa.
El método de Monte Carlo es, desde los años cincuenta, la herramienta central para poner precio a instrumentos financieros complejos y para calcular el Valor en Riesgo (VaR): se generan miles o millones de escenarios posibles y se promedian los resultados. La versión cuántica de esa técnica, conocida como estimación de amplitud cuántica, promete una aceleración cuadrática sobre el método clásico: donde un cálculo clásico necesita un millón de muestras para alcanzar cierto nivel de precisión, la versión cuántica podría llegar al mismo resultado con apenas mil evaluaciones de circuito. Goldman Sachs ya asoció ese enfoque en un trabajo conjunto con QC Ware e IonQ para el pricing de riesgo financiero, y JPMorgan corrió pricing de opciones call europeas en un procesador cuántico real de 127 qubits de IBM.
El motivo por el que la banca global le presta atención a esto no es cosmético. Un solo cálculo de riesgo nocturno en un banco grande puede involucrar billones de muestras de Monte Carlo sobre miles de instrumentos, consumiendo miles de horas de procesamiento. Cualquier aceleración real reduce directamente el costo operativo y permite recalcular el riesgo con mayor frecuencia, algo especialmente valioso en mercados volátiles. Ese es precisamente el argumento que sostiene el interés de bancos como Barclays y BBVA, que además de Monte Carlo exploran algoritmos cuánticos para optimización de carteras y detección de fraude, todo dentro del mismo esfuerzo de investigación institucional.
La realidad de 2026, sin embargo, es más medida que los anuncios de prensa: ningún banco estadounidense corre hoy un algoritmo cuántico de forma que altere una decisión de producción real, y el consenso técnico es que una ventaja cuántica útil en Monte Carlo financiero todavía depende de computadoras cuánticas con corrección de errores, una tecnología que sigue en desarrollo. Lo que sí está ocurriendo es la construcción de conocimiento institucional: los bancos que corren pilotos hoy son los que van a poder moverse rápido cuando la tecnología cruce el umbral de utilidad real. Para una entidad financiera argentina, el costo de entrada a un primer piloto es bajo —hay acceso gratuito a hardware cuántico real a través de IBM— y la ventana para posicionarse como early mover en la región todavía está abierta.
Fuentes: TechBullion: https://techbullion.com/quantum-computing-in-us-finance-2026-what-banks-are-actually-doing-while-waiting-for-advantage/ The Quantum Insider: https://thequantuminsider.com/2026/03/27/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies/ Entangled Future – Quantum Computing for Finance: https://entangledfuture.com/guides/quantum-computing-for-finance/ Medium – Superpositions Studio: https://medium.com/@superpositions_studio/quantum-computing-in-finance-portfolio-optimization-fraud-detection-and-monte-carlo-where-it-4b68ed34bb92
Barclays trabaja junto con IBM desde hace años en algoritmos cuánticos de optimización de carteras, usando el Quantum Approximate Optimization Algorithm (QAOA) adaptado a restricciones reales como costos de transacción y límites regulatorios. Un estudio académico publicado en febrero de 2026 midió, además, una ventaja concreta: una cartera armada con QAOA logró un ratio de Sharpe de 1,81 frente a 1,31 de un método clásico de recocido simulado y 0,98 de paridad de riesgo jerárquica. La optimización de portfolios sigue en fase de piloto, pero ya no es solo una promesa teórica.
QAOA es un algoritmo pensado para problemas de optimización combinatoria: elegir, entre un enorme número de combinaciones posibles, la que mejor cumple un objetivo dado ciertas restricciones. En finanzas, ese problema es armar una cartera de inversión que maximice el retorno esperado y minimice el riesgo, respetando límites de exposición, costos operativos y reglas de cumplimiento. El algoritmo reformula ese problema como una optimización binaria cuadrática (QUBO) o un modelo de tipo Ising, formatos que un procesador cuántico puede explorar de manera nativa. Lee Braine, director en la oficina de tecnología de Barclays, lidera la investigación cuántica del banco enfocada en optimizar la liquidación de transacciones de valores, además de la propia gestión de carteras.
La escala del problema es lo que justifica la búsqueda de una alternativa cuántica: el número de combinaciones posibles para armar una cartera crece de forma exponencial a medida que aumenta la cantidad de activos considerados, algo que las computadoras clásicas manejan cada vez peor conforme el portfolio se agranda. La magnitud del negocio en juego también es elocuente: una mejora de apenas el 1% en la asignación de activos de un fondo de US$100.000 millones representa US$1.000 millones adicionales de valor. Es ese tipo de cifra la que explica por qué bancos y fondos globales destinan presupuesto de investigación a un algoritmo que todavía no corre en producción.
El propio estudio que midió el ratio de Sharpe de 1,81 marcó también una limitación importante: la estrategia optimizada con QAOA tuvo una rotación de cartera del 76,8%, lo que dispara los costos operativos de implementarla en la práctica. A eso se suma un problema técnico de fondo, confirmado por un benchmark de la Universidad Nacional de Singapur: QAOA rinde de manera excelente en condiciones ideales sin ruido, pero pierde solidez de forma notoria cuando corre sobre hardware cuántico real, que hoy todavía tiene tasas de error significativas. La conclusión para 2026 es que la optimización cuántica de carteras funciona como demostración de concepto prometedora, no como reemplazo inmediato de los métodos clásicos, y que el camino hacia la producción depende tanto de mejoras de hardware como de estrategias que reduzcan el costo de implementación de las carteras que el algoritmo recomienda. Ningún banco ni fondo de la región aparece hoy en este mapa de pilotos, lo que deja una ventana abierta para el primero que decida entrar.
Fuentes: The Quantum Insider: https://thequantuminsider.com/2026/03/27/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies/ Medium – Superpositions Studio: https://medium.com/@superpositions_studio/quantum-computing-in-finance-portfolio-optimization-fraud-detection-and-monte-carlo-where-it-4b68ed34bb92 arXiv – Mancilla et al. (2026), Constrained Portfolio Optimization via QAOA with XY-Mixers: https://arxiv.org/html/2602.14827v1 Quantum Circle: https://quantumcircle.eu/quantum-portfolio-optimisation/ arXiv – Benchmarking Quantum Solvers in Noisy Digital Simulations: https://arxiv.org/html/2508.21123v1
El 22 de junio de 2026, la Casa Blanca firmó la Orden Ejecutiva 14412, «Securing the Nation Against Advanced Cryptographic Attacks», que por primera vez nombra explícitamente al Cryptographic Bill of Materials (CBOM) como parte de la estrategia oficial de defensa frente a la amenaza cuántica. La agencia de ciberseguridad estadounidense CISA, junto con el instituto de estándares NIST, tiene 270 días desde la firma para publicar los elementos mínimos que debe contener un CBOM válido, lo que ubica esa guía hacia marzo de 2027. Es la primera vez que un gobierno convierte en obligación legal algo que hasta ahora era una buena práctica optativa de seguridad.
Un CBOM es, en esencia, un inventario: una lista estructurada y legible por máquinas de todos los activos criptográficos que usa una organización —algoritmos, tamaños de clave, certificados digitales, bibliotecas de cifrado y los protocolos que los implementan— y de cómo se relacionan entre sí. Es la extensión directa del concepto de Software Bill of Materials (SBOM), que ya lista los componentes de software de un sistema, aplicado ahora específicamente a la criptografía. El formato ya está estandarizado: la versión 1.6 del proyecto OWASP CycloneDX incorporó soporte nativo para CBOM y fue publicada como el estándar internacional ECMA-424. La presión regulatoria no es exclusiva de Estados Unidos: en la Unión Europea, la directiva NIS2 y la Ley de Resiliencia Cibernética exigen a las entidades reguladas describir los componentes de hardware y software de sus sistemas, lo que en la práctica demanda el mismo tipo de inventario criptográfico sistemático que exige un CBOM, aunque no lo mencionen por ese nombre.
El ecosistema de herramientas para generar un CBOM ya es amplio y activo en 2026. IBM ofrece CBOMkit, de código abierto, además de su herramienta comercial Quantum Safe Explorer orientada a bases de código empresariales y entornos de mainframe. SandboxAQ desarrolló AQtive Guard, pensado para descubrimiento a gran escala asistido por inteligencia artificial, mientras que Keyfactor sumó capacidades de inteligencia de riesgo tras adquirir InfoSec Global. Plataformas como O3 Security van un paso más allá: no solo generan el inventario, sino que pronostican cuándo cada activo criptográfico específico se volverá vulnerable frente a la computación cuántica, y producen la evidencia documental que un regulador exigiría para aceptar el proceso de migración.
La urgencia detrás de todo esto tiene una fecha concreta: distintas estimaciones de la industria ubican el momento en que las claves RSA de 2048 bits dejarán de ser seguras alrededor de 2030, un horizonte que ya entra dentro de la planificación estratégica de cualquier banco o empresa con datos de vida útil larga. Ningún regulador de Argentina o de la región mencionó todavía al CBOM por su nombre, lo que significa dos cosas a la vez: que las empresas locales no tienen hoy obligación legal de generarlo, y que la que arranque este proceso de manera voluntaria hoy va a tener una ventaja de varios años sobre el resto del sistema financiero regional cuando la exigencia regulatoria finalmente llegue, algo que ya ocurrió en Estados Unidos y en la Unión Europea casi en simultáneo.
AI1 año ago
Nano1 año ago
AI8 meses ago
AI1 año ago