¿Sirve la computación cuántica para machine learning hoy?

Estado a: agosto 2026.

El machine learning cuántico (QML) es la clase donde la respuesta honesta no es solo "todavía no" — es "el reloj retrocedió". A partir de 2018, los speedups exponenciales insignia del campo cayeron ante algoritmos clásicos, y no se han recuperado. Este es el veredicto de feasibility para un decisor: qué prometía QML, los tres golpes fechados que achicaron la promesa, qué miden hoy los benchmarks publicados, y el único frente angosto donde una ventaja de aprendizaje sí se midió en hardware.

¿Qué promete QML y por qué suena tan bien?

Dos argumentos sostuvieron una década de entusiasmo. Primero, la codificación en amplitudes: N qubits guardan 2^N amplitudes, así que en principio un dataset grande cabe en exponencialmente pocos qubits y se procesa con álgebra lineal cuántica (qué guarda de verdad un qubit). Segundo, los kernels cuánticos: un circuito mapea los datos a un espacio de Hilbert enorme donde un separador simple podría encontrar estructura que los feature maps clásicos no ven. En el papel, ambos parecían exponenciales. La letra chica — cómo entran los datos a las amplitudes, y qué se le permite hacer al rival clásico — es donde ocurrió la década real (Aaronson, Nature Physics 11, 291, 2015).

Golpe 1 (2018–2020): la dequantización niveló la mesa

Los claims exponenciales insignia — sistemas de recomendación, PCA, clustering, clasificación por vectores de soporte — asumían que la máquina cuántica recibe sus datos en un formato de acceso cuántico eficiente. En 2018, Ewin Tang le dio al lado clásico el acceso análogo (muestreo en norma ℓ²) e igualó el speedup de recomendaciones con un algoritmo clásico (arXiv:1807.04271, 2018; STOC 2019). Para 2020, un solo framework había dequantizado prácticamente todos los speedups QML de rango bajo: recomendaciones, PCA, clustering, qSVM, regresión low-rank (Chia et al., STOC 2020). La brecha exponencial colapsó a polinomial. El mecanismo y el mapa completo de qué cayó y qué queda en pie están en nuestro post de dequantización — aquí solo hace falta el veredicto: el argumento exponencial sobre datos clásicos no sobrevivió a un modelo de acceso a datos justo.

Golpe 2 (2018–2025): barren plateaus, y el giro más filoso de 2025

Los modelos QML variacionales — los de circuito entrenable que sí puedes correr en las máquinas de hoy — chocan con un muro estructural de entrenamiento: para clases amplias de circuitos, los gradientes se desvanecen exponencialmente con el número de qubits (McClean et al., Nat. Commun. 9, 4812, 2018), y la review de 2025 clasifica los barren plateaus entre las barreras principales del campo (Larocca et al., Nat. Rev. Phys. 7, 174–189, 2025). El giro de 2025 corta más hondo: para muchas familias de circuitos, la ausencia probada de barren plateaus tiende a implicar que el modelo es clásicamente simulable (Cerezo et al., Nat. Commun. 2025). El corredor entre "entrenable" y "todavía cuántico" es angosto, y nadie ha demostrado que esté habitado — el mismo muro que documentamos para VQE en química.

Golpe 3 (en pie desde 2015): el muro de carga de datos

No existe QRAM a escala. Cargar N números clásicos a amplitudes cuesta en general del orden de N operaciones — lo que por sí solo borra una ganancia exponencial end-to-end sobre datos clásicos (Aaronson, 2015). No es un pendiente de ingeniería que alguien haya resuelto: a agosto 2026 no hay demostración de QRAM escalable. Todo pipeline QML end-to-end sobre datos clásicos sigue pagando este peaje en la puerta.

¿Qué miden de verdad los benchmarks publicados?

Cuando modelos cuánticos y clásicos corren sobre las mismas tareas con baselines afinados, el patrón es consistente — y es la misma lección de un baseline débil arruina un benchmark, leída del otro lado:

Lee con cuidado la partición de esa tabla: sobre datos clásicos el marcador muestra cero victorias; las ventajas medidas viven en datos cuánticos.

¿Y el resultado HSBC–IBM del ~34%?

El único titular reciente que se lee como una victoria comercial de QML: HSBC e IBM reportaron hasta ~34% de mejora en la predicción de fill de RFQs de bonos usando features generadas cuánticamente (comunicado de HSBC, 25 sep 2025). Lo examinamos en el veredicto de riesgo financiero y no lo re-litigamos aquí: es generación de features dentro de un pipeline clásico, el propio paper del equipo atribuye parte de la ganancia al ruido del hardware, la simulación sin ruido no muestra la ventaja, y no hay replicación independiente a agosto 2026. No mueve este veredicto. Nada de esto es una acusación — es un experimento real leído con sus propias salvedades.

¿Qué queda en pie?

Tres cosas, en orden decreciente de evidencia:

1. Aprender de datos cuánticos — medido. Cuando la entrada es en sí cuántica — estados que vienen de un sensor o de un experimento, no números de una base de datos — una memoria cuántica puede ganarle de forma probada y medida a toda estrategia clásica. La reducción exponencial de experimentos requeridos se demostró en hardware en 2022 (Huang et al., Science 376, 1182), y en septiembre de 2025 una plataforma fotónica aprendió un proceso bosónico de 100 modos con ~11,8 órdenes de magnitud menos muestras que el esquema convencional, usando entrelazamiento EPR imperfecto (~5 dB) (Science 389, 1332, 2025). Ventaja real, hardware real, todavía una prueba de concepto de física — y la entrada son estados cuánticos, no tu CSV.

2. Separaciones condicionales de kernel — en papel. Existe un speedup riguroso y robusto para un problema de clasificación construido sobre el logaritmo discreto (Liu, Arunachalam & Temme, Nat. Phys. 17, 1013, 2021). Es una construcción criptográfica, no un dataset natural — prueba que la separación puede existir, no que tus datos la tengan.

3. Speedups polinomiales — sobrevivientes, sin medir, económicamente cuestionables. Lo que la dequantización dejó en pie sobre datos clásicos es polinomial. Ningún speedup QML polinomial se ha medido end-to-end, y no se espera que los de clase cuadrática rindan en las primeras máquinas tolerantes a fallos una vez descontado el sobrecosto de corrección de errores (Babbush et al., PRX Quantum 2, 010103, 2021). El resumen de la propia década: la ventaja cuántica "se ha estrechado a un conjunto más pequeño y más claramente definido" de algoritmos que hace diez años (Khan, SSRN, 28 abr 2026) — y las entradas exponenciales de QML fueron las que más se estrecharon. La lista honesta de lo que SÍ está probado, clase por clase, está en qué problemas tienen ventaja cuántica probada.

¿Qué cambiaría este veredicto?

Tres eventos observables, ninguno publicado a agosto 2026: (1) una victoria QML end-to-end sobre datos clásicos contra un baseline clásico fuerte y afinado en la misma instancia, publicada con artefactos reproducibles; (2) una demostración de carga de datos clase-QRAM escalable; (3) una familia de circuitos entrenables probada a la vez libre de barren plateaus y clásicamente dura de simular. Vigila eso, no los porcentajes de titular.

Qué sabemos / qué no sabemos

Sabemos: que los claims exponenciales insignia de QML sobre datos clásicos cayeron ante la dequantización entre 2018 y 2020 (Tang; Chia et al.). Que los benchmarks publicados siguen encontrando por delante a los modelos clásicos afinados — 12 modelos sobre 160 datasets (Bowles et al., 2024), 7 pares de modelos incluyendo RL (Yu et al., jul 2026). Que existe una ventaja de aprendizaje genuina y medida sobre datos cuánticos (Science 2022; Science, sep 2025). Y que Rosetta no tiene corridas selladas en esta clase: nuestras series selladas son experimentos de optimización y quantum walks — no tenemos mediciones propias de QML y no reclamamos ninguna.

No sabemos: si los kernels sobre datos genuinamente cuánticos — sensores cuánticos alimentando memorias cuánticas — se vuelven la única puerta estructural hacia un QML comercialmente relevante; las victorias medidas son pruebas de concepto de física, no productos. Si las ventajas polinomiales sobrevivientes rinden alguna vez end-to-end en hardware tolerante a fallos — Babbush et al. argumentan que lo cuadrático no, en las primeras generaciones. Si existe un corredor habitado de circuitos entrenables y a la vez clásicamente duros — la ausencia de prueba no es prueba de ausencia. Y el cero del marcador es ausencia de demostraciones publicadas, no un teorema de imposibilidad.

Fuentes

• Tang — A quantum-inspired classical algorithm for recommendation systems (arXiv:1807.04271, 2018; STOC 2019)
• Chia, Gilyén, Li, Lin, Tang & Wang — Sampling-based sublinear low-rank framework for dequantizing QML (STOC 2020; arXiv:1910.06151)
• Aaronson — Read the fine print (Nature Physics 11, 291–293, 2015)
• McClean et al. — Barren plateaus in quantum neural network training landscapes (Nature Communications 9, 4812, 2018)
• Larocca et al. — Barren plateaus in variational quantum computing, review (Nature Reviews Physics 7, 174–189, 2025)
• Cerezo et al. — Does provable absence of barren plateaus imply classical simulability? (Nature Communications, 2025; arXiv:2312.09121)
• Bowles, Ahmed & Schuld — Better than classical? The subtle art of benchmarking QML models (arXiv:2403.07059, 2024)
• Yu et al. — Quantum vs. classical machine learning: a unified empirical comparison (arXiv:2607.01197, jul 2026)
• Huang et al. — Quantum advantage in learning from experiments (Science 376, 1182–1186, 2022)
• Quantum learning advantage on a scalable photonic platform (Science 389, 1332–1335, 25 sep 2025)
• Liu, Arunachalam & Temme — A rigorous and robust quantum speed-up in supervised machine learning (Nature Physics 17, 1013–1017, 2021)
• Babbush et al. — Focus beyond quadratic speedups for error-corrected quantum advantage (PRX Quantum 2, 010103, 2021)
• HSBC — quantum-enabled algorithmic trading, comunicado (25 sep 2025)
• Khan — Quantum Algorithms: A Decade in Review (SSRN, 28 abr 2026)
• PostQuantum — Quantum Machine Learning in 2026: State of the Field (accedido ago 2026)

Rosetta Q publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto.