¿Qué es un "Hamiltoniano" y por qué aparece en optimización?

Estado a: agosto 2026. Este es un post de definición: explica un término, trabaja un ejemplo con aritmética visible y no hace claims de estado nuevos. Nuestros veredictos medidos en optimización están linkeados donde corresponde.

¿Qué significa "Hamiltoniano" realmente?

En mecánica cuántica, el Hamiltoniano es el operador que representa la energía total de un sistema: le das un estado, y te dice la energía de ese estado (Nielsen & Chuang, Quantum Computation and Quantum Information, 2010). Los sistemas físicos tienden a asentarse en estados de baja energía — una pelota rueda cuesta abajo.

La optimización cuántica toma prestada exactamente una idea de ahí: si una máquina es buena encontrando estados de baja energía, entonces reescribe tu función de costo como una función de energía, y "energía mínima" se convierte en "mejor solución". La propia documentación de D-Wave lo dice sin vueltas: "cuando el solver encuentra su mínimo, está encontrando soluciones a tu problema" (docs D-Wave, QUBOs and Ising Models, accedido ago 2026; traducción propia).

Ese es todo el truco. Un Hamiltoniano en un pipeline de optimización no es física nueva que tengas que aprender — es tu función de costo con otras unidades. Lo que merece atención es la cadena de traducción, porque ahí vive la letra chica honesta.

¿Cómo se convierte un problema de negocio en un Hamiltoniano?

La cadena tiene cinco pasos mecánicos. Vamos a caminar un problema de cartera deliberadamente diminuto por todos ellos: elegir exactamente 2 de 3 activos para maximizar el retorno esperado. Números de juguete, elegidos para que cada paso se pueda chequear a mano: retornos esperados A = 8, B = 6, C = 5 (unidades ilustrativas, no datos de mercado).

Paso 1 → 2 (función de costo). Dale a cada activo un bit: x_A, x_B, x_C, cada uno 0 o 1 ("no lo tomo" o "lo tomo"). Premia el retorno, castiga romper la regla de elegir-exactamente-2 con un peso de penalización λ: costo(x) = −(8·x_A + 6·x_B + 5·x_C) + λ·(x_A + x_B + x_C − 2)². Minimizar el costo ahora significa "maximizar retorno sin romper la regla" — si λ está bien puesto. Retén esa idea.

Paso 2 → 3 (QUBO). Expande el cuadrado y la expresión se vuelve una cuadrática en variables binarias — un QUBO, "Quadratic Unconstrained Binary Optimization": minimizar x^T·Q·x para una matriz Q de números (docs D-Wave, accedido ago 2026). Todavía no hay física; esto es contabilidad.

Paso 3 → 4 (Ising). Sustituye s = 2x − 1, y los bits {0,1} se vuelven espines {−1,+1}. La misma función queda escrita como un modelo de Ising — el formato del magnetismo: E(s) = Σ h_i·s_i + Σ J_ij·s_i·s_j, con términos de "campo" h y de "acoplamiento" J. Los docs de D-Wave llaman "trivial" a la conversión entre QUBO e Ising — es un cambio de variables, nada más (accedido ago 2026).

Paso 4 → 5 (Hamiltoniano). Reemplaza cada espín s_i por el operador cuántico Z_i actuando sobre el qubit i. El operador resultante es el Hamiltoniano de costo: sus autoestados son las 2^N carteras posibles, y la energía de cada uno es exactamente el costo que calcularía tu planilla. El estado de energía mínima — el estado base — es la mejor cartera. Este es precisamente el pipeline que el tooling estándar automatiza: el módulo de optimización de Qiskit convierte un problema con restricciones a QUBO y luego a Hamiltoniano de Ising en dos llamadas documentadas (Qiskit Optimization, Converters for Quadratic Programs, accedido ago 2026).

Acá está la enumeración completa de nuestro problema de juguete — 8 carteras, todas chequeables a mano:

Con λ = 10 el mínimo es A+B: los dos mejores activos, regla respetada. La traducción funciona.

¿Dónde aparece en los algoritmos cuánticos?

En todas partes, bajo nombres distintos — por eso la palabra se siente omnipresente:

QAOA alterna entre tu Hamiltoniano de costo y un Hamiltoniano de "mezcla", empujando amplitud hacia los bitstrings de bajo costo (Farhi et al., 2014). El quantum annealing arranca en el estado base de un Hamiltoniano fácil y lo deforma lentamente hacia el tuyo, esperando que el sistema se quede en el estado base (Kadowaki & Nishimori, 1998). Una distinción que vale la pena retener: en optimización el Hamiltoniano lo manufacturas desde una planilla; en química, VQE lo hereda de la naturaleza — el operador de energía de la molécula existe lo escribas o no. Misma palabra, procedencia opuesta. Y nota la última fila de la tabla: los solvers clásicos nunca necesitan esta traducción — es el precio de entrada al hardware cuántico, no una mejora general de tu problema.

La letra chica: ¿qué NO te compra la traducción?

Nota 1 — la perilla de penalización puede cambiar el problema en silencio. Los problemas reales tienen restricciones; la jugada estándar es codificarlas como términos de penalización al cuadrado con peso λ, exactamente como hicimos. Pero λ es una perilla que tienes que elegir, y la literatura de 2026 es directa sobre ambos modos de falla: "si los λ son demasiado chicos, el solver cuántico puede favorecer un estado inviable que da un valor bajo de la función objetivo", mientras que valores demasiado grandes hacen que "el paisaje de energía quede dominado por los términos de penalización, que enmascaran la función objetivo original y pueden crear una superficie de optimización rugosa" — y "encontrar valores óptimos de λ es en general NP-difícil" (Ferrari et al., arXiv:2606.25117, 2026; traducción propia). Nuestra tabla de juguete muestra la primera falla en concreto: baja λ de 10 a 3 y la cartera inviable de comprar-todo puntúa −16, ganándole a toda respuesta legal. La máquina la devolvería con confianza. Nada se rompió — la formulación dejó de significar lo que querías decir, en silencio. Los benchmarks publicados de optimización de portafolios cuántica chocan exactamente con esta clase de trampa de formulación; en el benchmark 2025 que citamos en nuestro veredicto de portafolios, las variantes de QAOA y annealing no alcanzaron las soluciones de Gurobi sobre las mismas instancias (arXiv:2509.17876, 2025).

Nota 2 — formulable ≠ ventajoso. En 2014, Andrew Lucas publicó formulaciones de Ising para "muchos problemas NP-completos y NP-difíciles, incluyendo los 21 problemas NP-completos de Karp", usando a lo sumo un número cúbico de espines en el tamaño del problema (Lucas, Front. Phys. 2:5, 2014; arXiv:1302.5843; traducción propia). Es un catálogo genuinamente útil — y se malinterpreta rutinariamente como una promesa. Que cada uno de estos problemas pueda escribirse como Hamiltoniano no te dice nada sobre si una máquina cuántica minimiza ese Hamiltoniano más rápido de lo que CP-SAT minimiza el original. La dificultad se conserva: encontrar el estado base de un modelo de Ising general es en sí mismo NP-difícil (Barahona, J. Phys. A 15, 3241, 1982). La traducción reubica la dureza; no la disuelve. Si el lado cuántico gana alguna vez es una pregunta de punto de cruce — y a agosto 2026, el marcador medido end-to-end en problemas útiles está en cero. Un corolario constructivo: un Hamiltoniano bien planteado sobre una instancia con nombre es exactamente el "claim acotado y preciso" que piden los jurados de premios serios — la formulación es donde empieza el rigor, a ambos lados del mostrador.

Nuestros propios datos, declarados. La serie sellada V-0012 de Rosetta es una instancia funcionando de esta cadena exacta: selección de cartera codificada como QUBO con la restricción de presupuesto como término de penalización, resuelta por QAOA (p=2) contra CP-SAT sobre las mismas instancias — 20 corridas selladas a n = 12/16/20 activos. CP-SAT encontró el óptimo probado 20/20; QAOA quedó 25–48% lejos, con el lado cuántico simulado sin ruido (lo cual lo favorece). Clase de problema chica, declarada como tal; el baseline clásico sigue invicto en nuestro ledger. Ver el veredicto de portafolios. No tenemos mediciones que sugieran que la ruta del Hamiltoniano le gane a un solver clásico fuerte en esta clase, y no reclamamos ninguna.

Qué sabemos / qué no sabemos

Qué sabemos. El Hamiltoniano en optimización es una función de costo renombrada; la cadena problema→QUBO→Ising→Hamiltoniano es mecánica y está documentada por vendors y toolkits (docs D-Wave; converters de Qiskit, accedidos ago 2026). Todo problema de los 21 de Karp admite tal formulación con sobrecosto de espines a lo sumo cúbico (Lucas, 2014). La codificación por penalizaciones tiene dos modos de falla, citables de la literatura 2026, y elegir el peso óptimamente es en sí NP-difícil (Ferrari et al., 2026). Encontrar el estado base de un Ising general es NP-difícil (Barahona, 1982). En nuestra propia clase chica medida, la ruta formulada-y-resuelta-en-cuántico perdió contra CP-SAT 20/20 (V-0012).

Qué no sabemos. Si el manejo más inteligente de restricciones (mixers que preservan viabilidad, penalty scheduling, codificaciones eficientes en qubits) cierra la trampa de inviabilidad en la práctica a escala útil — las propuestas de 2026 son jóvenes y están benchmarkeadas en familias de problemas angostas. Si algún pipeline de Hamiltoniano manufacturado alcanza un cruce medido en una instancia comercialmente relevante — no existe tal medición a agosto 2026, la nuestra incluida. Y si el sobrecosto de formulación (espines cúbicos en el peor caso, más la calibración de penalizaciones) deja lugar para la ventaja incluso si el hardware mejora — esa aritmética no está resuelta públicamente para ningún problema de negocio con nombre.

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