¿Qué es un decodificador de corrección de errores cuánticos y por qué es un problema clásico de tiempo real?

TL;DR (estado al 19 de octubre de 2026): Al 19 de octubre de 2026, el único decodificador en tiempo real medido en un experimento de corrección de errores cuánticos por debajo del umbral, en el registro fechado que Rosetta Quantum compiló para esta entrada, es el de Google: sostuvo una latencia media de 63 ± 17 µs mientras cada 1,1 µs llegaba una ronda nueva de síndromes en un procesador superconductor de 72 qubits (arXiv:2408.13687). Un decodificador es el algoritmo clásico que convierte las mediciones de síndrome de un computador cuántico en correcciones, y es un problema de tiempo real por la regla de los propios experimentadores: el throughput de decodificación «must keep pace» con el ciclo de 1,1 µs, o el backlog de síndromes crece y el cómputo se frena exponencialmente. El decodificador más preciso publicado, AlphaQubit de Google DeepMind, comete 6% menos errores que los métodos de redes tensoriales — y sus autores declaran que sigue siendo «still too slow» para corregir errores en tiempo real (blog.google, 2024-11-20). Rosetta Quantum lee la carrera de los decodificadores como el cuello de botella clásico más nítido dentro de todo roadmap cuántico: a un millón de qubits físicos, el CEO de Riverlane pronostica un tráfico de síndromes cercano a 100 TB/s (Ars Technica, 2024-07-09).

¿Qué es un decodificador?

El algoritmo clásico que mantiene vivo a un qubit lógico. La corrección de errores cuánticos divide el trabajo en dos: el hardware cuántico corre mediciones de estabilizadores en cada ciclo y emite un chorro de bits — los síndromes — que señalan dónde pudo golpear un error; un computador clásico corre entonces el decodificador, un algoritmo de inferencia (matching perfecto de peso mínimo, union-find, propagación de creencias o una red neuronal) que lee esos síndromes e infiere qué corrección aplicar. El qubit lógico que publicita un vendor no existe sin esta segunda mitad: la razón físico:lógico que rastrea nuestro ledger asume que el decodificador cumple, y nuestra auditoría de quién hace el trabajo en los sistemas híbridos aplica aquí al pie de la letra — dentro de cada qubit lógico «cuántico» hay un computador clásico trabajando a toda velocidad. Lo que vuelve inusual al decodificador entre los problemas clásicos no es su dificultad en reposo sino su deadline, y ese deadline está medido.

¿Por qué es un problema de tiempo real?

Porque el deadline se repite cada microsegundo. En el experimento below-threshold de Google, una ronda nueva de síndromes llega cada 1,1 µs, y el paper enuncia la regla sin rodeos: el throughput de transmitir, procesar y decodificar la información de síndrome «must keep pace with the fast error correcting cycle time of 1.1 µs» — y su material suplementario agrega que fallar en eso «causes syndrome backlog to accumulate», lo que puede frenar el cómputo exponencialmente (arXiv:2408.13687). Para un experimento de memoria se puede decodificar offline, después de la corrida; pero en el momento en que un programa ramifica sobre una medición lógica — feed-forward, las operaciones no-Clifford que todo algoritmo útil necesita — el marco de corrección debe resolverse antes del paso siguiente, y la latencia del decodificador se vuelve un piso bajo la velocidad de reloj lógica. El presupuesto depende del ritmo del propio hardware: los qubits superconductores ciclan en torno al microsegundo, mientras los iones atrapados corren miles de veces más lento (nuestra comparación de arquitecturas), y por eso Quantinuum puede declarar un presupuesto de decodificación en tiempo real de unos 2 ms para Helios (comunicado de lanzamiento, 2025-11-05, verificado en nuestra corrida del 16 de octubre — nuestra hoja de especificaciones de Helios) mientras el decodificador de Google debe responder en decenas de microsegundos. El mismo problema, con deadlines a tres órdenes de magnitud de distancia.

¿Qué está medido hoy?

Un solo experimento ancla la columna de tiempo real. El decodificador en tiempo real de Google sostuvo una latencia media de 63 ± 17 µs, aproximadamente constante en corridas de hasta 1,1 segundos — un millón de ciclos — a distancia de código 5 en un procesador de 72 qubits, manteniéndose por debajo del umbral con un factor de supresión de error Λ = 2,0 ± 0,1 (arXiv:2408.13687). Todos los demás números del registro fechado que Rosetta Quantum compiló abajo miden una pieza del pipeline, no el lazo cerrado: chips decodificadores, throughput de GPU, latencia de transporte, pronósticos. Una fila por número, con la fuente al lado:

Los números de esta tabla no son comparables entre sí — códigos distintos, sistemas distintos, definiciones distintas de latencia — e imprimirlos lado a lado es una ayuda de lectura, no un benchmark. La única cifra de lazo cerrado, below-threshold y en tiempo real es la de la primera fila.

¿Por qué la precisión y la velocidad tiran en direcciones opuestas?

Porque el mismo experimento midió ambas e imprimió la brecha. El decodificador en tiempo real de Google alcanzó un error lógico por ciclo de 0,35% ± 0,01% a d=5; su decodificador de red neuronal offline, sin deadline, alcanzó 0,269% ± 0,008% sobre los mismos datos (arXiv:2408.13687). Ese margen — en torno a 30% más de error lógico a cambio de responder en 63 µs — es el precio medido del tiempo real. AlphaQubit vive en el extremo opuesto del mismo trade-off: Google DeepMind reporta que comete 6% menos errores que los métodos de redes tensoriales, a los que el propio equipo llama «highly accurate but impractically slow», y 30% menos errores que el matching correlacionado, la línea base rápida y escalable — y luego declara el límite con sus propias palabras: es «still too slow to correct errors in a superconducting processor in real time» (blog.google, 2024-11-20). El trade-off importa en lo económico, no solo en lo técnico: un decodificador más preciso sube la supresión efectiva de error, lo que baja la distancia de código — y por lo tanto la cantidad de qubits físicos — que necesita cada qubit lógico. El decodificador mueve en silencio la razón físico:lógico que convierte roadmaps en fechas.

¿Qué tan grande se vuelve el lado clásico a escala?

Lo bastante grande como para que se esté formando una industria de hardware alrededor. El CEO de Riverlane dejó el pronóstico de escala en el registro: «At a million physical qubits, we’ll be processing about a hundred terabytes per second, which is Netflix global streaming» (Ars Technica, 2024-07-09) — un pronóstico, no una medición, y así lo imprimimos. Las respuestas de ingeniería ya son medibles. El decodificador Collision Clustering de Riverlane corre a velocidad de decodificación de MHz en una FPGA, y como ASIC ocupa 0,06 mm² y consume 8 mW manejando códigos de superficie de hasta 1.057 qubits (arXiv:2309.05558, publicado en Nature Electronics; The Quantum Insider, 2025-01-07); su página de producto vigente, Deltaflow 2, reclama corrección de errores en tiempo real sobre hasta 250 qubits físicos (riverlane.com, accedida 2026-10-19). La apuesta de NVIDIA pasa por GPUs de propósito general: CUDA-Q QEC entrega decodificación Relay-BP acelerada en GPU a 1,6 millones y 500.000 iteraciones por segundo sobre los dos códigos qLDPC gross, más una vía TensorRT para decodificadores de IA y decodificación por ventana deslizante (NVIDIA dev blog, 2025-12-17), con NVQLink como transporte cuya ida y vuelta medida es de 3,96 µs (máx) — un número obtenido sin procesador cuántico en el lazo, como documenta nuestra entrada de NVQLink; los despliegues de producción de QEC en lazo cerrado a través de él estaban en cero en nuestra corrida del 17 de octubre. Si un decodificador debe vivir en una FPGA junto al refrigerador o en una GPU al otro lado de un enlace de red es, hoy, una discusión de ingeniería abierta con evidencia fechada de los dos lados — exactamente la clase de discusión que el ledger de Rosetta existe para arbitrar.

¿Qué debería hacer un lector con un anuncio de «qubit lógico»?

Hacer tres preguntas que el comunicado suele saltearse. ¿La decodificación fue en tiempo real u offline? — decodificar offline es ciencia legítima y no dice nada sobre correr algoritmos con feed-forward. ¿Cuál fue la latencia del decodificador contra el ciclo de la propia máquina? — 63 µs es un resultado contra un ciclo de 1,1 µs en hardware superconductor y sería trivial contra un presupuesto de 2 ms en iones atrapados. ¿Y qué decodificador produjo la fidelidad del titular? — si la respuesta es un decodificador offline lento, el número en tiempo real, cuando exista, será peor, por un margen que el experimento de Google permite estimar en decenas de por ciento (arXiv:2408.13687). El tiempo futuro también importa: el roadmap de Riverlane apunta a un millón de operaciones cuánticas en tiempo real hacia 2026 (riverlane.com, accedida 2026-10-19), y la arquitectura de NVIDIA apunta a tolerancias de latencia de decenas de microsegundos (arXiv:2510.25213) — ambas contarán como medidas cuando un lazo cerrado sobre hardware cuántico publique sus números, y no antes.

Qué no sabemos

• La velocidad real de AlphaQubit. Google declara que es demasiado lento para tiempo real pero no publica una cifra de latencia en el anuncio, así que el tamaño de esa brecha está sin medir en las fuentes que pudimos leer.
• Si se publicó una decodificación en tiempo real below-threshold por encima de distancia 5. El resultado a d=7 del mismo paper de Google (0,143% ± 0,003% por ciclo) salió del decodificador de red neuronal offline. Nuestro escaneo de esta corrida no encontró una demostración en tiempo real más grande — una afirmación sobre nuestra búsqueda, no sobre el campo.
• La comparabilidad entre arquitecturas. Las latencias de nuestra tabla vienen de códigos, sistemas y definiciones distintas (latencia media, ida y vuelta máxima, throughput). Comparten una página, no un benchmark.
• Si el throughput de GPU sobrevive a un lazo cerrado. Los 3,96 µs de ida y vuelta no tuvieron QPU en el lazo, y las cifras de CUDA-Q son solo del decodificador. El número de lazo cerrado sobre hardware cuántico real por esa vía no es público.
• La cifra de 100 TB/s. Es el pronóstico de un CEO para máquinas que todavía no existen. La imprimimos fechada y atribuida, no como medición.

Fuentes

• Google Quantum AI and Collaborators — «Quantum error correction below the surface code threshold» (arXiv:2408.13687; publicado en Nature): decodificador en tiempo real 63 ± 17 µs a d=5, ciclo 1,1 µs — arxiv.org
• Google DeepMind / Google Quantum AI — «AlphaQubit tackles one of quantum computing’s biggest challenges» (2024-11-20) — blog.google
• Barber et al. — «A real-time, scalable, fast and highly resource efficient decoder for a quantum computer» (arXiv:2309.05558; Nature Electronics, DOI 10.1038/s41928-024-01319-5) — arxiv.org
• The Quantum Insider — «Riverlane Reports Decoder Tech Sets New Standard in Quantum Error Correction» (2025-01-07) — thequantuminsider.com
• John Timmer, Ars Technica (republicado por Cambridge Innovation Capital) — «Why every quantum computer will need a powerful classical computer» (2024-07-09): Brierley, «about a hundred terabytes per second» — www.cic.vc
• Riverlane — página de producto de Deltaflow Decode (accedida 2026-10-19): «real-time error correction on up to 250 physical qubits» — riverlane.com
• NVIDIA — «Real-Time Decoding, Algorithmic GPU Decoders, and AI Inference Enhancements in NVIDIA CUDA-Q QEC» (2025-12-17) — developer.nvidia.com
• «Platform Architecture for Tight Coupling of High-Performance Computing with Quantum Processors» (arXiv:2510.25213, v2 2025-11-03): latencia de ida y vuelta 3,96 µs (máx) — arxiv.org
• Quantinuum — comunicado de lanzamiento comercial de Helios (2025-11-05): presupuesto de decodificación en tiempo real de ≈2 ms (verificado en nuestra corrida del 2026-10-16; la página no cargó en esta corrida) — www.quantinuum.com
• Rosetta Quantum — entradas relacionadas del ledger: #33 qubits lógicos y la razón · #20 superconductores vs iones atrapados · #44 quién hace el trabajo en los híbridos · #82 Helios, medido vs prometido · #83 qué conecta de verdad NVQLink

Rosetta Quantum publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto. Cuántica, medida de forma independiente.