¿Qué es la "dequantización" y qué claims tumbó?
Un claim de ventaja cuántica tiene dos componentes: un runtime cuántico y un baseline clásico. La dequantización es lo que pasa cuando alguien por fin construye el baseline clásico contra el que el claim debió medirse. El algoritmo cuántico no se rompe. La matemática sigue correcta. Lo que muere es la comparación — y con ella, la palabra "exponencial". Es el modo de falla más repetido de los claims de machine learning cuántico, y tiene historia precisa: arranca en julio de 2018 con una estudiante de 18 años y una matriz de recomendaciones, y su entrada más reciente está fechada abril de 2026.
¿Qué es exactamente la dequantización?
Un algoritmo cuántico queda dequantizado cuando aparece un algoritmo clásico que resuelve el mismo problema, bajo un modelo de entrada comparable, con runtime a lo sumo polinomialmente — no exponencialmente — peor. El término se instaló tras el resultado de Ewin Tang en 2018: el algoritmo cuántico de recomendaciones de Kerenidis–Prakash (arXiv:1603.08675, ITCS 2017) corría en tiempo polilogarítmico en las dimensiones de la matriz y se creía exponencialmente más rápido que cualquier método clásico. Tang produjo un algoritmo clásico en O(poly(k) · polylog(m,n)) — polilogarítmico en las dimensiones también, polinomialmente más lento en el rango k. Separación exponencial: eliminada.
El matiz importante, y la razón de que esto sea un explainer de Pilar C y no una acusación: la dequantización es una medición corregida, no un fraude expuesto. El algoritmo cuántico de Kerenidis–Prakash era y sigue siendo correcto; el clásico de Tang incluso reutiliza su insight estructural. Lo que cayó fue la creencia de que no existía solución clásica rápida. Nadie había buscado lo suficiente — hasta que el claim cuántico hizo que valiera la pena buscar.
¿Cómo colapsa un speedup exponencial? El truco del modelo de acceso
Todos los claims caídos de esta familia murieron igual, y el mecanismo estaba señalado por escrito tres años antes de Tang: "Read the fine print" de Aaronson (Nature Physics, 2015) advertía que los speedups de QML se apoyaban en un supuesto de preparación de estado — al algoritmo se le entregan los datos ya cargados como amplitudes cuánticas, vía una QRAM que nadie ha construido a escala.
La jugada de Tang fue nivelar la mesa: darle al algoritmo clásico un poder análogo — acceso por muestreo en norma ℓ² a los datos (la sombra clásica de lo que otorga la QRAM). Con modelos de acceso emparejados, la brecha exponencial colapsó a polinomial. Su siguiente paper (arXiv:1811.00414, publicado en PRL 2021) lo dice en el título: la qPCA "solo logra un speedup exponencial por sus supuestos de preparación de estado". Ese es todo el truco. No hardware clásico mejor. No un resultado nuevo de física. El mismo acceso, concedido a ambos lados.
Si suena conocido, debería: es el gemelo teórico de por qué un baseline clásico débil arruina un benchmark cuántico. Un benchmark con rival clásico subpotenciado y un teorema con modelo de entrada clásico subpotenciado fallan idéntico — la ventaja la crea la comparación, no la física.
¿Qué claims cayeron?
| Claim cuántico | Reclamado | Igualado clásicamente por | Cuándo |
|---|---|---|---|
| Sistemas de recomendación (Kerenidis–Prakash, ITCS 2017) | 2016 | Tang, STOC 2019 (arXiv:1807.04271) | jul 2018 |
| Quantum PCA (Lloyd–Mohseni–Rebentrost, Nature Physics 10, 631) | 2014 | Tang, PRL 127, 060503 (arXiv:1811.00414) | oct 2018 |
| Clustering de centroide más cercano (Lloyd et al., arXiv:1307.0411) | 2013 | Tang, mismo paper | oct 2018 |
| Sistemas lineales / regresión low-rank y densos | 2018 | Gilyén–Lloyd–Tang; Chia–Lin–Wang | nov 2018–2019 |
| qSVM, SDP low-rank, análisis discriminante, simulación hamiltoniana low-rank | 2014–2017 | Chia, Gilyén, Li, Lin, Tang & Wang — un solo framework (arXiv:1910.06151, STOC 2020; J. ACM 2022) | 2019–2020 |
| Ventaja super-cuadrática de short-path en optimización exacta (Dalzell–Pancotti–Campbell–Brandão, STOC 2023) | 2023 | Le Gall–Tamaki (arXiv:2604.12131) — preprint, sin revisión de pares | abr 2026 |
El paper-framework de 2020 es el sistémico: mostró que una sola técnica clásica de muestreo — el muestreo en norma ℓ² aproxima productos de matrices en tiempo independiente de la dimensión — dequantiza en una pasada prácticamente todo el portafolio QML de bajo rango. Y la entrada de abril 2026 muestra que el mecanismo sigue activo fuera del QML: la ventaja super-cuadrática reclamada por los algoritmos short-path sobre la búsqueda clásica en problemas tipo MAX-k-CSP retrocede hacia el régimen cuadrático ordinario (clase Grover) en cuanto se escribe el algoritmo clásico correcto. Esa última fila es un preprint y todavía puede moverse en cualquier dirección; la registramos como reclamada, no como resuelta.
¿Qué claims siguen en pie — y por qué?
La dequantización tiene una frontera, y no es arbitraria — partes de ella tienen forma de teorema:
| Claim en pie | Desde | Por qué se sostiene |
|---|---|---|
| Factorización de Shor | 1994 | 32 años sin par clásico; brecha superpolinomial intacta |
| Sistemas lineales HHL — régimen sparse y bien condicionado | 2009 | BQP-completo (PRL 103, 150502): dequantizarlo colapsaría toda la computación cuántica (BQP = BPP) |
| QSVT sobre matrices sparse a precisión 1/poly | 2021 | BQP-completo (Gharibian–Le Gall, STOC 2022); a precisión constante SÍ es simulable clásicamente — la frontera es la precisión, no la sparsity |
| Simulación de dinámica hamiltoniana | — | BQP-completa; el núcleo de "simular lo cuántico con lo cuántico" |
El patrón se lee solo: todo lo dequantizado hasta hoy vivía en el régimen low-rank + acceso por muestreo. Nada del régimen sparse / alta precisión ha caído — y Gharibian–Le Gall da la versión más filosa de la línea: la misma tarea de QSVT pasa de simulable clásicamente a BQP-completa cuando el requisito de precisión se aprieta de constante a inverso-polinomial. El foso alrededor de la ventaja cuántica sobreviviente no es un claim de marketing; es una prueba de completitud.
¿Cómo leer el próximo claim de "speedup exponencial"?
Tres preguntas, en orden. Uno: ¿el lado clásico recibe el mismo modelo de acceso a datos que asume el cuántico? Si al algoritmo cuántico se le entregan estados pre-cargados en QRAM y el rival clásico debe leer disco crudo, la comparación está rota por construcción — ese es el test de Tang. Dos: ¿el baseline es el mejor conocido clásico hoy, o el mejor citado en la sección de related work del paper? Divergen, y en esa divergencia mueren los benchmarks. Tres: si el claim sobrevive ambas, preguntá dónde queda realmente el punto de cruce — una ventaja asintótica real puede seguir siendo comercialmente irrelevante por décadas. Y mantené ventaja separada de supremacía: la dequantización opera sobre claims de tarea útil, que es exactamente por qué le importa a un comprador.
Las corridas selladas propias de Rosetta (V-0012 y la serie RQ) son benchmarks de optimización, no QML — no tenemos medición propietaria en la clase de la dequantización y no la reclamamos. Lo que nuestra práctica de ledger comparte con esta historia es la regla operativa que valida: todo claim de ventaja es "todavía no" hasta que sobrevive al rival clásico más fuerte con acceso emparejado — porque seis veces en ocho años, el rival llegó tarde y ganó.
Qué no sabemos
- Si las ventajas polinomiales sobrevivientes importan en la práctica. Post-dequantización, las tareas QML de bajo rango pueden retener ventajas cuánticas polinomiales chicas en el papel; nadie las midió punta a punta en hardware real contra código clásico de muestreo afinado. No existe head-to-head publicado.
- Si una QRAM a la escala asumida puede construirse siquiera. Si no puede, los runtimes cuánticos originales eran hipotéticos en ambos extremos de la comparación. A agosto 2026 no hay demostración de QRAM a escala.
- Si Le Gall–Tamaki es la última palabra sobre short-path. Es un preprint (abr 2026), sin revisión de pares; las constantes de ambos lados aún pueden moverse.
- Cuántos claims hoy en pie tienen una dequantización pendiente. El Quantum Algorithm Zoo lista cientos de algoritmos cuánticos; ningún registro rastrea la fuerza del baseline clásico de cada uno en el tiempo. Ese hueco es estructural — y es el hueco que un ledger de verificación existe para cerrar.
- Rosetta no tiene corridas selladas en esta clase de problemas. Nuestros datos medidos son de clase optimización; todo lo anterior descansa en la literatura externa citada.
Rosetta Q publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto.