¿Qué es HHL y por qué su letra chica mató tantos claims?
Estado a: 15 de septiembre de 2026. Esta es una entrada de diccionario con lista de bajas. HHL — el algoritmo de Harrow–Hassidim–Lloyd para sistemas lineales (Phys. Rev. Lett. 103, 150502, 2009) — carga la letra chica más famosa de la computación cuántica: cuatro condiciones adosadas a su aceleración exponencial. Entre 2014 y 2016 se construyó sobre él una ola de claims de machine learning cuántico; entre 2018 y 2022, los algoritmos clásicos de «desquantización» tumbaron la mayor parte de esa ola. Rosetta Quantum archiva el algoritmo, las cuatro condiciones y el marcador — cada número con su fuente.
¿Qué hace HHL en realidad?
Prepara un estado cuántico — no una planilla de números. Dado un sistema lineal A·x = b, el algoritmo de Harrow, Hassidim y Lloyd (publicado en noviembre de 2008 como arXiv:0811.3171; en revista en Phys. Rev. Lett. 103, 150502, 2009) produce un estado cuántico |x⟩ proporcional a la solución A⁻¹|b⟩, con un circuito cuyo tamaño crece solo polilogarítmicamente con la dimensión N del sistema — para la tarea de preparar el estado, exponencialmente mejor en N que escribir las N entradas. Su motor es la estimación de fase cuántica, la subrutina que Rosetta archivó ayer en la entrada de QPE.
Tres hechos estructurales encuadran todo lo de abajo:
- El problema es tan duro como la computación cuántica entera. El paper original demuestra que la inversión de matrices en este modelo de acceso es BQP-completa (HHL 2009) — una simulación clásica rápida de HHL sobre todas las entradas colapsaría la distinción cuántico/clásico. El teorema no está en disputa; las aplicaciones sí lo estuvieron.
- El costo escala con la letra chica, no solo con N. El tiempo depende de la esparsidad s, del número de condición κ y de la precisión ε (HHL 2009). Childs, Kothari y Somma recortaron el costo de precisión exponencialmente, a polilogarítmico en 1/ε (SIAM J. Comput. 46, 2017); Costa et al. alcanzaron el escalado óptimo κ·log(1/ε) vía un teorema adiabático discreto (arXiv:2111.08152, 2021); y en marzo de 2026 Low y Su hicieron óptimo también el número de consultas al oráculo de preparación del estado, Θ(1/√p) (Quantum, 2026). El solver sigue afilándose. Las condiciones no se van.
- «Prepara un estado» hace todo el trabajo. Leer el vector solución completo, entrada por entrada, cuesta del orden de N repeticiones, lo que cancela la ganancia exponencial (Aaronson, Nat. Phys. 11, 291–293, 2015). Lo que HHL ofrece no es «resuélveme la planilla más rápido»; es «muestrea propiedades de la solución de un sistema enorme, esparso y bien condicionado que puedes cargar sin mirarlo».
¿Cuál es exactamente la letra chica?
Cuatro condiciones, detalladas por Scott Aaronson en su comentario de 2015 «Read the fine print» (Nat. Phys. 11, 291–293; versión técnica completa):
- Carga. El vector de entrada b debe convertirse en el estado cuántico |b⟩ rápido — lo que exige una fórmula explícita para sus entradas o una QRAM. La QRAM a escala útil no existe como hardware desplegado; Rosetta archivó ese cuello de botella aparte en la entrada de QRAM.
- Simulación. El computador debe poder aplicar e^(−iAt) eficientemente — cierto cuando A es esparsa o estructurada; falso en general.
- Condicionamiento. El tiempo crece aproximadamente linealmente con el número de condición κ (Aaronson 2015). Si κ crece polinomialmente con N, la aceleración exponencial desaparece.
- Lectura. La salida es el estado |x⟩. Puedes muestrearlo o estimar observables ⟨x|M|x⟩; extraer las entradas concretas de x cuesta en general del orden de N repeticiones (Aaronson 2015).
Nada de esto es un escándalo, y nada estuvo escondido — las salvedades están en el propio paper de 2009. El escándalo, donde lo hubo, fue aguas abajo: aplicaciones que renunciaron en silencio a una condición u otra y publicitaron igual la aceleración del titular.
¿Qué claims mató la letra chica?
La ola que cayó fue la del machine learning cuántico, 2014–2016: PCA cuántico, máquinas de vectores de soporte cuánticas y el algoritmo de recomendación de Kerenidis–Prakash (arXiv:1603.08675, 2016), todos construidos sobre álgebra lineal estilo HHL. En julio de 2018, Ewin Tang mostró un algoritmo clásico de muestreo que iguala la aceleración del sistema de recomendación hasta factores polinomiales (arXiv:1807.04271) — la ventaja exponencial anunciada se evaporó. El mismo kit «quantum-inspired» desquantizó después el PCA cuántico y el clustering supervisado (arXiv:1811.00414, 2018) y la propia inversión de matrices de bajo rango (Gilyén, Lloyd y Tang, arXiv:1811.04909, 2018; generalizado a un marco completo por Chia et al., J. ACM, 2022).
El patrón es exacto, y es la razón de esta entrada: cada claim desquantizado había renunciado a parte de la letra chica — casi siempre asumiendo datos de bajo rango. El bajo rango es precisamente el régimen donde un computador clásico puede imitar el acceso cuántico con muestreo inteligente; la heurística de la propia Tang es que el álgebra lineal de baja dimensión «probablemente puede desquantizarse», mientras que el régimen esparso genuinamente de alta dimensión es donde una aceleración cuántica puede sobrevivir (Tang, overview, 2019). Rosetta publicó la autopsia completa de ese episodio en la entrada de desquantización y el veredicto de machine learning en ¿sirve quantum para ML?; este post archiva el algoritmo sobre el que se construyeron esos claims.
| Claim construido sobre HHL | Año | Qué pasó | Estado, sep-2026 | Fuente |
|---|---|---|---|---|
| Sistemas de recomendación cuánticos (Kerenidis–Prakash) | 2016 | un algoritmo clásico lo iguala hasta factores polinomiales (Tang, jul-2018) | desquantizado | arXiv:1807.04271 |
| PCA cuántico / clustering supervisado | 2014 | desquantizado en el régimen de bajo rango anunciado (Tang, nov-2018) | desquantizado | arXiv:1811.00414 |
| Sistemas lineales / regresión de bajo rango vía HHL | 2009–2018 | inversión de bajo rango quantum-inspired (GLT 2018; marco de Chia et al.) | desquantizado | arXiv:1811.04909 · J. ACM 2022 |
| SVM cuántica / QML de mínimos cuadrados | 2014 | el régimen de kernel de bajo rango cae bajo el mismo marco; sin ventaja de punta a punta en ningún dataset | sin ventaja demostrada | J. ACM 2022 · Rosetta #12 |
| Sistemas esparsos, de alto rango y bien condicionados | abierto | sin desquantización conocida; sin demostración de punta a punta tampoco | abierto — solo teoría | Tang 2019 · Aaronson 2015 |
¿Qué sobrevive en septiembre de 2026?
El teorema sobrevive intacto — lo que murió fue un atajo de marketing. Lo que sigue en pie, con fuentes:
- La BQP-completitud (HHL 2009): la clase de problema es tan poderosa como la computación cuántica; no se desquantizará al por mayor sin colapsar esa clase.
- El régimen sobreviviente: sistemas esparsos, genuinamente de alta dimensión, bien condicionados, cuya entrada llega cuántico-nativa (de una simulación física, no de un CSV que necesitaría QRAM) y cuya respuesta es un observable, no un vector (Tang 2019; Aaronson 2015).
- Una línea de algoritmos que sigue moviéndose en 2026: escalado óptimo en κ (Costa et al. 2021) y consultas óptimas a la preparación del estado (Low & Su, Quantum, mar-2026) son mejoras teóricas reales y recientes.
Lo que no ha pasado, en el tiempo futuro que merece: una ventaja HHL de punta a punta sobre un dataset real — cargar, resolver, leer, ganarle al mejor pipeline clásico a igual presupuesto — tendrá que demostrarse; al 15 de septiembre de 2026 no existe tal demostración en el registro público, y HHL de punta a punta está por eso ausente de la lista de Rosetta de problemas con ventaja cuántica probada. Rosetta tampoco ha corrido HHL en su propia mesa — nuestro ledger registra cero advantaged solves con HHL, nuestros o de cualquiera — así que el veredicto de arriba se apoya en el registro público, no en datos de la casa.
¿Qué ha corrido de verdad en hardware?
Dimensión 2 en 2013; dimensión 8 en 2024. Las primeras demostraciones experimentales resolvieron sistemas 2×2 en procesadores fotónicos (Cai et al., Phys. Rev. Lett. 110, 230501, 2013). Once años después, la demostración récord en una aplicación es el hybrid HHL++ corrido por investigadores de JPMorganChase en hardware de iones atrapados Quantinuum H-series: sistemas 4×4 de optimización de portafolios, un estudio de escalado a 8×8, profundidad de compuertas de dos cúbits de hasta 291, y una degradación mediana de 4,17% frente a la simulación sin ruido — autodescrito como «las mayores demostraciones experimentales de HHL para una aplicación hasta la fecha» (Sci. Rep. 14, 20610, sep-2024). Quince años después del paper, la frontera medida del algoritmo de la promesa exponencial es una matriz de 8×8. No es un insulto; es la escala honesta del hardware actual — y es el número que corresponde en la portada.
Qué no sabemos
- Si existe un dataset comercialmente relevante que cumpla las cuatro condiciones. El régimen sobreviviente está bien definido en teoría; nadie ha exhibido todavía un sistema lineal industrial con nombre, con su vía de carga y su observable, que viva en él. La ausencia del exhibit no es prueba de ausencia.
- Si el régimen esparso de alto rango también caerá. Hoy no hay desquantización de ese régimen ni prueba de que sea imposible (Tang 2019). Ambas direcciones siguen abiertas.
- Qué ha corrido en privado. Nuestro conteo de hardware cubre el registro público; corridas industriales más allá de 8×8 nunca publicadas quedarían fuera.
- Las curvas de costo futuras. Las mejoras de solvers de 2022–2026 seguirán componiéndose o se estancarán; no vamos a pronosticar cuál. Actualizaremos esta entrada cuando el registro público se mueva.
Rosetta Quantum publica veredictos con datos crudos reproducibles. Esto es contenido educativo, no un claim de producto.