¿Qué es VQE y por qué entusiasma en química?

TL;DR (estado a agosto 2026). VQE — el Variational Quantum Eigensolver — es un algoritmo híbrido cuántico-clásico para estimar la energía de estado base de una molécula: un circuito cuántico parametrizado prepara un estado de prueba, el procesador mide su energía y un optimizador clásico ajusta los parámetros en un lazo. La química es el cliente entusiasmado porque la energía de estado base es el cuello de botella genuinamente cuántico de la simulación molecular. El registro medido es más chico que el entusiasmo: el VQE de química más grande corrido en hardware usó 12 qubits — y computó Hartree–Fock, una cantidad de campo medio que las máquinas clásicas obtienen trivialmente (Science 369, 1084, 2020) — ninguna corrida VQE publicada le ha ganado a un método clásico fuerte (CCSD(T), DMRG) en la misma molécula, y los equipos de frontera empezaron a reemplazar el propio lazo variacional de VQE. Tres frenos están medidos y tienen nombre: el ruido contra un objetivo de precisión de 1,6 milihartree, los barren plateaus en el entrenamiento, y una cuenta de mediciones que llega a 71 días por una sola evaluación de energía del etanol.

Estado a: agosto 2026.

¿Qué es VQE, exactamente?

Cuatro piezas móviles, un lazo. (1) El Hamiltoniano electrónico H de la molécula se codifica en qubits. (2) Un circuito parametrizado — el ansatz U(θ) — prepara un estado de prueba |ψ(θ)⟩. (3) El procesador estima la energía ⟨ψ(θ)|H|ψ(θ)⟩ término por término, promediando sobre muchos disparos. (4) Un optimizador clásico propone nuevos ángulos θ, y el lazo se repite hasta que la energía deja de bajar. Ese es todo el algoritmo, tal como se presentó en 2 qubits fotónicos para HeH⁺ en Peruzzo et al., Nature Communications 5, 4213 (2014).

Una propiedad honesta viene incluida en la matemática: por el principio variacional, la energía medida es siempre una cota superior de la energía real del estado base. VQE puede fallar hacia arriba; no puede mentir hacia abajo.

La anatomía debería resultar familiar si leíste nuestro post de QAOA: circuito parametrizado más optimizador clásico en un lazo. QAOA apunta ese lazo a funciones de costo combinatorias; VQE lo apunta a autovalores moleculares. Ambos son heurísticas — sin garantía de runtime probada — y ninguno aparece en la lista corta de ventajas cuánticas probadas.

Por qué la química es el caso estructuralmente fuerte

Los electrones son objetos cuánticos; simularlos exacto (full configuration interaction) escala exponencialmente en máquinas clásicas. Usar amplitudes e interferencia para representar estados electrónicos de forma nativa es el único lugar donde el hardware habla el idioma del problema — el mismo argumento estructural detrás del descubrimiento cuántico de fármacos.

El objetivo que importa tiene número: la "precisión química" es ~1 kcal/mol, unos 1,6 milihartree respecto de la respuesta exacta — la precisión a la que las diferencias de energía calculadas empiezan a predecir comportamiento real de reacciones (survey de VQE, arXiv:2602.11384, 2026).

Pero los titulares no son débiles — y un baseline débil arruina cualquier benchmark. CCSD(T), el "estándar de oro" clásico, y DMRG para sistemas fuertemente correlacionados corren de forma rutinaria en moléculas mucho más allá de todo lo que un procesador cuántico haya tocado.

¿Qué corrió de verdad en hardware?

Léase la tabla en frío: en química, una década de VQE movió el récord de hardware de 2 a 12 qubits, y la corrida de 12 qubits computó una cantidad de campo medio que una laptop evalúa en segundos — fue una prueba de estrés del hardware, no un resultado de química que a las máquinas clásicas les faltara. Las dos filas de muchos qubits llevan asterisco: 100 qubits fue teoría de campos en retículo, y 77 qubits directamente no fue VQE.

Qué lo frena: tres frenos medidos

Freno 1 — el ruido contra un objetivo de 1,6 mHa. La precisión química es un presupuesto de error microscópico, y cada error de compuerta, evento de decoherencia y falla de lectura de los procesadores de hoy (qué es de verdad un qubit) lo gasta. Los resultados de VQE en hardware con precisión química existen solo para sistemas muy chicos y se apoyan fuerte en mitigación de errores — que a su vez multiplica los disparos que pagas (cuánto cuesta una corrida).

Freno 2 — barren plateaus. Para ansätze expresivos con inicialización genérica, el paisaje de entrenamiento se aplana exponencialmente al agregar qubits: los gradientes se concentran hacia cero y el optimizador clásico pierde su señal (McClean et al., Nat. Commun. 9, 4812, 2018). El review de campo de 2025 nombra a los barren plateaus como "una de las principales barreras a la entrenabilidad" de los algoritmos variacionales (Larocca et al., Nat. Rev. Phys. 7, 174–189, 2025). El giro reciente corta más hondo: para familias amplias de circuitos, la ausencia probada de barren plateaus viene empaquetada con simulabilidad clásica — si el paisaje es probadamente entrenable, una computadora clásica muchas veces puede imitar el cómputo (Cerezo et al., Nat. Commun., 2025). El corredor entre "entrenable" y "todavía cuántico" es angosto, y nadie ha probado que esté habitado.

Freno 3 — el muro de las mediciones. Un Hamiltoniano molecular en las codificaciones estándar tiene O(N⁴) términos a medida que crece la molécula, y cada estimación de energía es una estadística promediada por disparos sobre esos términos. Costeado de punta a punta para energías de combustión de moléculas orgánicas chicas con precisión química: unas 3,2×10⁹ mediciones ≈ 1,9 días por una sola evaluación de energía del metano; unas 4,8×10¹⁰ ≈ 71 días para el etanol (Gonthier et al., Phys. Rev. Research 4, 033154, 2022). Eso compra una iteración; una optimización VQE completa necesita de decenas a cientos.

¿Alguna corrida VQE le ganó alguna vez al titular clásico?

No que podamos encontrar, a agosto 2026. No conocemos ninguna corrida VQE publicada en hardware que le gane a CCSD(T) o DMRG en la misma molécula con precisión química. La dirección de la validación es la pista: las demos en hardware se chequean contra referencias clásicas, nunca al revés, y el survey de febrero 2026 del campo benchmarkea las variantes de VQE en simulación contra respuestas clásicas de principio a fin (arXiv:2602.11384).

La evidencia más filosa es el giro de la propia frontera. El resultado insignia de química de IBM en 2025 — clústeres hierro-azufre en 77 qubits, circuitos de 10.570 compuertas — abandonó el lazo variacional por completo: el paper nombra "circuitos profundos y un gran número de mediciones" que llevan a "runtimes prohibitivos" como la razón para descargar la optimización en lo clásico (el enfoque SQD), y posiciona sus resultados como cotas superiores contrastadas contra DMRG y SHCI — no como victorias sobre ellos (Robledo-Moreno et al., Sci. Adv. 11, eadu9991, 2025). Cuando el equipo de la frontera deja de usar el lazo que define al algoritmo, eso es un dato sobre el algoritmo.

Nada de esto es una acusación. Cada demo de arriba es trabajo honesto publicado con sus límites declarados. La brecha entre la anatomía (elegante) y el registro (12 qubits, campo medio, cero victorias) es simplemente cómo se ve el estado del arte cuando se lo mide — la misma brecha que seguimos para el punto de cruce en cada clase.

Qué sabemos / Qué no sabemos

Qué sabemos (medido, con fuente): la mecánica de VQE y su barra de error de una sola dirección (cota superior variacional). El récord de hardware en química: 12 qubits, y era Hartree–Fock de campo medio (2020). Existe un VQE de 100 qubits — en física de retículos, no en química (2024). Los barren plateaus aplanan el entrenamiento exponencialmente (resultado 2018, review 2025), y la entrenabilidad probada tiende a viajar junto con la simulabilidad clásica (2025). La cuenta de mediciones con precisión química se mide en días por evaluación de energía (1,9 el metano, 71 el etanol; costeo 2022). Victorias VQE publicadas sobre métodos clásicos fuertes en la misma molécula: cero encontradas.

Qué no sabemos: si ansätze adaptativos con estructura química más mejor mitigación reabren el corredor que los barren plateaus cierran — la dirección que mapea el survey de 2026. Si los esquemas de reducción de mediciones (agrupamiento de operadores, shadow tomography) doblan el muro O(N⁴) lo suficiente a tamaños útiles. Dónde quedaría el punto de cruce para moléculas industrialmente relevantes — solo estimaciones, ningún punto medido. Si los híbridos clase-SQD heredan la promesa de VQE o la jubilan, y si la estimación de fase con tolerancia a fallos — y no un método variacional — termina siendo la herramienta cuántica real de la química. Datos propios de Rosetta: ninguno en esta clase. Nuestra serie molecular sellada (RQ-0007) mide quantum walks sobre grafos de proteínas — una clase de problema distinta (detalles acá); no tenemos corridas selladas de VQE ni de energías de estado base y no reclamamos ninguna medición en esta clase.

Fuentes

• Peruzzo et al., Nature Communications 5, 4213 (2014) — el primer VQE (HeH⁺, fotónico)
• Kandala et al., Nature 549, 242–246 (2017) — BeH₂ en 6 qubits superconductores
• Google AI Quantum (Arute et al.), Science 369, 1084–1089 (2020) — Hartree–Fock en 12 qubits
• Farrell et al., PRX Quantum 5, 020315 (2024) — vacío del modelo de Schwinger en 100 qubits
• Robledo-Moreno et al., Science Advances 11, eadu9991 (junio 2025) — SQD en 77 qubits
• McClean et al., Nature Communications 9, 4812 (2018) — barren plateaus
• Larocca et al., Nature Reviews Physics 7, 174–189 (2025) — review de barren plateaus
• Cerezo et al., Nature Communications (2025) — ausencia de barren plateaus vs. simulabilidad clásica
• Gonthier et al., Physical Review Research 4, 033154 (2022) — las mediciones como obstáculo
• Survey de métodos y benchmarking de VQE, arXiv:2602.11384 (feb 2026)

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