¿Por qué un baseline clásico débil arruina un benchmark cuántico?
Un benchmark cuántico es una resta. Mides el costo de un método cuántico, mides el costo de un método clásico sobre el mismo problema, y el reclamo es la diferencia entre ambos. Eso significa que el número que publicas es tan honesto como lo sea el lado clásico de la resta. Elige un rival débil y puedes fabricar la ventaja que quieras — sin necesidad de mejor hardware.
Esta es la forma más común en que un benchmark cuántico miente, y casi nunca es con mala fe. Es un equipo cuántico fuerte que no es además un equipo clásico fuerte, corriendo el baseline clásico en su configuración por defecto, o eligiendo el algoritmo clásico equivocado, y reportando la brecha de buena fe. El resultado se lee como física. Es aritmética.
¿Qué es exactamente un "baseline"?
El baseline es el método clásico contra el que compites: el solver concreto, su afinamiento, el hardware en que corre y el presupuesto de reloj o energía que se le da. "Las computadoras clásicas necesitan X" no es un baseline — es una frase. Un baseline es Gurobi 11 con estos parámetros, en esta CPU, con los mismos 60 segundos. La fuerza de ese rival fija todo el significado del resultado. Un benchmark contra un baseline fuerte es una medición. Un benchmark contra un espantapájaros es un comunicado de prensa.
Por qué un baseline débil mueve el punto de cruce gratis
Se conecta directo con el punto de cruce: el tamaño de problema N* donde el método cuántico por fin resulta más barato que el mejor clásico. N* es donde una aceleración deja de ser académica y se vuelve real. Pero N* se define contra una curva clásica específica. Debilita esa curva — sube su costo — y su intersección con la curva cuántica se corre a la izquierda. No moviste la física; moviste al rival, y el cruce se movió con él.
Lee la curva dorada y la curva turquesa como el mismo problema clásico resuelto de dos maneras. El baseline débil (dorado, punteado) explota rápido y cruza la curva cuántica en un "N* falso" pequeño — el cuántico parece ganar. El baseline fuerte (turquesa) queda más barato que el cuántico en todo tamaño del rango: no existe cruce alguno. Nada del dispositivo cuántico cambió entre las dos imágenes. Solo cambió el rival.
El historial: reclamos que se evaporaron cuando llegó un baseline fuerte
Esto no es hipotético. Los resultados "más allá de lo clásico" más citados de los últimos tres años fueron, en cada caso, igualados por un método clásico que llegó después del titular — casi siempre redes tensoriales, con frecuencia en hardware que un científico ya tiene.
| Reclamo | Qué se afirmó | Baseline clásico fuerte que lo igualó | Fuente |
|---|---|---|---|
| IBM Ising pateado, 127 qubits, 2023 | valores de expectación "más allá de la fuerza bruta" | métodos de red tensorial los reprodujeron con cómputo modesto, 2023–24 | Kim et al., Nature 618, 500 (2023); Tindall et al., PRX Quantum 5, 010308 (2024) |
| Vidrio de espín de D-Wave Advantage2, mar 2025 | dinámica de temple fuera del alcance clásico | redes tensoriales 2D/3D reprodujeron regímenes clave en una laptop, 2025–26 (en disputa) | Tindall et al., arXiv:2503.05693 (2025) |
| Aceleraciones QML exponenciales, ~2018 | brecha exponencial sobre lo clásico | algoritmos clásicos desquantizados con escalamiento comparable | Tang, arXiv:1807.04271 (2018) |
El patrón no es que el hardware cuántico sea falso. Los valores de expectación de IBM eran reales; el dispositivo de D-Wave hizo lo que hizo; los circuitos de QML corrieron. El patrón es que el baseline clásico de la comparación original no era el más fuerte disponible, y la brecha se encogió — a veces a cero — una vez que lo fue. Lee cada uno como una medición corregida, no como un fraude expuesto. El caso de D-Wave en particular sigue abierto: D-Wave disputa que la refutación con redes tensoriales cubra todo el régimen reclamado. Esa disputa es justamente el punto — el argumento ahora es sobre qué baseline clásico es lo bastante fuerte, que es exactamente el argumento correcto.
Cómo saber si un baseline es lo bastante fuerte
Antes de creer cualquier número de ventaja, interroga el lado clásico, no el cuántico:
- El mejor conocido, no el conveniente. ¿El baseline es el solver clásico estado del arte para esta clase de problema (Gurobi/CP-SAT para optimización, redes tensoriales para estos sistemas de espín, clase DiffDock para acoplamiento), o la primera librería que importó sin errores?
- Afinado, no por defecto. ¿El solver clásico lo configuró alguien que quería que ganara, o corrió en ajustes de fábrica?
- Misma instancia, mismo presupuesto. ¿Instancias idénticas, mismo presupuesto de reloj o energía, misma clase de hardware en ambos lados?
- Reportado, no narrado. ¿El resultado clásico es un número medido con semilla y configuración que puedes recorrer — o una frase ("lo clásico tardaría años") sin artefacto detrás?
- Reproducible. ¿Puede alguien externo recorrer ambos lados y obtener la misma brecha?
Un "no" en cualquiera basta para retener el juicio. No para concluir que el lado cuántico está mal — para concluir que el benchmark todavía no se ganó un veredicto.
Lo que corrimos nosotros
Sometemos nuestros propios veredictos a la regla 1, y eso nos cuesta resultados positivos. En el veredicto V-0012 (RQ-0012), optimización de portafolios, QAOA a profundidad p=2 contra CP-SAT en 20 corridas selladas a n=12/16/20: CP-SAT probó el óptimo 20 de 20, mientras QAOA quedó 25–48% lejos sin tendencia con el tamaño. Si hubiéramos calificado a QAOA contra un baseline débil — muestreo aleatorio, o una búsqueda local sin afinar — QAOA habría "ganado", y esa victoria sería un artefacto de un mal rival, no una propiedad del algoritmo. Usamos un baseline fuerte a propósito, y contra él no hay cruce. Nota la asimetría que lo hace honesto: nuestras corridas cuánticas son simulaciones sin ruido, que favorecen al lado cuántico, y aun así pierde contra un solver clásico bien afinado.
Qué no sabemos
No hemos recorrido de forma independiente las refutaciones con redes tensoriales de los resultados de IBM o D-Wave; reportamos el historial publicado y la disputa en curso, no la arbitramos. "El baseline clásico más fuerte conocido" es un blanco móvil — un método fuerte hoy puede ser superado por un mejor algoritmo clásico mañana, que es justo por qué los reclamos de cruce se degradan. No podemos probar un negativo: la ausencia de un método clásico que le gane a un resultado cuántico dado nunca es final, solo actual. Y un baseline fuerte es necesario, no suficiente — misma instancia, mismo presupuesto y reproducibilidad también tienen que cumplirse.
Rosetta Q publica veredictos con datos crudos reproducibles. Esto es contenido educativo sobre metodología de medición, no un claim de producto. Un benchmark es tan fuerte como el baseline clásico al que le gana; sometemos el nuestro al más fuerte que encontramos, y publicamos los negativos.