Inicio › Tecnología › Computación Cuántica Aplicada
Campo qué se ocupa de traducir los principios teóricos de la computación cuántica en casos de uso concretos para sectores como la química, las finanzas, la logística o la ciencia de materiales, normalmente mediante algoritmos híbridos qué combinan un ordenador cuántico con procesamiento clásico: el hardware cuántico resuelve la parte del problema donde puede aportar ventaja, y un ordenador convencional se encarga del resto del flujo, incluida la preparación de datos y la interpretación de resultados. A diferencia de la investigación teórica sobre el hardware, esta rama se centra en identificar qué problemas reales de una industria concreta podrían beneficiarse ya, o a corto-medio plazo, de estos algoritmos.
Si la computación cuántica a secas es la ciencia de cómo construir y hacer funcionar estos ordenadores, la computación cuántica aplicada es la parte qué pregunta para qué problema real de una empresa sirve esto ya, o en unos años, buscando casos de uso concretos en lugar de quedarse en la teoría.
Una aseguradora o un banco puede explorar algoritmos cuánticos híbridos para problemas de optimización de carteras, donde el número de combinaciones posibles crece muy rápido con cada variable añadida; en la práctica hoy esto se hace probando estos algoritmos sobre simuladores clásicos o hardware cuántico de acceso limitado en la nube, como investigación aplicada más qué como sustituto maduro de las herramientas actuales.
En la mayoría de sectores todavía se encuentra en fase de experimentación, ejecutando pruebas de concepto sobre hardware cuántico remoto o simuladores clásicos, más qué reemplazando sistemas de producción críticos, ya qué el hardware actual sigue teniendo limitaciones de escala y de tasa de error.
Es un enfoque qué reparte el trabajo entre un ordenador cuántico, qué resuelve la subparte del problema donde aporta ventaja, y uno clásico, qué gestiona el resto; se usa porque el hardware cuántico actual tiene un número limitado de qubits fiables.
Química y ciencia de materiales para simulación molecular, finanzas para optimización de carteras y gestión de riesgo, y logística para problemas de rutas con muchísimas variables combinadas, todos con problemas qué crecen de forma muy costosa para los métodos clásicos.