Computación cuántica hiperdimensional: un paradigma fundamental para arquitecturas neuromórficas cuánticas

Por qué importa este nuevo tipo de computación

Los ordenadores están en todas partes, pero muchos de los problemas más complejos de hoy —desde descifrar genomas hasta encontrar nuevos fármacos— siguen poniendo a prueba incluso a las máquinas más rápidas. Al mismo tiempo, los ordenadores cuánticos empiezan a pasar de ser curiosidades de laboratorio a herramientas prácticas. Este artículo presenta una forma de reconciliar esas dos líneas: un marco denominado computación cuántica hiperdimensional (QHDC), diseñado desde cero para que el hardware cuántico «piense» de un modo parecido al cerebro, basado en patrones.

De números largos a patrones ricos

Los ordenadores clásicos suelen tratar la información como números precisos procesados paso a paso. La computación hiperdimensional (HDC) toma otro camino: representa la información como vectores muy largos —imagínelos como flechas gigantes en el espacio—, donde cada flecha codifica un concepto, una imagen o incluso una frase. Operaciones sencillas sobre estas flechas pueden vincular conceptos (por ejemplo, asociar un país con su moneda), agrupar muchos ejemplos en un prototipo o barajar componentes para registrar el orden en una secuencia. Como la información se dispersa a lo largo de muchos componentes, estas representaciones son intrínsecamente robustas al ruido y están bien adaptadas para aprender rápido a partir de pocos ejemplos.

Uniendo códigos tipo cerebral con máquinas cuánticas

Los autores muestran que los trucos centrales de HDC encajan sorprendentemente bien con el funcionamiento natural de los ordenadores cuánticos. En QHDC, cada vector de alta dimensión se realiza como un estado cuántico distribuido sobre muchas configuraciones básicas de unos pocos qubits. Las entradas positivas y negativas del vector se transforman en fases cuánticas distintas, lo que facilita combinar dos vectores apilando sus patrones de fase. Las operaciones que agrupan muchos ejemplos en un prototipo se llevan a cabo con rutinas cuánticas avanzadas que suman cuidadosamente múltiples estados cuánticos, mientras que la información de orden se maneja mediante una versión cuántica de un barajado basada en la transformada de Fourier cuántica.

Cómo se pone a prueba el nuevo marco

Para ir más allá de la teoría, el equipo implementó QHDC usando el software Qiskit de IBM y lo ejecutó en simulación y en un procesador cuántico IBM Heron de 156 qubits. Primero probaron una tarea clásica de tipo rompecabezas: razonamiento analógico del tipo “EE. UU. es a Dólar como México es a ?”. Usando únicamente versiones cuánticas de las operaciones básicas de HDC, el sistema recuperó correctamente “Peso” como la pieza faltante en simulaciones ideales, igualando los resultados clásicos. Esto demostró que razonamientos bastante sutiles podían reproducirse usando únicamente estados cuánticos e interferencia, aunque el circuito completo fuera demasiado profundo para ejecutarse con fiabilidad en los dispositivos ruidosos actuales.

Enseñar a un sistema cuántico a reconocer números

La segunda prueba preguntó si QHDC podría aprender a partir de datos reales: distinguir imágenes de los dígitos manuscritos 3 y 6 del conjunto MNIST. Para ajustarse a los límites del hardware actual, las imágenes se redujeron a pequeños patrones en blanco y negro de 4×4. Cada imagen se codificó en un pequeño conjunto de estados de características cuánticas y luego se combinó en un prototipo por clase. Dado que la versión totalmente cuántica más ambiciosa de este paso de agrupación requeriría circuitos extremadamente profundos, los autores adoptaron un enfoque híbrido: realizaron la agrupación como una suma simple en el espacio clásico y luego re-codificaron el resultado como un estado cuántico. Una rutina cuántica conocida como la prueba de Hadamard comparó entonces el estado de cada nueva imagen con los dos prototipos para decidir la etiqueta.

Rendimiento hoy y esperanzas para mañana

En un ordenador convencional, este clasificador estilo HDC alcanzó una precisión comparable a enfoques estándar de aprendizaje automático. En simulaciones cuánticas ideales, la versión híbrida QHDC se acercó mucho, al tiempo que reveló un compromiso clave: los estados cuánticos de mayor dimensión mejoraban la separación de patrones pero exigían circuitos más profundos que el hardware actual lucha por ejecutar sin perder información. Al ejecutarlo en el dispositivo real de IBM, la precisión cayó conforme se acumulaba el ruido, pero los resultados aún reflejaron claramente el comportamiento previsto —y lo hicieron con mucho menos esfuerzo de entrenamiento que modelos populares de aprendizaje cuántico que requieren muchas rondas de ajuste de parámetros.

Qué podría significar esto para descubrimientos futuros

En términos sencillos, este trabajo muestra que existe una manera natural para que los ordenadores cuánticos almacenen y manipulen patrones ricos y tipo cerebral en lugar de solo números y lógica. Los autores sostienen que, a medida que mejore el hardware cuántico, QHDC podría alimentar herramientas rápidas y tolerantes al ruido para tareas como emparejar secuencias genómicas, cribar enormes bibliotecas químicas o fusionar muchos tipos de datos médicos en una sola huella específica del paciente. Por ahora, el estudio establece que estas ideas no son meras curiosidades matemáticas: pueden programarse, ejecutarse y medirse en máquinas reales, sentando una base práctica para la computación neuromórfica cuántica.

Cita: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

Palabras clave: computación cuántica, computación hiperdimensional, algoritmos neuromórficos, aprendizaje automático cuántico, reconocimiento de patrones