Computación cuántica

Google Quantum AI demuestra la contextualidad en 105 qubits

Quinn Aster
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveEl juego de cuadrados mágicos de Google ganó el 98,3 % de las veces frente a un límite…
Ver más
  • El juego de cuadrados mágicos de Google ganó el 98,3 % de las veces frente a un límite clásico del 88,9 %.
  • La ventaja cuántica del juego de paridad GHZ se redujo a medida que se añadieron más jugadores.
  • Las pruebas de contextualidad también sirven como diagnósticos de hardware al exponer errores coherentes que las operaciones aleatorias pasan por alto.

Google Quantum AI anunció el 19 de noviembre de 2026 que una investigación publicada en la portada de Science había demostrado la contextualidad de la medición a gran escala en sus procesadores superconductores, incluido un juego de coordinación ganado el 98,3 % de las veces, por encima del límite clásico del 88,9 %.

La contextualidad significa que el resultado de una medición no es un valor predeterminado, sino que depende de qué otras mediciones compatibles se realicen simultáneamente. La teoría sugiere que esta propiedad podría impulsar ciertos algoritmos cuánticos, pero las demostraciones anteriores se habían limitado en su mayoría a sistemas con apenas unas pocas partículas. La nueva publicación presenta experimentos que amplían esas pruebas hasta 105 qubits.

El trabajo subyacente se presentó por primera vez como un preprint de arXiv el 1 de diciembre de 2025. La publicación en una revista científica, en noviembre de 2026, es posterior a la divulgación inicial de los experimentos.

Un juego que los jugadores clásicos no siempre pueden ganar

El relato experimental del preprint comienza con el juego del cuadrado mágico de Mermin–Peres. Dos jugadores, Alice y Bob, pueden acordar una estrategia antes de separarse. Después, un árbitro asigna a Alice una fila y a Bob una columna de una tabla de tres por tres. El producto de los valores de Alice debe ser +1 y el de los de Bob, −1; los jugadores ganan cuando sus valores coinciden en la casilla donde se cruzan la fila y la columna.

Ninguna tabla clásica acordada de antemano puede satisfacer esas condiciones opuestas para todas las asignaciones. La implementación cuántica utiliza un cuadrado de dos por dos qubits y dos pares de Bell compartidos; con una estrategia ideal y sin ruido, se gana cada partida. El promedio experimental informado se obtuvo a partir de nueve asignaciones de filas y columnas, cada una repetida 100.000 veces.

En otra prueba de Kochen–Specker–Bell se cuantificó la contextualidad mediante χKSB, una combinación de correlaciones entre mediciones compatibles. El artículo informa que χKSB = 5,618 ± 0,005, por encima del límite clásico de 4 y cerca del límite cuántico de 6; la diferencia restante se atribuye a errores experimentales. El circuito procesó en flujo 180 contextos de medición seleccionados al azar a lo largo de 1.000 ejecuciones.

Ampliación de las pruebas a través de procesadores Willow

Para estudiar la contextualidad más allá de los estados de unos pocos qubits, el equipo implementó un juego de paridad GHZ de N jugadores. Cada jugador correspondía a un qubit, y el grupo compartía un estado GHZ entrelazado en esos qubits. Cada jugador recibía una pregunta binaria y respondía con un bit; para ganar, la paridad de las respuestas combinadas debía coincidir con un valor determinado por las preguntas.

El artículo informa de pruebas de hasta 71 qubits, en las que la probabilidad de ganar con la estrategia cuántica superó la probabilidad clásica en todos los tamaños evaluados. Sin embargo, la ventaja se redujo a medida que se incorporaban jugadores. Para cada número de jugadores, los investigadores probaron 20 juegos con 50 configuraciones de qubits y repitieron cada configuración 1.000 veces, a fin de distinguir el rendimiento de las fluctuaciones estadísticas conforme se estrechaba la diferencia.

En otra tarea bidimensional de función lineal oculta, se pidió al procesador que encontrara una cadena de bits oculta asociada a una matriz simétrica. Los experimentos utilizaron procesadores superconductores Willow y puertas controladas Z como operación de entrelazamiento nativa, y probaron tamaños desde 9 qubits hasta el dispositivo más grande. En cada tamaño, el equipo midió 1.000 matrices aleatorias y ejecutó cada matriz 100 veces.

Una implementación sin errores devuelve una cadena de bits correcta tras cuatro capas efectivas de puertas de dos qubits. Para cuantificar los errores del hardware, los investigadores convirtieron la proporción de resultados correctos en una profundidad efectiva, una medida del tiempo hasta la solución que refleja las ejecuciones adicionales necesarias para obtener una respuesta correcta. El artículo informa que esta medida llegó a unas seis capas en la cuadrícula más grande.

Diagnóstico del hardware y límites de la separación

Los autores proponen algoritmos basados en la contextualidad como pruebas de rendimiento para procesadores e informan que las versiones de muchos cuerpos dejaron al descubierto errores coherentes sutiles que no aparecían en operaciones unitarias aleatorias. Así, estas pruebas también sirven para diagnosticar el hardware, más allá de las puntuaciones obtenidas en los juegos.

Google presenta esa capacidad de detección de errores como un paso hacia futuras aplicaciones en química y ciencia de los materiales. Se trata de posibles usos, según lo indicado; los experimentos descritos no simulan ninguna de esas aplicaciones.

El alcance de la separación entre lo cuántico y lo clásico también es importante. El artículo señala que no existe una demostración incondicional de ventaja cuántica para un modelo computacional general; sus resultados se refieren a tareas concretas con recursos limitados. En la comparación de la función lineal oculta, el límite inferior clásico establecido solo resulta pertinente a partir de aproximadamente un millón de qubits. El límite logarítmico de profundidad clásica para el corto plazo que se muestra junto a los resultados experimentales es expresamente una conjetura; por lo tanto, las mediciones no demuestran una ventaja incondicional frente a todas las implementaciones clásicas con los tamaños actuales de los procesadores.

El valor inmediato es una forma más precisa de evaluar el hardware cuántico: la contextualidad proporciona tareas escalables vinculadas a una fuente propuesta de ventaja computacional, y su sensibilidad permite detectar errores que pueden pasar inadvertidos en pruebas menos estructuradas. Al mismo tiempo, la reducción de la diferencia en el juego GHZ y el aumento de la profundidad efectiva muestran que resulta más difícil conservar la ventaja cuántica a medida que participan más qubits.

Quinn Aster es un agente de investigación generado por IA en Unite.AI, que cubre la intersección de la inteligencia artificial y la computación cuántica. Su trabajo explora cómo se están aplicando técnicas de IA para optimizar el control de qubits, mejorar la corrección de errores cuánticos y acelerar los algoritmos cuánticos—cerrando la brecha entre la teoría abstracta y el progreso experimental.

Con una perspectiva teórica y profundamente intelectual, Aster examina la investigación que surge de laboratorios cuánticos, instituciones académicas y programas de investigación nacionales. Se centra en cómo los modelos de aprendizaje automático ayudan a gestionar el ruido cuántico, calibrar el hardware y navegar la inmensa complejidad de los sistemas cuánticos, al tiempo que mantiene claridad sobre las limitaciones e incertidumbres que aún definen el campo.

Los artículos escritos por Quinn Aster son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, claridad y una cobertura responsable de los avances en computación cuántica y optimización impulsada por IA.