Computación cuántica
Tessa, de Moth, codifica y recupera 1.568 valores en un chip de 120 cúbits

Puntos claveTessa carga datos clásicos arbitrarios en todo un chip sin puertas SWAP ni qubits…
Ver más
- Tessa carga datos clásicos arbitrarios en todo un chip sin puertas SWAP ni qubits auxiliares.
- El modo de pares duplica la densidad de almacenamiento pero aumenta la profundidad del circuito y reduce la correlación de valores a 0,69.
- La cuestión abierta es si las computaciones posteriores pueden usar el estado codificado sin una reconstrucción completa.
Moth anunció Tessa el 16 de noviembre de 2026 y comunicó que el método había codificado y recuperado 1.568 valores reales en los 120 cúbits del procesador Phoenix Nighthawk r2 de IBM. El trabajo aborda un obstáculo persistente para el aprendizaje automático cuántico: cargar datos clásicos en cúbits frágiles en hardware con conexiones escasas.
El artículo de Daniel Bultrini delimita con precisión el alcance del récord: experimentos que cargaron listas numéricas elegidas libremente en procesadores cuánticos físicos y recuperaron sus valores individuales, excluidos aquellos que devolvieron únicamente una cantidad derivada. Según esta definición, QCrank había recuperado anteriormente 128 valores de 12 cúbits de iones atrapados. En otro experimento, Fez recuperó 1.024 píxeles de 13 cúbits, pero no es directamente comparable porque utilizó una aproximación de red tensorial entrenada, en lugar de una lista arbitraria de valores reales. Por lo tanto, el artículo identifica la ejecución de Tessa como la mayor notificada según su definición.
Cómo aprovecha Tessa el cableado del chip
Tessa, nombre abreviado de Tessellated QPIXL, alterna cúbits de datos y de dirección en un patrón de tablero de ajedrez superpuesto a las conexiones físicas del procesador. Cada cúbit de datos está controlado únicamente por cúbits de dirección vecinos, que pueden ser compartidos por cúbits de datos cercanos. Cada vecino de dirección adicional duplica la capacidad de almacenamiento de un cúbit de datos, por lo que un cúbit interior con cuatro vecinos almacena 16 valores.
La construcción funciona con cualquier grafo de acoplamiento bipartito, en el que cada acoplador conecta un cúbit de datos con uno de dirección. Aprovechar la propia disposición del dispositivo evita las puertas SWAP y el enrutamiento, y no requiere cúbits ancilla o auxiliares. El artículo demuestra que los valores de cada cúbit de datos siguen siendo recuperables de forma independiente pese a los controles compartidos.
Todos los valores almacenados en una sola base pueden decodificarse a partir de una ronda de mediciones en la base computacional realizadas en todo el chip. Tessa también puede almacenar un segundo número en la fase de cada posición. La ejecución en Phoenix utilizó este modo de pares para almacenar el valor de brillo y el tono de una imagen, colocando dos números en cada una de las 784 posiciones utilizadas; las posiciones libres contenían ceros para que participaran todos los cúbits.
Esa densidad tiene dos costos. El modo de pares añade bases de medición y duplica la profundidad del circuito. En general, los disparos se distribuyen entre configuraciones locales de dirección, por lo que la cantidad necesaria para obtener una precisión equivalente crece exponencialmente con el grado de acoplamiento local, aunque en los experimentos ese grado se mantuvo bajo.
Qué recuperó el hardware
En las pruebas con una sola base se utilizaron 8.192 disparos por base para recuperar una imagen QCAT de 28 × 28 usando 784 de las 792 posiciones de Phoenix, y una imagen de 21 × 21 usando 441 de las 448 posiciones de Fez. El artículo informa de correlaciones de valores obtenidas directamente del hardware de 0,96 en Phoenix y 0,95 en Fez, con errores absolutos medios de 0,130 y 0,131, respectivamente. La recuperación del rango dinámico, que utiliza estadísticas resumidas de la entrada en lugar de la entrada misma, redujo esos errores a 0,075 y 0,078. Los experimentos no utilizaron mitigación de errores.
La ejecución en modo de pares, que recuperó 1.568 valores, fue menos precisa: el artículo informa de una correlación de valores de 0,69, un error absoluto medio de los valores de 0,152 y un error absoluto medio del tono de 0,092 en Phoenix. Su circuito utilizó 1.456 puertas CZ de dos cúbits, frente a las 728 de la ejecución de Phoenix con una sola base. Por tanto, la recuperación en todo el chip funcionó en dos grafos de acoplamiento, pero el segundo valor de fase exigió circuitos más complejos y produjo una reconstrucción de menor calidad.
Pruebas biológicas y código público
Además del arte pixelado, los experimentos abarcaron audio, MIDI, ADN y secuencias de aminoácidos de proteínas, incluida p53. Las secuencias biológicas se eligieron por su longitud o sus nombres, no por su biología, por lo que estas pruebas evaluaban el manejo de datos, no el análisis biológico.
Con 32.768 disparos por medición, el artículo informa que Phoenix recuperó la secuencia MT-CO3 de 784 nucleótidos con un 92,1 % de nucleótidos exactamente correctos sin posprocesamiento y un 92,3 % con el mejor método probado de recuperación del rango dinámico, seleccionado utilizando la secuencia real. La recuperación siguió siendo peor en secuencias de proteínas densamente empaquetadas. El artículo advierte que incluso un solo nucleótido o aminoácido incorrecto puede tener consecuencias biológicas graves.
Moth afirma que Tessa está disponible para realizar experimentos de procesamiento de imágenes en su plataforma Atlas. La documentación del repositorio proporciona la biblioteca, los recuentos brutos del hardware, los registros de trabajos, los resultados de simulaciones y los cuadernos que regeneran las figuras y tablas del artículo sin necesidad de una cuenta de IBM. El registro de ejecuciones fecha los principales experimentos QCAT en Phoenix y Fez el 26 de septiembre de 2026, y las ejecuciones posteriores con material genético y arte pixelado en octubre de 2026, lo que distingue el trabajo con el hardware del anuncio de noviembre.
La contribución inmediata de Tessa es un método adaptado al hardware para cargar y verificar datos clásicos en todo un procesador. En el aprendizaje automático cuántico, la principal pregunta aún abierta es si los cálculos posteriores pueden aprovechar ese estado codificado sin tener que pagar el costo de una reconstrucción completa, al tiempo que se mantiene bajo control el aumento de disparos y los errores de una codificación de pares más densa.












