Claude mejora circuitos cuánticos: qué significa de verdad

Por Redacción Pangea IA · 17 de octubre de 2026

Claude ha encontrado circuitos cuánticos más eficientes en ocho tareas de química, optimización, simulación, cálculo numérico y teoría de números. El resultado más llamativo no es que una IA haya “usado” un ordenador cuántico, sino que haya rediseñado algoritmos verificables por software: en siete tareas redujo a la vez el número de qubits y de puertas Toffoli frente a las mejores propuestas publicadas, y en la octava abrió una nueva familia de compromisos entre memoria y tiempo.

El trabajo, difundido por Anthropic el 16 de octubre de 2026 y descrito en un preprint firmado por investigadores de Anthropic, Harvard y QuEra, apunta a un uso cada vez más concreto de los modelos de lenguaje en ciencia: proponer soluciones que un evaluador externo puede comprobar, puntuar y devolver al modelo para que siga mejorándolas. Es un avance técnico prometedor, pero no una demostración experimental en hardware cuántico ni un estudio revisado por pares.

Qué hizo Claude exactamente

El equipo entregó a Claude Mythos 5 una especificación en lenguaje natural para cada circuito y una interfaz de programación de alto nivel en Python. No le proporcionó una solución inicial. El modelo debía proponer varias familias de algoritmos, desarrollar candidatos y recibir el resultado de un evaluador independiente del modelo.

Ese evaluador cumplía dos funciones. Primero comprobaba si cada diseño producía la salida correcta. Después contabilizaba dos recursos escasos: el pico de qubits y el número de puertas Toffoli, operaciones costosas que sirven como aproximación al tiempo necesario para ejecutar muchos algoritmos cuánticos tolerantes a fallos. La puntuación combinaba ambos valores mediante el producto entre puertas y qubits.

El proceso formaba un bucle cerrado: Claude escribía un candidato, el programa lo verificaba y medía, y el resultado regresaba al modelo para orientar el siguiente intento. Los investigadores intervinieron al principio con la definición de la tarea y, en algunos casos, con indicaciones ocasionales para ampliar la búsqueda, pero no guiaron cada iteración.

Elemento	Qué significa en el estudio
Propuesta	Claude escribe y reorganiza diseños de circuito mediante código
Verificación	Un programa externo comprueba el comportamiento del candidato
Coste	Se miden qubits, puertas Toffoli y su producto
Iteración	El modelo recibe la puntuación y vuelve a intentarlo

La clave editorial está en esa combinación de creatividad y comprobación. Los modelos de lenguaje pueden inventar respuestas incorrectas, pero algunas tareas científicas admiten evaluadores objetivos y baratos. Es el mismo principio que empieza a aparecer en investigaciones sobre IA capaz de proponer y verificar resultados matemáticos: el valor no reside en aceptar la primera respuesta, sino en someter muchas propuestas a una prueba independiente.

Los dos resultados más relevantes

Una inversión modular reversible sin guardar todo el historial

Uno de los retos fue la suma de puntos en curvas elípticas, operación central en algoritmos cuánticos que podrían resolver el logaritmo discreto. Su parte más cara es la inversión modular. Los ordenadores clásicos disponen de un método eficiente, llamado divsteps, pero trasladarlo a un circuito cuántico plantea un problema: la computación cuántica debe ser reversible y no puede borrar sin más la información intermedia.

La solución directa consiste en guardar el historial de decisiones para deshacer después la operación, lo que consume muchos qubits. Claude exploró otra vía: reconstruir esas decisiones a partir del estado numérico ya presente en el circuito. Los primeros intentos fallaron con números de 256 bits. Después, según el artículo, el modelo derivó identidades algebraicas, formuló una regla de reconstrucción, la probó mediante simulaciones y formalizó una parte crítica en Lean, un asistente de demostración matemática.

La búsqueda duró 53 horas con una intervención humana limitada al encargo inicial y a indicaciones esporádicas para explorar alternativas. El diseño resultante no ofrece un único circuito “ganador”, sino una familia que permite elegir entre memoria y tiempo. Uno de los puntos de esa familia utiliza un 12 % más de qubits que el diseño previo más pequeño, pero reduce 17 veces el número de puertas.

Un decodificador doce veces más barato en puertas

El segundo ejemplo afecta a Decoded Quantum Interferometry, un algoritmo de optimización que utiliza decodificación Reed–Solomon. Claude sustituyó el algoritmo de Euclides extendido por Berlekamp–Massey, más regular y por tanto más adecuado para una secuencia fija de puertas cuánticas.

También evitó reservar memoria para el peor caso. Una simulación de 403 millones de decodificaciones mostró que casi todas necesitaban guardar como máximo un valor excepcional. El circuito reserva 19 qubits para uno, en vez de 665 para hasta 35 excepciones. A cambio, aproximadamente una ejecución de cada 10.000 puede fallar, una tasa compatible con el presupuesto de error definido para esa tarea. El conjunto de cambios redujo doce veces el número de puertas frente a la construcción anterior citada por los autores.

Por qué importa para la investigación con IA

El trabajo no demuestra que un modelo general pueda resolver cualquier problema científico. Sí muestra una receta útil para dominios en los que una solución se puede expresar como código, comprobar de forma automática y ordenar con una métrica clara. Es un espacio más estrecho que la ciencia en general, pero también más fiable que pedir a un chatbot una hipótesis y confiar en su explicación.

Amplía la búsqueda. El modelo puede explorar varias arquitecturas en paralelo y combinar ideas entre ellas.
Reduce la dependencia del juicio verbal. La corrección y el coste los decide un programa, no la seguridad con la que Claude redacta una respuesta.
Permite ciclos largos. Una sesión de decenas de horas puede producir y descartar muchos candidatos sin exigir atención humana constante.
Hace visible el compromiso. El resultado puede ser una frontera de opciones entre tiempo, qubits y tolerancia al error, no una cifra aislada.

Esta línea encaja con el avance de los sistemas de IA aplicados a laboratorios y equipos científicos. En Pangea IA ya analizamos la propuesta de Anthropic para que agentes controlen instrumentos mediante MHS. Aquí, sin embargo, el entorno sigue siendo digital: Claude diseña y verifica circuitos como programas, sin operar un procesador cuántico real.

Qué no ha demostrado el estudio

Hay cuatro límites que conviene mantener a la vista.

Es un preprint. El manuscrito fue enviado a arXiv el 15 de octubre y todavía no consta una revisión por pares.
No hay ejecución en hardware tolerante a fallos. Los autores estiman recursos y validan los circuitos mediante programas, simulaciones y pruebas formales. No afirman haber realizado estas tareas en una máquina cuántica capaz de ejecutar el algoritmo completo.
La verificación independiente del modelo no equivale a replicación externa. El evaluador está separado de Claude, pero ha sido construido dentro del mismo proyecto. Otros grupos tendrán que revisar código, supuestos, comparaciones y pruebas.
Las ocho tareas fueron elegidas porque admiten evaluación eficiente. En circuitos cuánticos generales, comprobar clásicamente la corrección puede resultar exponencialmente costoso. El método no se traslada automáticamente a cualquier algoritmo.

También hay matices dentro de los propios resultados. En el decodificador de optimización se acepta un pequeño riesgo de fallo para ahorrar recursos, por lo que la comparación depende del presupuesto de error. Y reducir puertas o qubits en un componente no elimina los desafíos de corrección de errores, fabricación, control y escalado del sistema completo.

Por eso, la afirmación de Anthropic de que estos avances podrían acercar aplicaciones prácticas debe leerse como una posibilidad razonada, no como una fecha de llegada. La historia de la computación cuántica está llena de mejoras algorítmicas importantes que tardan años en encontrarse con el hardware adecuado.

El cambio de fondo: modelos que diseñan bajo restricciones

Lo más interesante para el futuro de la IA quizá no sea la cifra de doce o diecisiete veces, sino el tipo de colaboración. El modelo no recibió libertad total ni actuó como una autoridad científica. Trabajó dentro de una especificación, con herramientas limitadas, una función de coste explícita y un mecanismo que rechazaba los diseños incorrectos.

Ese enfoque puede trasladarse a otros problemas de ingeniería: compiladores, materiales, logística, electrónica o control, siempre que sea posible construir una prueba fiable y barata. El cuello de botella deja de ser únicamente la capacidad del modelo y pasa a incluir la calidad del evaluador, la definición de la métrica y la cobertura de los casos extremos.

Para una empresa, la lección inmediata no es comprar tecnología cuántica, sino aprender a separar dos clases de tareas. En las abiertas, donde no existe una respuesta comprobable, la supervisión experta sigue siendo decisiva. En las cerradas, donde el resultado puede someterse a pruebas automáticas, un agente puede explorar durante horas y devolver candidatos ordenados. Esa distinción ayuda a decidir dónde la autonomía aporta valor real y dónde solo multiplica respuestas plausibles.

Conclusión

Claude no ha construido un ordenador cuántico ni ha probado que la ventaja cuántica comercial esté cerca. Ha hecho algo más acotado y, precisamente por ello, medible: explorar nuevas arquitecturas de circuitos, someterlas a un evaluador y mejorar recursos en ocho tareas seleccionadas.

Si los resultados resisten la revisión y la replicación, el estudio será una señal de que los modelos de lenguaje pueden contribuir a la ingeniería científica cuando trabajan dentro de bucles verificables. Es menos espectacular que una “IA científica autónoma”, pero ofrece un camino más creíble: creatividad generativa, pruebas externas y límites claramente definidos.

Lecturas relacionadas

Fuentes consultadas

Anthropic: Designing more efficient quantum circuits with Claude, 16 de octubre de 2026.
Gu, Kemeny, Yelin y Lukin: Discovering state-of-the-art quantum circuits with large language models, arXiv, 15 de octubre de 2026.
QuEra Computing: publicaciones e investigaciones, consulta del 17 de octubre de 2026.