«La cuántica exige una inversión inicial, pero las métricas demuestran mejoras concretas”

¿Cómo entraste en el mundo de la computación cuántica?

Aunque al principio la cuántica pudiera parecer una disciplina acotada a la física teórica que estudié en los primeros años de carrera, los avances científicos demostraron que existía un recorrido real para trasladar la investigación a soluciones operativas. De hecho, aunque soy ingeniera química de formación, he dedicado prácticamente toda mi carrera a la transferencia de tecnología y la consultoría de innovación, colaborando con centros de investigación, gobiernos regionales y nacionales, y ejerciendo como experta externa de la Comisión Europea sobre estos temas.

Fsas Technologies nació el año pasado como la división global de centros de datos de Fujitsu. En el estadio actual de la computación cuántica, el negocio se nutre en gran medida de proyectos con centros de investigación y de presupuestos de innovación dentro de las empresas privadas. En este contexto, mi labor consiste en integrar la vertiente técnica con la gestión de incentivos públicos e innovación corporativa, gestionando el ciclo mediante el que estos fondos generan resultados científicos y cómo esto se transfieren a la industria.

¿En qué grado de madurez se encuentra ahora mismo esta tecnología?

Hay que ser realistas. El computador cuántico está todavía en fase de investigación y desarrollo, centrada ahora mismo en la corrección de errores. Estimamos que la ventaja cuántica real —resolver un problema concreto mejor con cuántica que con computación clásica— se alcanzará hacia 2030.

Lo que aplicamos hoy en entornos de producción es la inspiración cuántica mediante Digital Annealer. Es una arquitectura clásica que se programa como un sistema cuántico y busca el mínimo absoluto en funciones de coste para problemas de optimización combinatoria. Analiza la función en su conjunto, lo que evita quedar atrapado en un mínimo local creyendo que es la mejor opción cuando existe una solución superior.

Lo que aplicamos hoy en entornos de producción es la inspiración cuántica mediante Digital Annealer

Los científicos utilizan los ordenadores cuánticos que están en desarrollo para continuar avanzando, investigar la corrección de errores y experimentar. Un compañero lo compara con aprender a montar en bici, pero con una bicicleta estropeada. Ya la tienes, sabes que se sale la cadena, que se tuerce… pero la vas conociendo. Evidentemente, no vas a ganar el Tour de Francia con ella, pero vas aprendiendo y cuando cojas una bicicleta nueva, es decir, cuando los ordenadores cuánticos sean una realidad, tendrás muchísimo conocimiento ganado.

Todavía no hay una aplicación de la computación cuántica como tal, pero sí de la tecnología de inspiración cuántica. Hemos hecho varios casos de uso reales con la industria comparando los indicadores de la solución clásica con los del Digital Annealer, mejorando los resultados en la mayoría de los casos.

¿Compensa a las empresas realizar la inversión en tiempo y coste?

Sí compensa, pero requiere una inversión inicial. Una prueba de concepto en una planta de producción no implica detener la actividad operativa; conectas el sistema al annealer para evaluar los datos y se ejecuta en tres o cuatro meses.

Eso sí, escalarlo requiere esas pruebas iniciales y de más inversión. Me atrevería a decir que la industria no está todavía psicológicamente preparada. Hay empresas que no pueden asumir el despliegue porque sus datos operativos aún se gestionan en formatos básicos o no estructurados, lo que exige un trabajo previo de adecuación. En otros casos, encontramos organizaciones que realizaron desembolsos relevantes en infraestructuras clásicas o soluciones de inteligencia artificial hace dos años y muestran cautela antes de comprometer nuevos presupuestos en cuántica.

La tecnología exige una inversión inicial y no es barata, pero las métricas de eficiencia demuestran mejoras concretas. Para acelerar la adopción masiva, la industria debe superar esa prudencia inicial y completar el proceso de digitalización de sus datos.

¿La IA y la cuántica se potencian mutuamente?

Existe una sinergia directa entre ambas tecnologías. Por un lado, se utiliza inteligencia artificial en el desarrollo de algoritmos y soluciones cuánticas. Por otro, la expansión de los modelos de IA está provocando un incremento exponencial en los tiempos de cómputo y en la demanda energética de los centros de datos. Llegará un momento en que la escalabilidad de la IA se verá limitada por la infraestructura física, y ahí es donde la cuántica permitirá reducir significativamente los tiempos de cálculo y el consumo de energía.

La computación cuántica no va a sustituir a la supercomputación: ambas serán complementarias

Además, la adopción de la inteligencia artificial está ayudando a las empresas a preparar el terreno operativo para la cuántica. Para desplegar proyectos de IA, las organizaciones han tenido que consolidar su infraestructura en la nube y ordenar sus datos. Esa transformación digital previa es el requisito técnico indispensable para poder integrar arquitecturas cuánticas en el futuro.

Trabajáis con infraestructuras híbridas que integran supercomputación clásica (HPC) y cuántica

Fujitsu trabaja actualmente tanto en HPC (high performance computing) como en computación cuántica. En el ámbito cuántico investigamos dos arquitecturas: los cúbits superconductores y los basados en espín de diamante. Esta actividad se complementa con el desarrollo de simuladores cuánticos y de tecnologías de inspiración cuántica como Digital Annealer.

La diferencia fundamental radica en el modelo de cálculo. Un supercomputador clásico trabaja con lógica binaria de ceros y unos, mientras que un sistema cuántico opera con modelos probabilísticos. Si se quiere representar la estructura física de una molécula para, por ejemplo, la simulación en el desarrollo de fármacos (drug discovery), un modelo probabilístico cuántico ofrece una representación más fiel a la física real que la aproximación binaria tradicional.

Reunir estas capacidades dentro de una misma compañía nos proporciona una posición diferencial y resulta especialmente atractivo para los centros de supercomputación.

A corto y medio plazo, la computación cuántica no va a sustituir a la supercomputación: ambas serán complementarias. Algunas cargas de trabajo se ejecutarán en supercomputadores, otras en ordenadores cuánticos y otras se repartirán entre ambos tipos de sistemas.

La asignación de cargas a uno y otro modelo no se realiza automáticamente, sino evaluando cada caso según el problema planteado. Salvando las distancias, del mismo modo que en la infraestructura tradicional se asignan tareas a CPU o GPU en función de la eficiencia de los modelos de IA, o se selecciona un almacenamiento específico según el tipo de dato, en la arquitectura cuántica se analiza qué tecnología ofrece ventaja en el cálculo.

Para agilizar este proceso, colaboramos en el desarrollo de soluciones de middleware que apoyen la toma de decisiones, aunque lo que realmente aporta valor es poder decir “tengo este problema” y que un benchmark indique qué sistema es el más apropiado.

¿Qué complejidad técnica, plazos y costes conlleva desplegar una prueba de concepto?

La complejidad técnica es menor de la que suele asumir el mercado. Una prueba de concepto en optimización combinatoria requiere habitualmente entre tres y cuatro meses de trabajo. Tampoco se exige un volumen de datos masivo o un hiperprocesado como en la inteligencia artificial, aunque disponer de datos estructurados acelera el proceso.

En cuanto a la inversión, el coste oscila entre los 50.000 y los 80.000 euros, un importe que incluye tanto el desarrollo de la algoritmia específica como el tiempo de computación en máquina. Con este proyecto es posible comparar los indicadores de rendimiento (KPI) de la solución clásica frente a los obtenidos con Digital Annealer, permitiendo a la empresa calcular de forma precisa el ahorro operativo estimado.

Además del retorno directo, hay un factor estratégico en la reutilización del software. El código desarrollado para Digital Annealer se migrará fácilmente a un computador cuántico real cuando la tecnología alcance la ventaja cuántica. Implementar casos de uso hoy permite a las corporaciones preservar ese algoritmo para ejecutarlo de forma inmediata sobre hardware cuántico puro tan pronto como esté disponible en el mercado.

¿Qué casos reales hay y qué impacto se ha medido?

La mayor parte de los proyectos con clientes finales se centra en resolver problemas de optimización combinatoria, un desafío presente en prácticamente todos los sectores industriales, tales como logística, mix energético o producción.

Un caso muy ilustrativo es el que desarrollamos en una compañía del sector de la automoción. En las plantas de montaje, la personalización de cada vehículo —motorización, equipamiento o color— obliga a alternar modelos en la línea. Esto genera huecos y paradas técnicas para cambios de pintura o almacenamiento intermedio de carrocerías. Mediante Digital Annealer, ajustamos la secuencia de fabricación para minimizar esos huecos, lo que ha permitido reducir más de un 10% los costes de producción. La prueba de concepto fue muy bien y ahora se estudia escalarla.

En el sector energético, trabajamos con Repsol en la optimización del proceso de mezcla (blending) en refinerías, donde logramos mejorar una solución clásica que la compañía había implementado poco tiempo atrás, y con Iberdrola en la optimización de rutas de mantenimiento y distribución.

En el ámbito alimentario, desarrollamos un proyecto con una compañía del sector pesquero para optimizar los costes de alimentación en piscifactorías consiguiendo una reducción de más del 20%. Otro ejemplo es el del puerto de Hamburgo, que ha conseguido reducir más del 20% los tiempos de viaje y más del 9% en las emisiones de CO₂ mediante la optimización de los semáforos.

Asimismo, en el sector financiero (fintech) se podrían aplicar estos algoritmos a la optimización de carteras de inversión, permitiendo ajustar posiciones prácticamente en tiempo real frente a los cálculos clásicos que requieren días.

En la evaluación de estas pruebas de concepto comparamos habitualmente entre cuatro y cinco KPI fijados por el cliente, y en la mayoría de los casos logramos mejoras tangibles en tres o cuatro de ellos.

¿La computación cuántica se restringe a grandes corporaciones?

Es cierto que la gran empresa dispone de recursos para asumir el riesgo financiero de explorar tecnologías emergentes, pero la pyme corre el riesgo de quedar descolgada si no median fórmulas de cofinanciación pública. Aunque una pequeña o mediana empresa no contemple destinar presupuesto propio a estas pruebas en su estado actual, sí muestra disposición inmediata si un organismo público asume el coste de la infraestructura y el desarrollo.

Un ejemplo operativo es el programa que impulsamos con Lantik, la agencia de innovación de la Diputación Foral de Vizcaya. La institución financia el acceso de las empresas locales al desarrollo de algoritmia y al tiempo de computación.

Para ello hemos instalado en la región un emulador cuántico y un Digital Annealer, permitiendo a pymes, centros tecnológicos y startups ejecutar pruebas de concepto conjuntas. El objetivo es que el tejido industrial local adquiera conocimiento operativo antes de que se consolide la ventaja cuántica en el mercado.

Con una inversión de entre 50.000 y 80.000 euros es posible comparar los KPI obtenidos con Digital Annealer

Una dinámica similar aplicamos en Galicia tras la instalación del computador cuántico en el CESGA (Centro de Supercomputación de Galicia). La respuesta industrial confirmó que existe interés en probar la tecnología cuando se reducen las barreras de entrada económicas. Para poder estructurar este proceso a escala nacional, la administración pública debe mantener este rol dinamizador sobre el usuario final.

¿Cómo vamos en cuanto a la transferencia tecnológica o al desarrollo del I+D?

La transferencia de conocimiento y la atracción de inversión privada constituyen la gran asignatura pendiente del sistema español de I+D. El origen del problema reside en el propio sistema de evaluación académica: para que un investigador acceda a una plaza de profesor titular o catedrático, los baremos priorizan de forma abrumadora el volumen de publicaciones científicas y las horas de docencia. La puntuación asignada a la transferencia tecnológica, el registro de patentes o la colaboración directa con empresas es prácticamente marginal.

España cuenta con científicos de un nivel excelente y ratios de publicación muy elevados, pero falta el necesario engranaje que debe haber con el sector productivo. En otros países europeos, como Holanda, el plan de estudios de un máster en tecnología cuántica suele incluir módulos sobre cómo constituir una startup o explotar comercialmente el desarrollo científico.

En España mantenemos una distancia considerable con ese modelo. Tenemos buenos investigadores y buenos ratios de publicaciones científicas, pero falta engranaje con la industria.

Por otro lado, aunque la inversión pública en I+D ha aumentado, habrá que preguntarse por qué la inversión privada no termina de despegar, por qué faltan incentivos claros y mecanismos de seguridad para el capital corporativo.

Mientras que la Formación Profesional Dual ha demostrado avances en la integración laboral y la alineación con las necesidades de las empresas, la universidad requiere una reforma en sus criterios de evaluación para primar el impacto económico real de la investigación.