🔬 Descubrir un material nuevo puede devorar años de ensayo y error: mezclar los elementos, fundir una muestra, medirla y volver a empezar. El aprendizaje automático prometía ser un atajo, y hasta cierto punto lo ha sido. Pero hay una trampa que la publicidad rara vez menciona. Los modelos de inteligencia artificial más potentes necesitan miles de ejemplos para aprender, y la investigación de materiales de frontera muchas veces solo dispone de unas pocas decenas. Un equipo de la Universidad de Waseda, en Tokio, junto con Fujitsu, ha demostrado ahora que un algoritmo cuántico puede romper ese estancamiento: predijo el comportamiento de algunas de las aleaciones más complejas que conoce la ciencia a partir de apenas 100 experimentos.

El trabajo se publicó en la revista Scientific Reports el 20 de abril de 2026, y Waseda lo anunció el 1 de mayo.

Cuando "reunir más datos" no es una opción

Durante la última década, la frase de moda en la investigación de materiales ha sido informática de materiales (materials informatics): usar datos y aprendizaje automático para encontrar materiales prometedores más rápido que el viejo método de fabricar y probar. Cuando hay una buena cantidad de datos de los que aprender, funciona de maravilla.

El inconveniente es que los materiales realmente nuevos casi nunca vienen acompañados de una buena cantidad de datos. Un equipo que persigue una aleación inexplorada quizá tenga resultados de unas pocas decenas a unos cientos de muestras, y nada más. Si se alimenta con eso a un modelo potente, se choca con un muro conocido: el modelo memoriza los pocos ejemplos que recibió y falla en cuanto ve algo desconocido, un fallo que se llama sobreajuste.

La versión más difícil del problema es la que más importa. Los investigadores no suelen querer recrear un material que ya existe; quieren algo mejor que cualquier cosa disponible. Eso significa predecir propiedades fuera del rango de los datos de entrenamiento, lo que los científicos llaman extrapolación, y los modelos convencionales son tristemente inestables en ese terreno. Justo las situaciones donde una buena predicción sería más valiosa son aquellas en las que el aprendizaje automático corriente resulta menos fiable.

El caso de prueba: aleaciones de cinco metales o más

Para comprobar si un enfoque cuántico podía hacerlo mejor, el grupo de Waseda y Fujitsu, dirigido por el profesor Tomoyuki Yamamoto, de la Facultad de Ciencia e Ingeniería de Waseda, apuntó a uno de los blancos más espinosos de la metalurgia moderna: la aleación de alta entropía (HEA, por sus siglas en inglés).

Las aleaciones tradicionales se construyen alrededor de un metal dominante con cantidades menores de otros mezclados; piénsese en el acero, que es mayormente hierro. Las aleaciones de alta entropía descartan esa receta. Combinan cinco o más metales en proporciones casi iguales, y el resultado puede ser un llamado efecto cóctel, en el que la combinación produce propiedades que ningún ingrediente por sí solo podría ofrecer: dureza extrema, resistencia al calor, durabilidad en condiciones brutales.

Esa promesa trae una trampa severa para quien intente modelarlas. Con cinco o más elementos libres de variar, el número de composiciones posibles se dispara, y las interacciones a nivel atómico son lo bastante enredadas como para que la simulación clásica tenga dificultades. Las HEA son, en cierto sentido, la prueba de esfuerzo perfecta para un método de predicción con pocos datos.

El equipo se centró en predecir la dureza Vickers, una medida estándar de cuán duro es un material, obtenida presionando una punta de diamante contra la superficie y midiendo la marca.

Diagrama conceptual de una aleación de alta entropía, en la que cinco o más elementos metálicos se mezclan en proporciones casi iguales

Fuente: comunicado de prensa de la Universidad de Waseda

Por qué un método cuántico ayuda cuando los datos escasean

El algoritmo en el centro del estudio es el aprendizaje de circuitos cuánticos (QCL, por sus siglas en inglés). Pertenece a una categoría llamada híbridos cuántico-clásicos: un circuito cuántico se encarga de parte del cálculo mientras una computadora corriente realiza la optimización, yendo y viniendo entre ambos hasta entrenar el modelo. Es clave que QCL esté diseñado para funcionar en las máquinas cuánticas desordenadas y propensas a errores que existen hoy, la llamada generación NISQ (cuántica ruidosa de escala intermedia), en lugar de esperar una computadora cuántica impecable que aún no existe.

Dos propiedades lo hacen adecuado para el problema de pocos datos. La primera: un circuito cuántico puede manejar un conjunto exponencialmente grande de bloques matemáticos en relación con su número de cúbits, lo que le da una alta capacidad expresiva. La segunda, y esta es la parte menos evidente: la matemática de las operaciones cuánticas impone una restricción incorporada, la unitariedad, que parece desalentar el sobreajuste, de modo que el modelo puede mantenerse flexible sin memorizar hasta el absurdo.

El equipo tomó además una decisión de diseño deliberada que amplía la utilidad del método. En lugar de alimentar el modelo con datos detallados de estructura cristalina, que no siempre están disponibles al inicio de un proyecto, usaron 24 números que pueden calcularse directamente a partir de la composición química de un material, magnitudes como la entropía y la entalpía de mezcla, y luego los comprimieron a 10 dimensiones antes del entrenamiento. En términos sencillos: basta con saber qué se piensa mezclar, sin necesidad de haberlo fabricado y medido ya.

El beneficio apareció justo donde cuenta. Comparado con modelos lineales y no lineales convencionales, QCL produjo el menor error en la extrapolación: predecir aleaciones más duras que cualquiera de su conjunto de entrenamiento. Mantuvo su precisión en regiones escasas y mal cartografiadas de los datos, donde los modelos corrientes tienden a derrumbarse. Y logró todo esto con solo unos 100 datos.

Hay un discreto motivo de orgullo nacional en el propio método. QCL no se inventó para este estudio. Lo propusieron en 2018 Kosuke Mitarai, Makoto Negoro y Masahiro Kitagawa, de la Universidad de Osaka, junto con Keisuke Fujii, entonces en la Universidad de Kioto, lo que lo convierte, por origen, en un algoritmo japonés que ahora otro equipo japonés lleva al uso industrial.

Su lugar en una carrera cuántica concurrida

El aprendizaje automático cuántico para materiales es un campo activo, y Japón no corre solo. IBM ofrece herramientas de aprendizaje automático cuántico a través de su software Qiskit y procesadores accesibles en la nube; la división Quantum AI de Google impulsa su propio hardware y algoritmos; y una línea de investigación aparte usa el recocido cuántico, el enfoque detrás de las máquinas de D-Wave, para abordar el diseño de aleaciones. Un estudio publicado en npj Computational Materials a principios de 2026, por ejemplo, usó aprendizaje automático con recocido cuántico para ayudar a descubrir una aleación de alta entropía resistente y anticorrosiva.

El trabajo de Waseda y Fujitsu se sitúa en el lado de los circuitos de puertas y los métodos variacionales de ese panorama, no en el del recocido, y su aporte distintivo tiene menos que ver con la potencia bruta que con un punto de dolor concreto y práctico: exprimir una extrapolación fiable a partir de conjuntos de datos diminutos. Es un blanco estrecho, pero real, y acertarlo resulta posiblemente más útil para los científicos de materiales en activo que otro titular sobre el número de cúbits.

Qué cambia si el método se sostiene

Las aleaciones de alta entropía no son una curiosidad de laboratorio. Se las considera para componentes de motores a reacción, reactores nucleares de próxima generación y plantas químicas que operan en condiciones que destrozarían a los metales corrientes. Cualquier cosa que acorte el camino de la idea al material validado tiene un valor industrial directo: menos tiempo, menos costo y la posibilidad de alcanzar niveles de rendimiento que el ensayo y error tardaría años en encontrar por casualidad.

Dicho esto, el equipo es franco sobre cuán lejos está esto de ser un producto terminado. Simular QCL en las computadoras clásicas de hoy es lento, así que las ganancias reales de velocidad dependen de la maduración del hardware cuántico. Las ventajas aún deben confirmarse en máquinas cuánticas reales, no en simulaciones. Y el método tiene que demostrar su valía en materiales más allá de las aleaciones de alta entropía antes de que alguien pueda llamarlo general.

El profesor Yamamoto lo planteó con cautela: el aprendizaje automático ha tardado más en transformar la ciencia de materiales que otros campos, en parte porque los buenos conjuntos de datos escasean y en parte porque el objetivo real, superar el rendimiento existente, es justo lo que los modelos corrientes hacen peor. QCL, sugirió, es un candidato para resolver eso, y si el hardware cuántico sigue mejorando, la forma en que se descubren los materiales nuevos podría cambiar de manera drástica.

Por ahora es un resultado prometedor más que una revolución. Pero apunta a algo concreto y digno de seguimiento: una herramienta cuántica dirigida no a los problemas vistosos, sino al cuello de botella poco glamuroso que ha frenado en silencio el descubrimiento de materiales.

En Japón, la computación cuántica se orienta cada vez más a problemas industriales con los pies en la tierra como este, más que a demostraciones abstractas. ¿La investigación cuántica en tu país ya se inclina hacia aplicaciones prácticas, o sigue mayormente en el laboratorio? Nos encantaría saber cómo se ve desde donde estás.

Referencias