🔬 Descubrir un material nuevo puede devorar años de ensayo y error: mezclar los elementos, fundir una muestra, medirla y volver a empezar. El aprendizaje automatico prometia 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 mas potentes necesitan miles de ejemplos para aprender, y la investigacion 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 cuantico puede romper ese estancamiento: predijo el comportamiento de algunas de las aleaciones mas complejas que conoce la ciencia a partir de apenas 100 experimentos.

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

Cuando "reunir mas datos" no es una opcion

Durante la ultima decada, la frase de moda en la investigacion de materiales ha sido informatica de materiales (materials informatics): usar datos y aprendizaje automatico para encontrar materiales prometedores mas rapido que el viejo metodo 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 acompanados de una buena cantidad de datos. Un equipo que persigue una aleacion inexplorada quiz tenga resultados de unas pocas decenas a unos cientos de muestras, y nada mas. Si se alimenta con eso a un modelo potente, se choca con un muro conocido: el modelo memoriza los pocos ejemplos que recibio y falla en cuanto ve algo desconocido, un fallo que se llama sobreajuste.

La version mas dificil del problema es la que mas 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 cientificos llaman extrapolacion, y los modelos convencionales son tristemente inestables en ese terreno. Justo las situaciones donde una buena prediccion seria mas valiosa son aquellas en las que el aprendizaje automatico corriente resulta menos fiable.

El caso de prueba: aleaciones de cinco metales o mas

Para comprobar si un enfoque cuantico podia hacerlo mejor, el grupo de Waseda y Fujitsu, dirigido por el profesor Tomoyuki Yamamoto, apunto a uno de los blancos mas espinosos de la metalurgia moderna: la aleacion de alta entropia (HEA, por sus siglas en ingles).

Las aleaciones tradicionales se construyen alrededor de un metal dominante con cantidades menores de otros mezclados; piensese en el acero, que es mayormente hierro. Las aleaciones de alta entropia descartan esa receta. Combinan cinco o mas metales en proporciones casi iguales, y el resultado puede ser un llamado efecto coctel, en el que la combinacion produce propiedades que ningun ingrediente por si solo podria ofrecer: dureza extrema, resistencia al calor, durabilidad en condiciones brutales.

Esa promesa trae una trampa severa para quien intente modelarlas. Con cinco o mas elementos libres de variar, el numero de composiciones posibles se dispara, y las interacciones a nivel atomico son lo bastante enredadas como para que la simulacion clasica tenga dificultades. Las HEA son, en cierto sentido, la prueba de esfuerzo perfecta para un metodo de prediccion con pocos datos.

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

Diagrama conceptual de una aleacion de alta entropia, en la que cinco o mas elementos metalicos se mezclan en proporciones casi iguales

Fuente: comunicado de prensa de la Universidad de Waseda

Por que un metodo cuantico ayuda cuando los datos escasean

El algoritmo en el centro del estudio es el aprendizaje de circuitos cuanticos (QCL, por sus siglas en ingles). Pertenece a una categoria llamada hibridos cuantico-clasicos: un circuito cuantico se encarga de parte del calculo mientras una computadora corriente realiza la optimizacion, yendo y viniendo entre ambos hasta entrenar el modelo. Es clave que QCL este disenado para funcionar en las maquinas cuanticas desordenadas y propensas a errores que existen hoy, la llamada generacion NISQ (cuantica ruidosa de escala intermedia), en lugar de esperar una computadora cuantica impecable que aun no existe.

Dos propiedades lo hacen adecuado para el problema de pocos datos. La primera: un circuito cuantico puede manejar un conjunto exponencialmente grande de bloques matematicos en relacion con su numero de cubits, lo que le da una alta capacidad expresiva. La segunda, y esta es la parte menos evidente: la matematica de las operaciones cuanticas impone una restriccion incorporada (la unitariedad) que parece desalentar el sobreajuste, de modo que el modelo puede mantenerse flexible sin memorizar hasta el absurdo.

El equipo tomo ademas una decision de diseno deliberada que amplia la utilidad del metodo. En lugar de alimentar el modelo con datos detallados de estructura cristalina, que no siempre estan disponibles al inicio de un proyecto, usaron 24 numeros que pueden calcularse directamente a partir de la composicion quimica de un material —magnitudes como la entropia y la entalpia de mezcla— y luego los comprimieron a 10 dimensiones antes del entrenamiento. En terminos sencillos: basta con saber que se piensa mezclar, sin necesidad de haberlo fabricado y medido ya.

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

Hay un discreto motivo de orgullo nacional en el propio metodo. QCL no se invento para este estudio. Fue propuesto por primera vez en 2018 por investigadores de las universidades de Osaka y Kioto, lo que lo convierte, por origen, en un algoritmo japones que ahora otro equipo japones lleva al uso industrial.

Su lugar en una carrera cuantica concurrida

El aprendizaje automatico cuantico para materiales es un campo activo, y Japon no corre solo. IBM ofrece herramientas de aprendizaje automatico cuantico a traves de su software Qiskit y procesadores accesibles en la nube; la division Quantum AI de Google impulsa su propio hardware y algoritmos; y una linea de investigacion aparte usa el recocido cuantico —el enfoque detras de las maquinas de D-Wave— para abordar el diseno de aleaciones. Un estudio publicado en npj Computational Materials a principios de 2026, por ejemplo, uso aprendizaje automatico con recocido cuantico para ayudar a descubrir una aleacion de alta entropia resistente y anticorrosiva.

El trabajo de Waseda y Fujitsu se situa en el lado de los circuitos de puertas y los metodos 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 practico: exprimir una extrapolacion fiable a partir de conjuntos de datos diminutos. Es un blanco estrecho, pero real, y acertarlo resulta posiblemente mas util para los cientificos de materiales en activo que otro titular sobre el numero de cubits.

Que cambia si el metodo se sostiene

Las aleaciones de alta entropia no son una curiosidad de laboratorio. Se las considera para componentes de motores a reaccion, reactores nucleares de proxima generacion y plantas quimicas que operan en condiciones que destrozarian 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 tardaria anos en encontrar por casualidad.

Dicho esto, el equipo es franco sobre cuan lejos esta esto de ser un producto terminado. Simular QCL en las computadoras clasicas de hoy es lento, asi que las ganancias reales de velocidad dependen de la maduracion del hardware cuantico. Las ventajas aun deben confirmarse en maquinas cuanticas reales, no en simulaciones. Y el metodo tiene que demostrar su valia en materiales mas alla de las aleaciones de alta entropia antes de que alguien pueda llamarlo general.

El profesor Yamamoto lo planteo con cautela: el aprendizaje automatico ha tardado mas 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, sugirio, es un candidato para resolver eso, y si el hardware cuantico sigue mejorando, la forma en que se descubren los materiales nuevos podria cambiar de manera drastica.

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

En Japon, la computacion cuantica se orienta cada vez mas a problemas industriales con los pies en la tierra como este, mas que a demostraciones abstractas. La investigacion cuantica en tu pais, ya se inclina hacia aplicaciones practicas, o sigue mayormente en el laboratorio? Nos encantaria saber como se ve desde donde estas.

Referencias