Un equipo de investigadores del University College London (UCL) ha desarrollado un modelo híbrido que combina inteligencia artificial con computación cuántica, logrando predecir sistemas caóticos con un 20 % más de precisión que los métodos tradicionales.
El avance no consiste en reemplazar completamente la computación clásica, sino en usar un procesador cuántico en una etapa específica del proceso: la extracción de patrones clave dentro del sistema. Esa intervención puntual permite mejorar significativamente el rendimiento del modelo sin depender de hardware cuántico completo, que aún es limitado.
El modelo utiliza un procesador de aproximadamente 20 qubits para identificar “invariantes estadísticos”, es decir, estructuras que se mantienen estables incluso dentro de sistemas caóticos como el clima, la turbulencia de fluidos o el flujo sanguíneo.
Gracias a esto, la inteligencia artificial logra mantener coherencia en predicciones a largo plazo, donde normalmente los modelos clásicos fallan debido al efecto mariposa, que amplifica pequeños errores iniciales hasta volver inútiles las proyecciones.
Otro punto clave del avance es la eficiencia. El modelo cuántico requiere cientos de veces menos memoria que los sistemas tradicionales, lo que abre la puerta a simulaciones complejas sin necesidad de supercomputadoras masivas.
Las aplicaciones potenciales son amplias:
- Predicción climática más precisa
- Optimización de energía (como parques eólicos)
- Simulación médica (flujo sanguíneo, enfermedades)
- Modelado de sistemas financieros complejos
El resultado no es “predecir el futuro” en el sentido absoluto, pero sí reducir drásticamente la incertidumbre en sistemas donde antes era casi imposible anticipar el comportamiento más allá de ciertos límites.
En términos simples:
el caos no desaparece,
pero empieza a obedecer un poco más.
