Corrección de Errores Cuánticos 2026: El Mayor

<\!-- wp:group {"className":"tldr-box","backgroundColor":"pale-cyan-blue"} -->

<\!-- /wp:group -->

📅 Última actualización: febrero de 2026 · IA Cuántica Avanzada

Resumen: La corrección de errores cuánticos es la barrera técnica más difícil entre los ordenadores cuánticos actuales y los ordenadores cuánticos prácticos y fiables. Sin ella, cualquier cálculo cuántico complejo colapsa antes de terminar. Este artículo explica desde cero cómo funcionan los códigos de corrección, qué son los qubits lógicos frente a los físicos, por qué los códigos de superficie son la estrategia dominante, qué han demostrado Google con Willow e IBM con Heron, y cuál es la hoja de ruta realista hacia la tolerancia a fallos completa.

📅 Publicado el tres de marzo de dos mil veintiséis · Aviso legal

Índice de contenidos

• Por qué la corrección de errores es el mayor desafío
• Qubits físicos vs qubits lógicos
• Tipos de errores cuánticos: bit-flip, phase-flip y su corrección
• Códigos de superficie: el esquema más prometedor
• Tabla: ratio de qubits físicos a lógicos
• El umbral de error: por qué bajar del uno por ciento lo cambia todo
• Google Willow y la corrección below threshold
• Hojas de ruta de IBM, Google y Microsoft
• Decodificación en tiempo real
• Implicaciones para el timeline cuántico
• Preguntas frecuentes

Por qué la corrección de errores es el mayor desafío de la computación cuántica

Los ordenadores clásicos cometen errores a una tasa increíblemente baja, del orden de uno por cada diez mil billones de operaciones. Los procesadores cuánticos actuales, en cambio, cometen un error aproximadamente por cada mil operaciones en el mejor de los casos, y por cada cien operaciones en los peores. Esa diferencia de diez órdenes de magnitud es la razón por la que los ordenadores cuánticos de hoy no pueden ejecutar la mayoría de los algoritmos que los hacen teóricos poderosos, como el algoritmo de Shor para romper RSA o simulaciones moleculares complejas para la industria farmacéutica.

El problema fundamental es la decoherencia. Un qubit es un sistema cuántico extraordinariamente frágil que interactúa con su entorno (temperatura, campos electromagnéticos, vibraciones mecánicas, radiación cósmica) y pierde su estado cuántico en microsegundos o milisegundos según la tecnología. Mientras un bit clásico es robusto (un voltaje alto o bajo se distingue con enorme margen), un qubit almacena información en una superposición continua de estados que cualquier perturbación mínima puede destruir. No se trata de un fallo ocasional: es una certeza estadística que crece exponencialmente con el número de qubits y la duración del cálculo.

La corrección de errores cuánticos (QEC, por sus siglas en inglés) es el conjunto de técnicas que permiten detectar y corregir estos errores sin destruir la información cuántica en proceso. Es, sin exageración, la barrera más difícil de la ingeniería cuántica. Resolverla no solo requiere hardware más preciso, sino también algoritmos matemáticos sofisticados, decodificadores ultrarrápidos y una arquitectura de control que funcione en tiempo real. Sin QEC funcional, los ordenadores cuánticos están condenados a ser dispositivos ruidosos de alcance limitado. Con ella, se abre la puerta a la computación cuántica tolerante a fallos y a la revolución que prometen.

Qubits físicos vs qubits lógicos: la diferencia que lo cambia todo

Para entender la corrección de errores cuánticos es imprescindible distinguir entre qubits físicos y qubits lógicos. Un qubit físico es un dispositivo real: un circuito superconductor en el caso de IBM o Google, un ion atrapado en el caso de IonQ o Quantinuum, o un fotón en el caso de PsiQuantum. Cada qubit físico es imperfecto y comete errores a una tasa específica que depende de la tecnología, la temperatura, el aislamiento y la calibración.

Un qubit lógico es una abstracción: la información de un único qubit «perfecto» codificada a través de múltiples qubits físicos de forma redundante. La idea es análoga a lo que hacen los discos duros con RAID o los sistemas de comunicación con códigos de corrección: si uno o varios componentes fallan, la redundancia permite reconstruir la información original. La diferencia crucial es que en el mundo cuántico no se puede copiar un qubit directamente (el teorema de no clonación lo prohíbe), así que la redundancia se implementa distribuyendo la información cuántica en un estado entrelazado compartido entre muchos qubits físicos.

El ratio entre qubits físicos y lógicos depende de la tasa de error física y del código de corrección empleado. Con las tasas de error actuales (entre cero coma uno y uno por ciento por operación), se necesitan entre mil y diez mil qubits físicos para producir un solo qubit lógico fiable. Eso significa que un ordenador cuántico capaz de ejecutar el algoritmo de Shor contra RSA-2048 (que necesitaría unos dos mil qubits lógicos) requeriría entre dos y veinte millones de qubits físicos. Comparado con los mil quinientos qubits físicos del procesador Heron de IBM o los ciento cinco de Willow de Google, la brecha es evidente. Reducir este ratio es el gran objetivo de toda la investigación en QEC.

Tipos de errores cuánticos: bit-flip, phase-flip y su corrección

Los errores cuánticos se clasifican en tres categorías fundamentales. El error bit-flip (X) es análogo a un bit clásico que cambia de cero a uno o viceversa. En un qubit, transforma el estado |0⟩ en |1⟩ y viceversa. Es el tipo de error más intuitivo y el más sencillo de corregir. El código de corrección más básico para este error es el código de repetición de tres qubits: se codifica |0⟩ como |000⟩ y |1⟩ como |111⟩. Si uno de los tres qubits sufre un bit-flip, la mayoría sigue indicando el estado correcto y se puede corregir por votación mayoritaria.

El error phase-flip (Z) no tiene análogo clásico directo y es exclusivo de la mecánica cuántica. No cambia el qubit de |0⟩ a |1⟩, sino que invierte la fase relativa de la superposición. Si un qubit está en el estado α|0⟩ + β|1⟩, un error de fase lo convierte en α|0⟩ – β|1⟩. Este error es invisible si solo se mide en la base computacional estándar, pero destruye las interferencias cuánticas que son la fuente del poder computacional cuántico. Para corregirlo, se utiliza un código de repetición en la base de Hadamard (la base |+⟩/|−⟩), aplicando la misma lógica de votación mayoritaria pero en un eje diferente del espacio de Hilbert.

El tercer tipo es el error combinado (Y), que es simultáneamente un bit-flip y un phase-flip. Un código de corrección completo debe ser capaz de detectar y corregir los tres tipos de error de forma simultánea. Peter Shor propuso el primer código de este tipo en mil novecientos noventa y cinco, utilizando nueve qubits físicos para proteger uno lógico. Desde entonces, se han desarrollado códigos mucho más eficientes: el código de Steane con siete qubits, el código perfecto de cinco qubits (el mínimo teórico), y los códigos topológicos que hoy dominan la investigación. La clave de todos ellos es que la detección de errores se realiza mediante mediciones de síndromes de estabilizadores, que revelan si se ha producido un error y de qué tipo sin colapsar el estado cuántico del qubit lógico.

Códigos de superficie: el esquema de corrección más prometedor

Los códigos de superficie (surface codes) son actualmente el esquema de corrección de errores cuánticos más estudiado y el que tiene más probabilidades de ser implementado a gran escala en la próxima década. Fueron propuestos por Alexei Kitaev a finales de los noventa y desarrollados extensamente por Austin Fowler y su equipo en Google. Su popularidad se debe a tres ventajas fundamentales que los hacen únicamente prácticos para el hardware real.

La primera ventaja es que solo requieren interacciones entre qubits vecinos en una cuadrícula bidimensional. Esto es crítico porque los procesadores superconductores (IBM, Google, Rigetti) ya se fabrican como rejillas 2D de qubits, así que no hace falta una conectividad exótica. La segunda ventaja es que tienen un umbral de error relativamente alto: si la tasa de error de cada qubit físico está por debajo de aproximadamente el uno por ciento, el código de superficie puede corregir los errores más rápido de lo que se producen, y aumentar el tamaño de la cuadrícula mejora exponencialmente la protección. La tercera ventaja es la escalabilidad: para obtener qubits lógicos más fiables, simplemente se agranda la cuadrícula. Un código de superficie de distancia d utiliza aproximadamente 2d² qubits físicos (d² qubits de datos y d² qubits auxiliares de medición) y puede corregir hasta (d-1)/2 errores simultáneos.

En la práctica, un código de superficie de distancia tres (el mínimo útil) utiliza diecisiete qubits físicos y puede corregir un error. Uno de distancia cinco usa cuarenta y nueve qubits y corrige hasta dos errores simultáneos. Uno de distancia siete necesita noventa y siete qubits y tolera tres errores. Para aplicaciones criptográficas serias como romper RSA, se necesitarían distancias de veintiuno o más, lo que implica miles de qubits físicos por qubit lógico. Las alternativas que podrían reducir este overhead incluyen los códigos LDPC cuánticos (qLDPC), que prometen ratios significativamente mejores pero requieren conectividad no local entre qubits, algo difícil con la tecnología actual pero posible con interconexiones fotónicas o arquitecturas modulares.

Tabla: ratio de qubits físicos a lógicos según tecnología y tasa de error

La siguiente tabla muestra estimaciones del número de qubits físicos necesarios para construir un qubit lógico fiable según la tasa de error del hardware y la distancia del código de superficie empleado. Estos números son aproximados y dependen del modelo de ruido específico, pero dan una idea clara de la magnitud del desafío.

Como muestra la tabla, mejorar la tasa de error física tiene un impacto exponencial en la calidad del qubit lógico. Pasar del uno por ciento al cero coma quince por ciento (lo que Google demostró con Willow) permite reducir la distancia del código necesaria de siete a cinco, lo que significa pasar de noventa y siete a cuarenta y nueve qubits físicos por lógico, casi la mitad. Si Microsoft logra que sus qubits topológicos alcancen tasas del cero coma cero uno por ciento, bastaría con diecisiete qubits físicos por lógico, haciendo viable un ordenador cuántico tolerante a fallos con solo decenas de miles de qubits físicos en lugar de millones.

El umbral de error: por qué bajar del uno por ciento lo cambia todo

El concepto más importante en corrección de errores cuánticos es el umbral de error (error threshold). Es la tasa de error física por debajo de la cual la corrección de errores cuánticos funciona: añadir más qubits de redundancia mejora la protección en lugar de empeorarla. Por encima del umbral, añadir más qubits introduce más errores de los que puede corregir y el sistema se degrada. Por debajo del umbral, cada incremento en la distancia del código mejora exponencialmente la fiabilidad del qubit lógico.

Para los códigos de superficie, el umbral teórico es de aproximadamente el uno por ciento por operación de puerta cuántica. Esto no significa que todas las operaciones deban tener menos del uno por ciento de error: es un promedio ponderado que incluye las puertas de un qubit, las puertas de dos qubits (las más problemáticas), la preparación de estados, la medición y la decoherencia durante el ciclo de corrección. En la práctica, la operación limitante son las puertas de dos qubits (CNOT o CZ), porque requieren la interacción controlada entre qubits vecinos y son entre cinco y diez veces más propensas a errores que las operaciones de un solo qubit.

Cruzar este umbral ha sido durante años el gran hito perseguido por todos los fabricantes de hardware cuántico. Google afirmó haberlo logrado con su chip Willow en diciembre de dos mil veinticuatro, demostrando que al aumentar la distancia del código de tres a cinco y luego a siete, la tasa de error lógico se reducía exponencialmente en cada paso. Esto fue la primera demostración experimental de que los códigos de superficie funcionan como predice la teoría cuando el hardware es suficientemente bueno. Quantinuum, con su tecnología de iones atrapados, ha demostrado tasas de error de puertas de dos qubits por debajo del cero coma tres por ciento, también por debajo del umbral. El siguiente paso es mantener estas tasas de error mientras se escala el número de qubits, algo mucho más difícil de lo que parece porque los problemas de calibración, diafonía y control crecen con el tamaño del procesador.

Google Willow y la corrección below threshold: qué demostró realmente

En diciembre de dos mil veinticuatro, Google publicó en Nature los resultados de su chip Willow de ciento cinco qubits superconductores. El resultado principal fue la demostración de corrección de errores por debajo del umbral (below threshold) con un código de superficie. Concretamente, el equipo mostró que al codificar un qubit lógico en cuadrículas progresivamente más grandes (3×3, 5×5 y 7×7), la tasa de error lógico se reducía a la mitad con cada incremento de distancia, exactamente lo que predice la teoría del código de superficie cuando se opera por debajo del umbral.

La importancia de esta demostración no puede exagerarse. Desde que Peter Shor propuso la corrección de errores cuánticos en mil novecientos noventa y cinco, la comunidad científica debatió durante décadas si sería posible en la práctica. Los errores cuánticos correlacionados, la diafonía entre qubits vecinos, los errores de medición y las fugas a estados no computacionales planteaban dudas legítimas sobre si la teoría funcionaría fuera del laboratorio ideal. Willow demostró que sí funciona, al menos a la escala de decenas de qubits, y que la mejora con la distancia del código es real y medible.

Sin embargo, es importante entender lo que Willow no demostró. El chip usó un máximo de cuarenta y nueve qubits para el código de distancia siete, manteniendo un solo qubit lógico estabilizado durante un tiempo limitado. No demostró operaciones lógicas entre qubits lógicos corregidos (lo que se llama computación tolerante a fallos), que es el siguiente paso necesario. Tampoco demostró que el escalado funcione a distancias mucho mayores (d=15, d=21) donde la ingeniería se vuelve enormemente más compleja. La demostración de Google es un punto de inflexión, pero queda un camino largo. Las estimaciones más optimistas sitúan la primera demostración de computación tolerante a fallos completa entre dos mil veintiocho y dos mil treinta, como discutimos en nuestro análisis del futuro de la computación cuántica.

Hojas de ruta de IBM, Google y Microsoft hacia qubits lógicos

Las tres grandes empresas que lideran la carrera cuántica tienen estrategias distintas para alcanzar la tolerancia a fallos. IBM sigue una ruta incremental basada en procesadores superconductores cada vez más grandes con mejoras progresivas en tasas de error. Su hoja de ruta contempla Flamingo (procesador modular de mil quinientos ochenta qubits con interconexión cuántica entre chips) para dos mil veintisiete y Starling (más de cuatro mil qubits conectados) hacia dos mil veintinueve. IBM apuesta por los códigos qLDPC como alternativa más eficiente a los códigos de superficie, prometiendo reducir el ratio de qubits físicos a lógicos hasta diez o doce a uno, frente a los más de mil a uno de los códigos de superficie convencionales. Si lo logra, un procesador de diez mil qubits físicos podría ofrecer cientos de qubits lógicos útiles.

Google planea construir un ordenador cuántico con un millón de qubits físicos antes de dos mil treinta. Su estrategia se basa en escalar los códigos de superficie que ya demostró con Willow, aumentando progresivamente la distancia del código a medida que los procesadores crecen. El paso inmediato es demostrar operaciones lógicas universales entre dos o más qubits lógicos corregidos, algo que esperan lograr con su siguiente generación de chips en dos mil veintiséis o dos mil veintisiete. Google también está invirtiendo en la decodificación en tiempo real, necesaria para que la corrección funcione mientras el cálculo avanza, y en la reducción de errores de fabricación chip a chip.

Microsoft apuesta por una vía radicalmente diferente: los qubits topológicos. En febrero de dos mil veinticinco, Microsoft presentó Majorana 1, un chip con ocho qubits topológicos basados en fermiones de Majorana. La promesa de esta tecnología es que los qubits topológicos son inherentemente más resistentes a errores (protección topológica), lo que reduciría enormemente el overhead de corrección. Si los qubits topológicos alcanzan tasas de error intrínsecas del cero coma cero uno por ciento o mejores, bastarían distancias de código muy pequeñas (d=3 o d=5) para obtener qubits lógicos de altísima calidad. Microsoft estima que esta aproximación podría lograr un millón de qubits lógicos con solo diez mil qubits físicos topológicos, un ratio mil veces mejor que el de los códigos de superficie con qubits superconductores. Sin embargo, la tecnología topológica está en una fase mucho más temprana de desarrollo y aún no ha demostrado operaciones de puerta cuántica básicas.

Decodificación en tiempo real: el software que hace posible la corrección

La corrección de errores cuánticos no es solo un problema de hardware. Cada ciclo de corrección (que ocurre cada microsegundo aproximadamente) genera un conjunto de mediciones de síndrome que un decodificador clásico debe analizar para determinar qué errores se han producido y cómo corregirlos. Este proceso debe completarse antes de que se acumulen nuevos errores, lo que impone un requisito brutal de velocidad: el decodificador debe procesar potencialmente miles de mediciones de síndrome en menos de un microsegundo.

Para códigos de superficie pequeños (distancia tres o cinco), los decodificadores actuales como el matching de peso mínimo (MWPM, minimum-weight perfect matching) funcionan adecuadamente en hardware clásico convencional. Pero a medida que la distancia del código crece a quince, veintiuno o más (necesario para aplicaciones prácticas), la complejidad del decodificador crece como el cubo de la distancia, y mantener la latencia por debajo del microsegundo se convierte en un desafío de ingeniería de primer orden.

Las soluciones en desarrollo incluyen decodificadores implementados en FPGAs (circuitos programables de muy baja latencia) directamente junto al procesador cuántico, decodificadores neuronales basados en redes neuronales entrenadas para reconocer patrones de error, y decodificadores basados en unión-find que son más rápidos que MWPM aunque ligeramente menos óptimos. Google, IBM y varias startups como Riverlane están invirtiendo fuertemente en esta área. Riverlane, en particular, ha desarrollado un decodificador dedicado que opera a la velocidad necesaria para códigos de distancia hasta quince y está colaborando con múltiples fabricantes de hardware para integrarlo en sus sistemas. La decodificación en tiempo real es un cuello de botella que a menudo se subestima pero que será determinante para la viabilidad de los ordenadores cuánticos tolerantes a fallos.

Implicaciones para el timeline de la computación cuántica útil

La corrección de errores cuánticos es el factor limitante que determina cuándo los ordenadores cuánticos pasarán de ser curiosidades de laboratorio a herramientas prácticas capaces de resolver problemas que los superordenadores clásicos no pueden abordar. El timeline más probable, basado en las hojas de ruta de las principales empresas y los avances demostrados hasta dos mil veinticinco, se puede dividir en cuatro fases.

La primera fase, de dos mil veinticinco a dos mil veintisiete, es la era de los primeros qubits lógicos demostrados. Veremos chips con decenas a cientos de qubits físicos manteniendo uno o varios qubits lógicos estabilizados durante periodos cada vez más largos, y las primeras demostraciones de puertas lógicas entre qubits lógicos corregidos. Esta fase ya ha comenzado con Willow y los experimentos de Quantinuum.

La segunda fase, de dos mil veintisiete a dos mil treinta, es cuando veremos los primeros procesadores con decenas de qubits lógicos operativos, capaces de ejecutar circuitos cuánticos cortos pero significativos con corrección de errores activa. En esta fase podrían aparecer las primeras aplicaciones con ventaja cuántica demostrada en optimización financiera, simulación de moléculas pequeñas o problemas de logística y cadena de suministro.

La tercera fase, de dos mil treinta a dos mil treinta y cinco, corresponde a la computación cuántica tolerante a fallos a escala media: centenares a miles de qubits lógicos, suficientes para abordar simulaciones moleculares complejas, optimización a gran escala y potencialmente los primeros ataques cuánticos a criptografía (aunque probablemente no contra RSA-2048 completo). La cuarta fase, más allá de dos mil treinta y cinco, es la era de la computación cuántica a gran escala que podría transformar industrias enteras, como detallamos en nuestro artículo sobre inversión en computación cuántica.

Es importante ser realista: cada una de estas fases requiere superar desafíos de ingeniería enormes que podrían retrasarse. La historia de la computación cuántica está llena de predicciones optimistas que no se cumplieron. Pero por primera vez, con la demostración de below threshold por Google, la comunidad tiene evidencia experimental de que el camino es viable. La pregunta ya no es si la corrección de errores cuánticos funcionará, sino cuánto tardaremos en escalarla lo suficiente.

Preguntas frecuentes sobre corrección de errores cuánticos

¿Por qué no se puede simplemente copiar un qubit para protegerlo?

El teorema de no clonación de la mecánica cuántica prohíbe crear una copia exacta de un estado cuántico desconocido. A diferencia de los bits clásicos, que se pueden duplicar libremente, un qubit en superposición no se puede copiar sin destruir la superposición original. Por eso la corrección de errores cuánticos utiliza el entrelazamiento para distribuir la información de forma redundante sin copiarla directamente, un enfoque matemáticamente mucho más complejo que la redundancia clásica.

¿Cuántos qubits físicos hacen falta para romper RSA con corrección de errores?

Las estimaciones más recientes (Gidney y Ekerå, dos mil veintiuno) sitúan el requisito en aproximadamente veinte millones de qubits físicos ruidosos usando códigos de superficie para factorizar un número RSA-2048 en ocho horas. Con mejoras en los códigos de corrección (como los qLDPC), esta cifra podría reducirse a unos pocos millones. Con qubits topológicos altamente fiables, podría bajar a decenas de miles. Ningún procesador actual se acerca a estas cifras, y es por esto que la criptografía actual sigue siendo segura a corto plazo.

¿Los ordenadores cuánticos actuales usan corrección de errores?

La mayoría de los ordenadores cuánticos comerciales actuales operan en el régimen NISQ (Noisy Intermediate-Scale Quantum), sin corrección de errores completa. Utilizan técnicas de mitigación de errores (como Zero Noise Extrapolation o Probabilistic Error Cancellation) que reducen el impacto del ruido estadísticamente pero no lo eliminan como hace la corrección completa. Google y Quantinuum han demostrado QEC experimental, pero aún no se usa en aplicaciones productivas.

¿Qué diferencia hay entre mitigación y corrección de errores?

La mitigación de errores ejecuta el circuito cuántico múltiples veces con variaciones controladas y usa procesamiento estadístico clásico para estimar el resultado sin ruido. No elimina los errores, solo reduce su impacto en el resultado final, y su coste computacional crece exponencialmente con la profundidad del circuito. La corrección de errores detecta y corrige activamente los errores durante el cálculo, permitiendo circuitos arbitrariamente largos, pero requiere un overhead masivo en qubits físicos. La mitigación es útil hoy; la corrección será imprescindible para el futuro.

¿Puede la inteligencia artificial ayudar con la corrección de errores cuánticos?

Sí, y de hecho es una de las áreas más activas de investigación en la intersección entre IA y computación cuántica. Las redes neuronales se están usando como decodificadores de síndromes de error, con resultados prometedores en velocidad y precisión. Google DeepMind desarrolló AlphaQubit, un decodificador basado en transformers que supera a los decodificadores clásicos tradicionales en códigos de superficie pequeños. El aprendizaje por refuerzo también se usa para optimizar las secuencias de calibración de qubits y los protocolos de corrección adaptativos.

Aviso: Este artículo tiene carácter exclusivamente divulgativo e informativo. Los datos técnicos, estimaciones de plazos y proyecciones se basan en publicaciones científicas y hojas de ruta corporativas disponibles a fecha de publicación y pueden variar. Consulta las condiciones de uso.

Si quieres profundizar en este tema, te recomendamos nuestras guías sobre inteligencia artificial cuántica, IBM, Google y Microsoft y criptografía postcuántica. También pueden interesarte nuestros análisis sobre quantum machine learning y computación cuántica en España. Además, no te pierdas nuestros artículos sobre tutorial de Qiskit y aplicaciones reales de la computación cuántica.

<\!-- wp:html -->

<\!-- /wp:html -->