Quantum Volume y CLOPS 2026: Medir la Potencia

📅 Articulo actualizado en dos mil veintiseis

📑 Índice de contenidos

📅 Articulo actualizado en dos mil veintiseis

📑 Índice de contenidos

📅 Última actualización: marzo de 2026. Contenido revisado y verificado.

Por qué contar qubits no basta

En los medios de comunicación, el progreso en computación cuántica se mide casi siempre por el número de qubits: IBM anuncia un procesador de 1.121 qubits, Atom Computing demuestra 1.225, D-Wave tiene más de 5.000. Estas cifras son impactantes pero profundamente engañosas si se toman sin contexto.

La analogía con la computación clásica es pensar en los megahercios de un procesador. Durante los años noventa, la industria de PCs medía el rendimiento por la velocidad del reloj: un Pentium a 200 MHz era el doble de rápido que uno a 100 MHz, o eso se suponía. En realidad, la velocidad del reloj no capturaba diferencias en arquitectura, tamaño de caché, ancho del bus o eficiencia por ciclo que hacían que procesadores con la misma frecuencia tuvieran rendimientos muy diferentes.

En la computación cuántica, el número de qubits es incluso más engañoso que los megahercios. Un qubit con un error del uno por ciento en cada puerta puede ejecutar circuitos de unas cien puertas antes de que los errores se acumulen y destruyan el resultado. Un qubit con un error del diez por ciento se vuelve inútil después de diez puertas. Multiplicar qubits ruidosos no multiplica la capacidad de cálculo; más bien multiplica el ruido.

Por eso la industria ha desarrollado métricas que intentan capturar el rendimiento real de un procesador cuántico, no solo su tamaño bruto. Cada métrica tiene ventajas y limitaciones, y ninguna cuenta la historia completa, pero juntas ofrecen una imagen mucho más precisa que el simple conteo de qubits.

Quantum volume: la métrica holística de IBM

El quantum volume (QV) fue propuesto por IBM en 2019 como una métrica única que captura múltiples aspectos del rendimiento de un procesador cuántico. La idea es medir el circuito cuántico más grande que el procesador puede ejecutar con éxito, donde más grande se refiere tanto al número de qubits como a la profundidad del circuito.

Conceptualmente, el QV responde a la pregunta: ¿cuál es el circuito cuadrado más grande que este procesador puede ejecutar con una fidelidad mejor que el azar? Un circuito cuadrado tiene tantas capas de puertas como qubits utiliza. Si un procesador puede ejecutar fiablemente un circuito de siete qubits y siete capas de puertas, su QV es 2^7 = 128.

El QV tiene en cuenta automáticamente la fidelidad de las puertas, porque los circuitos profundos solo producen resultados correctos si las puertas son de alta calidad. También captura la conectividad, porque los circuitos utilizan puertas de dos qubits entre qubits aleatorios, y si la conectividad del procesador es limitada, se necesitan operaciones SWAP adicionales que añaden errores y profundidad.

IBM logró aumentar el QV de sus procesadores de forma constante, desde QV 32 en 2020 hasta QV 512 y más en procesadores recientes. Quantinuum, con sus iones atrapados de alta fidelidad y conectividad completa, alcanzó un QV récord de 2^20 = 1.048.576, demostrando la ventaja de la calidad y conectividad sobre el número bruto de qubits.

Cómo se calcula el quantum volume paso a paso

El protocolo de medición del QV es riguroso y reproducible. Se genera un conjunto de circuitos cuánticos aleatorios cuadrados de tamaño n por n, donde n es el número de qubits candidato. Cada circuito consiste en n capas, y cada capa aplica permutaciones aleatorias seguidas de puertas cuánticas de dos qubits aleatorias (específicamente unitarias SU(4) del grupo de Haar) a pares de qubits seleccionados al azar.

Estos circuitos se compilan para el procesador objetivo, lo que incluye traducirlos a las puertas nativas del hardware, insertar SWAPs para satisfacer las restricciones de conectividad, y optimizar la profundidad total. Esta compilación forma parte del test: un procesador con mejor conectividad necesitará menos SWAPs y ejecutará circuitos más cortos.

Cada circuito se ejecuta muchas veces en el hardware real, recopilando una distribución de resultados. Se compara esta distribución con la distribución ideal calculada por un simulador clásico. Si la distribución medida tiene una fidelidad superior a dos tercios respecto a la ideal, con un nivel de confianza estadístico del noventa y siete por ciento, el test se considera superado.

Se incrementa n hasta encontrar el valor máximo para el que el procesador supera el test. El quantum volume es 2^n. El protocolo es público y cualquier laboratorio puede implementarlo, lo que ha permitido comparaciones independientes entre procesadores de diferentes fabricantes.

CLOPS: la velocidad importa tanto como la calidad

En 2021, IBM introdujo CLOPS (Circuit Layer Operations Per Second) como complemento al quantum volume. Mientras que el QV mide qué tan complejos pueden ser los circuitos que el procesador ejecuta correctamente, CLOPS mide cuántos circuitos puede ejecutar por unidad de tiempo.

CLOPS se define como el número de capas de circuito de QV máximo que el procesador puede ejecutar por segundo, incluyendo todo el overhead: compilación del circuito, envío al hardware, ejecución, lectura de resultados y procesamiento clásico. Es una medida del rendimiento de todo el sistema, no solo del chip.

Esta métrica es especialmente relevante para algoritmos variacionales como VQE y QAOA, que son los algoritmos cuánticos más prometedores para la era NISQ actual. Estos algoritmos requieren ejecutar miles o millones de circuitos cuánticos iterativamente, ajustando parámetros clásicos entre cada ronda. Si el procesador es lento en el ciclo completo de ejecución, el tiempo total del algoritmo se vuelve prohibitivo.

Los procesadores superconductores tienen una ventaja significativa en CLOPS gracias a la velocidad de sus puertas (nanosegundos) y la rapidez de la medición. IBM ha reportado valores de CLOPS superiores a cien mil para sus procesadores más recientes. Los iones atrapados, a pesar de su mayor fidelidad, tienen CLOPS significativamente menores debido a la lentitud de sus puertas (microsegundos) y ciclos de medición.

Tabla comparativa: métricas de los principales procesadores

Algorithmic qubits de IonQ: una métrica alternativa

IonQ ha propuesto su propia métrica llamada algorithmic qubits (#AQ), argumentando que el quantum volume tiene limitaciones que no capturan las ventajas de los iones atrapados. Los #AQ intentan estimar el número de qubits que un procesador puede utilizar de forma efectiva para ejecutar algoritmos reales con resultados útiles.

La definición de #AQ se basa en la capacidad del procesador para ejecutar circuitos que implementan el algoritmo de Bernstein-Vazirani con éxito. Si un procesador puede resolver correctamente el problema de BV con n qubits, tiene al menos n algorithmic qubits. Esta métrica tiene en cuenta la fidelidad, la conectividad y la profundidad de circuito de forma implícita.

IonQ reporta valores de #AQ de hasta treinta y seis para su procesador Forte Enterprise, lo que afirman es comparable o superior al rendimiento algorítmico de procesadores superconductores con cientos de qubits físicos. La conectividad completa de los iones permite ejecutar algoritmos sin SWAPs intermedios, lo que reduce enormemente la profundidad del circuito y los errores acumulados.

Los críticos señalan que los #AQ están diseñados para favorecer la plataforma de IonQ y que el algoritmo de Bernstein-Vazirani no es representativo de las aplicaciones cuánticas más relevantes. IBM y Google no han adoptado esta métrica, prefiriendo sus propias evaluaciones de rendimiento.

XEB de Google: cross-entropy benchmarking

Google utiliza el cross-entropy benchmarking (XEB) como su métrica principal de rendimiento. XEB mide la fidelidad de un circuito cuántico comparando la distribución de resultados medidos con la distribución ideal predicha por la teoría cuántica.

La fidelidad XEB se calcula como la media del logaritmo de la probabilidad ideal de los resultados observados. Si el procesador ejecuta el circuito perfectamente, la fidelidad XEB es uno. Si el procesador produce ruido aleatorio, la fidelidad es cero. Los valores intermedios indican cuánta señal cuántica genuina queda después de los errores.

Google utilizó XEB como la métrica principal en su demostración de supremacía cuántica con Sycamore y en la validación de Willow. La ventaja de XEB es que se puede aplicar a circuitos de cualquier tamaño y profundidad, y escala naturalmente con la complejidad del problema. La desventaja es que requiere simulación clásica para calcular la distribución ideal, lo que se vuelve imposible para los circuitos más grandes, precisamente el régimen donde la computación cuántica es más interesante.

Para circuitos que superan la capacidad de simulación clásica, Google ha desarrollado técnicas de extrapolación y verificación parcial que permiten estimar la fidelidad XEB sin simular el circuito completo, aunque con menor certeza.

Fidelidad de puertas y tiempos de coherencia: las métricas de bajo nivel

Por debajo de las métricas holísticas como QV, CLOPS y XEB, existen métricas de bajo nivel que caracterizan componentes individuales del procesador. Las dos más importantes son la fidelidad de las puertas cuánticas y los tiempos de coherencia.

La fidelidad de puerta mide la probabilidad de que una operación cuántica produzca el resultado correcto. Se determina mediante técnicas como randomized benchmarking, que aplica secuencias aleatorias de puertas que deberían devolver el qubit a su estado inicial, midiendo la desviación respecto a este resultado. Las fidelidades de puerta de un solo qubit superan el noventa y nueve con nueve por ciento en la mayoría de plataformas. Las puertas de dos qubits son el cuello de botella, con fidelidades que van desde el noventa y nueve por ciento en superconductores hasta más del noventa y nueve con nueve por ciento en iones atrapados.

Los tiempos de coherencia T1 y T2 miden cuánto tiempo un qubit mantiene su información cuántica. T1 es el tiempo de relajación, cuánto tarda un qubit en el estado uno en decaer al estado cero por pérdida de energía. T2 es el tiempo de decoherencia, cuánto tarda una superposición en perder la relación de fase entre sus componentes. T2 siempre es menor o igual que 2T1.

La relación entre el tiempo de coherencia y el tiempo de puerta determina cuántas operaciones se pueden ejecutar antes de que la información se degrade. Este ratio, a veces llamado profundidad de circuito alcanzable, es una métrica práctica que combina velocidad y coherencia. Los superconductores ejecutan puertas más rápidas pero tienen menor coherencia; los iones tienen puertas más lentas pero coherencia mucho mayor. El resultado es que ambos pueden ejecutar un número similar de operaciones, entre mil y diez mil, antes de perder la señal.

El problema de las métricas sesgadas: cada empresa favorece su plataforma

Un problema fundamental del ecosistema de métricas cuánticas es que cada empresa tiende a promover las métricas en las que su plataforma destaca. IBM creó el quantum volume y CLOPS, métricas donde la velocidad de los superconductores brilla. IonQ creó los algorithmic qubits, que capturan la ventaja de la conectividad completa de los iones. Google usa XEB, optimizado para los circuitos aleatorios donde su hardware es más fuerte.

Esta situación es comparable a la guerra de benchmarks en la industria de procesadores clásicos, donde Intel, AMD y ARM promovían diferentes benchmarks que favorecían sus respectivas arquitecturas. La solución eventual fue la adopción de suites de benchmarks estandarizadas como SPEC que incluyen múltiples tipos de tareas.

En computación cuántica, iniciativas como la Application-Oriented Benchmarks de QED-C (Quantum Economic Development Consortium) están intentando crear estándares similares. Estos benchmarks evalúan procesadores en tareas relevantes para aplicaciones reales, como optimización de carteras, simulación molecular y machine learning, en lugar de circuitos abstractos.

Hasta que estos estándares se adopten ampliamente, la recomendación es no confiar en ninguna métrica individual y evaluar los procesadores en función de las métricas más relevantes para la aplicación específica que se desea ejecutar.

Hacia benchmarks de aplicación: medir lo que realmente importa

El futuro de la evaluación de procesadores cuánticos probablemente se parecerá más a cómo evaluamos ordenadores clásicos para tareas específicas: no preguntamos cuántos transistores tiene un portátil, sino si puede ejecutar el software que necesitamos con rendimiento aceptable.

Los benchmarks de aplicación miden el rendimiento del procesador en problemas que los usuarios realmente quieren resolver. Por ejemplo: ¿con qué precisión puede este procesador calcular la energía del estado fundamental del cloruro de litio? ¿Cuánto mejora la solución de optimización de una cartera de inversión respecto a un algoritmo clásico? ¿Cuál es la aceleración real en la simulación de una molécula farmacéutica?

Estos benchmarks son más difíciles de diseñar y ejecutar que las métricas genéricas, pero proporcionan información mucho más útil para las empresas que evalúan si la computación cuántica puede beneficiar sus operaciones. A medida que el sector madure, esperamos que los benchmarks de aplicación reemplacen gradualmente al conteo de qubits como la forma principal de evaluar el progreso.

Para quienes están evaluando inversiones en computación cuántica o considerando carreras en el sector, entender estas métricas es esencial para separar la señal del ruido en los anuncios corporativos y evaluar el progreso real del campo.

Preguntas frecuentes

¿Qué es el quantum volume?

Una métrica de IBM que mide el circuito cuadrado más grande que un procesador ejecuta con éxito. Un QV de 128 equivale a circuitos de 7 qubits y 7 capas de puertas. Captura fidelidad, conectividad y errores en un solo número.

¿Por qué el número de qubits no basta?

Porque ignora la calidad. Un procesador de mil qubits con errores altos es menos útil que uno de cincuenta qubits de alta fidelidad. Las métricas holísticas capturan el rendimiento real.

¿Qué es CLOPS?

Mide la velocidad de ejecución de circuitos incluyendo todo el overhead. Especialmente relevante para algoritmos variacionales que requieren miles de ejecuciones iterativas.

¿Qué otras métricas existen?

Algorithmic qubits de IonQ, XEB de Google, fidelidad de puertas, tiempos de coherencia T1/T2, y benchmarks de aplicación emergentes.

¿Cómo comparo procesadores de diferentes fabricantes?

No hay una métrica universal justa. Lo más fiable es comparar rendimiento en benchmarks de aplicaciones concretas relevantes para tu caso de uso.

Profundiza con nuestras guías sobre qué es un qubit, las aplicaciones reales de la computación cuántica y los ordenadores cuánticos en la nube.

<\!-- wp:html -->

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