Xanadu 2026: PennyLane y Computación Cuántica

📅 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.

Xanadu: la apuesta fotónica desde Toronto

Xanadu fue fundada en 2016 por Christian Weedbrook, un físico australiano especializado en óptica cuántica y teoría de la información cuántica de variables continuas. La empresa nació de la convicción de que los fotones, partículas de luz, ofrecen ventajas fundamentales para la computación cuántica que los qubits superconductores y los iones atrapados no pueden igualar.

Con sede en Toronto, Canadá, Xanadu se ha posicionado como líder mundial en computación cuántica fotónica, un campo que también incluye a PsiQuantum en Estados Unidos y ORCA Computing en el Reino Unido, aunque con enfoques técnicos diferentes. La empresa ha recaudado más de trescientos millones de dólares canadienses en financiación y emplea a más de doscientos investigadores e ingenieros.

Lo que distingue a Xanadu no es solo su hardware fotónico sino su estrategia de doble impacto: construir el hardware cuántico del futuro mientras desarrolla el software cuántico más influyente del presente. PennyLane, su framework de quantum machine learning, es utilizado por investigadores y empresas de todo el mundo, independientemente del hardware que utilicen.

Computación cuántica con luz: cómo funciona

La computación cuántica fotónica codifica la información en propiedades de los fotones: su polarización, su camino a través de un circuito, o su amplitud y fase cuántica. A diferencia de los qubits de materia que necesitan temperaturas cercanas al cero absoluto para funcionar, los fotones operan naturalmente a temperatura ambiente.

Xanadu utiliza un enfoque de variables continuas basado en estados de luz comprimida (squeezed states). En lugar de codificar información en los niveles discretos cero y uno de un qubit tradicional, los estados squeezed codifican información en las amplitudes continuas del campo electromagnético. Esto ofrece una representación más rica pero también requiere técnicas diferentes de control y medición.

Las operaciones cuánticas se realizan mediante componentes ópticos: divisores de haz que mezclan modos de luz, rotadores de fase que cambian las propiedades de la onda, y detectores de fotones que miden los resultados. Estos componentes pueden fabricarse como circuitos integrados fotónicos en chips de silicio, aprovechando la madurez de la industria de semiconductores.

La principal ventaja de la fotónica es la baja decoherencia: los fotones apenas interactúan con su entorno, manteniendo su coherencia cuántica durante largos períodos. La principal desventaja es la dificultad de crear interacciones fotón-fotón, necesarias para las puertas cuánticas de dos qubits, que son inherentemente probabilísticas en la fotónica lineal.

Borealis: 216 modos y ventaja cuántica programable

En junio de 2022, Xanadu publicó en la revista Nature los resultados de Borealis, un procesador fotónico con 216 modos de luz squeezed que realizó un cálculo de muestreo de bosones gaussiano (GBS) que superaría en velocidad a cualquier superordenador clásico conocido. El cálculo que Borealis completó en treinta y seis microsegundos requeriría más de nueve mil años en el superordenador Fugaku.

Borealis fue notable por varias razones. Fue la primera demostración de ventaja cuántica con un procesador fotónico programable, es decir, capaz de ejecutar diferentes circuitos, no solo uno fijo. Fue la primera ventaja cuántica demostrada a temperatura ambiente, sin refrigeración criogénica. Y utilizó un número de modos significativamente mayor que las demostraciones anteriores de China con Jiuzhang.

El procesador genera pulsos de luz squeezed que se envían a través de una red de bucles de fibra óptica de diferentes longitudes, creando interferencias entre modos temporales sucesivos. La programabilidad viene de la capacidad de ajustar los divisores de haz y los desplazamientos de fase entre cada par de pulsos.

La física del squeezed light y el muestreo de bosones

La luz squeezed (comprimida) es un estado cuántico del campo electromagnético donde la incertidumbre en una de sus propiedades, como la amplitud, se reduce por debajo del límite de vacío cuántico, a costa de aumentar la incertidumbre en la propiedad conjugada, la fase. Esto es una consecuencia directa del principio de incertidumbre de Heisenberg.

El muestreo de bosones gaussiano (GBS) es un problema computacional que pide generar muestras de la distribución de fotones que emergen cuando estados de luz squeezed pasan por un interferómetro lineal. La distribución de probabilidades de detectar diferentes números de fotones en cada modo de salida está relacionada con funciones matemáticas llamadas hafnianos, que son extremadamente difíciles de calcular clásicamente.

GBS no resuelve un problema útil directamente, pero tiene conexiones con problemas de grafos y optimización. La distribución de muestras de GBS está relacionada con la estructura de ciertos grafos, lo que permite utilizar el muestreo fotónico como heurística para problemas como la búsqueda de cliques densas, la similitud molecular y ciertos problemas de optimización.

Tabla: Xanadu vs otros enfoques fotónicos

PennyLane: el framework que cambió el quantum machine learning

PennyLane es, posiblemente, la contribución más influyente de Xanadu al ecosistema cuántico global. Lanzado en 2018, es un framework de Python para computación cuántica diferenciable que permite construir, entrenar y optimizar circuitos cuánticos utilizando las mismas técnicas de diferenciación automática que hacen funcionar el deep learning moderno.

La idea central es tratar un circuito cuántico parametrizado como una capa de una red neuronal. Los parámetros del circuito, los ángulos de rotación de las puertas cuánticas, son variables entrenables que se optimizan mediante descenso de gradiente. PennyLane calcula estos gradientes automáticamente, usando técnicas como el parameter-shift rule que permite obtener gradientes exactos de circuitos cuánticos sin aproximaciones numéricas.

PennyLane se integra nativamente con los principales frameworks de deep learning: TensorFlow, PyTorch y JAX. Esto permite construir modelos híbridos donde capas clásicas y cuánticas se combinan libremente, y todo el modelo se entrena de extremo a extremo con los optimizadores estándar de deep learning. Es esta integración la que ha hecho de PennyLane la herramienta de referencia para investigadores que exploran la intersección de computación cuántica e inteligencia artificial.

A diferencia de Qiskit de IBM, que está optimizado para circuitos cuánticos generales, PennyLane está diseñado específicamente para el paradigma variacional y el machine learning. No es un competidor directo sino un complemento: muchos investigadores usan PennyLane para el diseño y entrenamiento del modelo y Qiskit o Cirq para la ejecución en hardware específico.

Computación cuántica diferenciable: gradientes en circuitos cuánticos

La computación cuántica diferenciable es el concepto central que hace funcionar PennyLane y el quantum machine learning moderno. La idea es que si podemos calcular el gradiente de la salida de un circuito cuántico respecto a sus parámetros, podemos usar descenso de gradiente para optimizar el circuito para cualquier objetivo.

El parameter-shift rule es la técnica clave: para un circuito con una puerta de rotación con parámetro theta, el gradiente se puede calcular exactamente evaluando el circuito en theta más pi/4 y theta menos pi/4, sin necesidad de derivadas numéricas. Este truco, que explota la estructura trigonométrica de las puertas cuánticas, es análogo a la backpropagation en redes neuronales pero adaptado a la mecánica cuántica.

La diferenciabilidad permite aplicar todo el arsenal de optimización del deep learning a los circuitos cuánticos: Adam, SGD con momentum, learning rate scheduling, regularización, y técnicas avanzadas como la optimización bayesiana de hiperparámetros. Esto democratiza el quantum machine learning, haciéndolo accesible a investigadores de ML que no son expertos en física cuántica.

El ecosistema de software: Strawberry Fields, The Walrus y Catalyst

Además de PennyLane, Xanadu ha desarrollado un ecosistema completo de herramientas de software. Strawberry Fields es un framework para simulación y programación de circuitos fotónicos de variables continuas, el complemento natural de PennyLane para el hardware propio de Xanadu.

The Walrus es una biblioteca de alto rendimiento para el cálculo de hafnianos y otras funciones matriciales necesarias para el análisis de resultados de GBS. Está escrita en C++ con interfaces Python y es utilizada por grupos de investigación de todo el mundo para el estudio teórico del muestreo de bosones.

Catalyst es la herramienta más reciente, un compilador just-in-time para programas cuánticos que optimiza y compila circuitos de PennyLane para ejecución eficiente en hardware real. Catalyst utiliza MLIR, la misma infraestructura de compilación que usan proyectos de IA como LLVM y TensorFlow, para optimizar programas cuántico-clásicos de forma integral.

Modelo de negocio y financiación

Xanadu opera con un modelo dual: hardware fotónico propietario y software de código abierto. Los ingresos provienen del acceso cloud al hardware, licencias empresariales de PennyLane con soporte premium, contratos de investigación con gobiernos y empresas, y servicios de consultoría en quantum computing.

La empresa ha recaudado más de trescientos millones de dólares canadienses, con una ronda Serie C que la valoró en más de mil millones de dólares, alcanzando el estatus de unicornio. Entre sus inversores destacan fondos de venture capital especializados en deep tech y fondos soberanos.

Para los inversores, Xanadu no está disponible en mercados públicos. La exposición indirecta es posible a través de fondos de venture capital que incluyen a Xanadu en su cartera. Una salida a bolsa futura es posible pero no hay indicaciones de calendario.

Perspectivas: fotónica integrada y la carrera hacia la escalabilidad

El futuro de Xanadu depende de su capacidad para escalar la tecnología fotónica a procesadores con miles de modos de alta calidad. La fotónica integrada, fabricar circuitos ópticos en chips de silicio en lugar de usar componentes ópticos discretos, es la clave para esta escalabilidad.

Xanadu está desarrollando chips fotónicos integrados que combinan fuentes de luz squeezed, interferómetros programables y detectores de fotones en un solo sustrato de silicio. Esta integración promete procesadores más compactos, estables y escalables, aunque los desafíos técnicos de fabricación son significativos.

La competencia de PsiQuantum, que está fabricando sus chips fotónicos en la fábrica de GlobalFoundries, un líder de la industria de semiconductores, añade presión. PsiQuantum ha recaudado más de setecientos millones de dólares y apuesta por saltarse la era NISQ completamente, yendo directamente a un procesador fotónico con corrección de errores a escala de millón de qubits.

Independientemente del resultado de la carrera de hardware, la posición de Xanadu como creador de PennyLane le garantiza influencia duradera en el ecosistema cuántico. Así como Google no ganó la guerra de los navegadores pero dominó a través de su buscador, Xanadu podría no ganar la guerra del hardware pero dominar el software que todos usan para programar los ordenadores cuánticos del futuro.

Preguntas frecuentes

¿Qué es Xanadu?

Empresa canadiense líder en computación cuántica fotónica. Usa fotones a temperatura ambiente y creó PennyLane, el framework de referencia para quantum ML.

¿Qué es PennyLane?

Framework open source para quantum machine learning diferenciable. Compatible con TensorFlow, PyTorch, JAX y todos los hardwares cuánticos principales.

¿Qué ventajas tiene la fotónica?

Opera a temperatura ambiente, baja decoherencia, compatible con fibra óptica, fabricable en chips de silicio. Desventaja: interacciones fotón-fotón probabilísticas.

¿Demostró ventaja cuántica?

Sí. Borealis (2022, Nature): 216 modos de luz realizaron un cálculo que tomaría más de 9.000 años clásicamente. Primera ventaja cuántica fotónica programable.

¿Cómo empiezo con PennyLane?

Con pip install pennylane. La documentación en pennylane.ai incluye tutoriales gratuitos desde fundamentos hasta QML avanzado.

Continúa con nuestras guías sobre tutorial de PennyLane, quantum machine learning y simuladores cuánticos gratuitos.

<\!-- wp:html -->

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