En 2023, un grupo de investigadores del Laboratorio Nacional de Oak Ridge ejecutó en la supercomputadora Theta la simulación de un circuito cuántico de 61 cúbits. Para almacenar su vector de estado se habrían necesitado 32 exabytes de memoria, más que la capacidad total de todos los discos duros del planeta. Pero gracias a la compresión de datos, lograron reducir el espacio a 768 terabytes. Así se ve el trabajo cotidiano de quienes intentan hacer que las máquinas clásicas toquen música cuántica.

Esta música tiene una estructura inusual. Un bit cuántico, o cúbit, no guarda simplemente un cero o un uno, sino su superposición cuántica: ambos valores a la vez, con diferentes pesos. Con dos cúbits, ya hay cuatro estados, todos existiendo en paralelo. Tres cúbits, ocho estados. Cada cúbit adicional duplica el número de combinaciones posibles, y pronto la orquesta comienza a tocar todas las melodías imaginables a la vez. Para describir esto, una computadora clásica debe mantener en memoria cada nota de esa partitura infinita.

Los ingenieros han encontrado varias maneras de aliviar esta carga. En CPU, la compresión del vector de estado permite almacenar solo los valores significativos, descartando contribuciones casi nulas. En GPU, la biblioteca cuQuantum aceleró la compresión de redes tensoriales, que son grafos de tensores que representan el circuito cuántico, hasta 547 veces en comparación con el enfoque básico. En FPGA, el pre-cálculo de matrices y el procesamiento en flujo permiten ejecutar operaciones con números complejos de manera eficiente incluso con recursos limitados. Todas estas son formas distintas de hacer que el hardware toque más rápido sin perder la melodía.

Hasta hace poco no estaba claro qué aceleraciones de hardware eran más efectivas y cómo sistematizarlas. Ahora se ha vuelto evidente: las aceleraciones clave residen en la compresión de datos, la precisión reducida, la optimización del acceso a memoria y el paralelismo, y la elección de la plataforma (CPU, GPU o FPGA) determina qué técnica es aplicable. Los desarrolladores de simuladores pueden elegir directamente las optimizaciones adecuadas, y los investigadores pueden ver direcciones prometedoras sin volver a analizar la literatura.

En el futuro vienen enfoques híbridos que combinan diferentes aceleradores y la adaptación de métodos de compresión del aprendizaje automático. Ya hoy estas técnicas ayudan a probar algoritmos cuánticos más rápido sin acceso a costosas máquinas cuánticas, acercando el día en que la verdadera orquesta cuántica suene con toda su fuerza.