Técnicas para mejorar la eficiencia de las computadoras cuánticas y reducir los requisitos de hardware.La optimización de recursos en computación cuántica es el campo que se dedica a hacer más eficientes los algoritmos y el hardware cuánticos, reduciendo el número de qubits, compuertas o recursos físicos necesarios para resolver un problema. Las computadoras cuánticas son recursos extremadamente escasos: los dispositivos actuales tienen solo unos pocos cientos de qubits ruidosos, y cada qubit u operación adicional aumenta la probabilidad de errores. Las técnicas de optimización buscan exprimir al máximo la potencia computacional de un hardware limitado, ya sea diseñando algoritmos más compactos, reduciendo la profundidad de los circuitos cuánticos o encontrando formas de simular sistemas grandes con menos qubits. Esto es crucial para lograr una ventaja cuántica práctica en química, ciencia de materiales y problemas de optimización.
El campo creció junto con el desarrollo de los algoritmos cuánticos en la década de 1990, pero la optimización de recursos se convirtió en una disciplina distinta en la década de 2010, a medida que el hardware maduraba y los investigadores se dieron cuenta de que los dispositivos de corto plazo no podían ejecutar algoritmos a gran escala sin una optimización significativa. El concepto de 'ventaja cuántica' con recursos limitados fue popularizado por el experimento de supremacía cuántica de Google en 2019, que destacó la importancia del uso eficiente de los recursos.
Un enfoque es la optimización a nivel de algoritmo: reescribir circuitos cuánticos para usar menos compuertas o qubits, por ejemplo, explotando simetrías en el problema o usando métodos variacionales que reducen adaptativamente la profundidad del circuito. Otro es la optimización a nivel de hardware: mejorar la conectividad de los qubits, las tasas de error o las velocidades de lectura para reducir la sobrecarga de la corrección de errores. Los algoritmos híbridos clásico-cuánticos, como el solucionador propio variacional cuántico, transfieren parte del cálculo a computadoras clásicas, minimizando los recursos cuánticos requeridos. El trabajo reciente también se centra en la eficiencia energética, ya que las computadoras cuánticas consumen una cantidad significativa de energía para la refrigeración y la electrónica de control.
La optimización de recursos se utiliza en simulaciones de química cuántica, donde permite estudiar moléculas que de otro modo requerirían miles de qubits, y en el diseño de códigos de corrección de errores cuánticos que minimizan la sobrecarga de qubits físicos. También guía el desarrollo de hojas de ruta de hardware cuántico, ayudando a las empresas a decidir qué tecnologías de qubits seguir.
Una sola simulación de química cuántica que le tomaría a una supercomputadora clásica diez años puede comprimirse en un día en una computadora cuántica, pero solo si el algoritmo está optimizado para caber dentro del tiempo de coherencia limitado de los qubits.
| E_n | variable | Energy of the nth level — energía joule |
| n | variable | Quantum number (non-negative integer) — número cuántico |
| \hbar | constante | Reduced Planck constant — constante de Planck reducida = 1.054571817e-34 joule second |
| \omega | constante | Angular frequency of the oscillator — frecuencia angular radian per second |



















