Investigadores australianos han logrado lo que los expertos califican como un avance "espectacular" en la computación cuántica, que podría acelerar de manera drástica las capacidades de procesamiento de inteligencia artificial en los próximos años.
El equipo de la Universidad de Sídney, encabezado por el profesor David Reilly, ha desarrollado un diminuto "chiplet" CMOS capaz de operar a 100 milikelvin (apenas por encima del cero absoluto) mientras controla múltiples qubits de espín de silicio utilizando solo microwatts de energía. Esto resuelve lo que durante mucho tiempo se consideró un desafío de ingeniería insuperable en la computación cuántica.
La importancia de esta innovación radica en su capacidad para colocar la electrónica de control a menos de un milímetro de los propios qubits sin perturbar sus frágiles estados cuánticos. "Mediante un diseño cuidadoso, demostramos que los qubits apenas notan el cambio de 100,000 transistores justo al lado", explicó Reilly, quien describió el logro como "el final de un largo camino" tras una década de desarrollo.
Los enfoques tradicionales de computación cuántica requieren voluminosos sistemas de control externos conectados mediante cableado denso, lo que genera un cuello de botella en la escalabilidad. Al integrar la electrónica de control directamente en un paquete CMOS compatible con condiciones criogénicas, el equipo australiano ha eliminado esta limitación, abriendo el camino a procesadores cuánticos con millones de qubits en un solo chip.
El avance aprovecha los qubits de espín de silicio, que resultan especialmente prometedores debido a su compatibilidad con la infraestructura actual de fabricación de semiconductores. A diferencia de otras tecnologías cuánticas, estos qubits pueden producirse a escala utilizando los mismos procesos de fabricación CMOS que se emplean en teléfonos inteligentes y computadoras modernas.
Las implicaciones para la inteligencia artificial son profundas. Computadoras cuánticas con millones de qubits podrían acelerar exponencialmente el entrenamiento de modelos complejos de IA y permitir nuevas clases de algoritmos imposibles de ejecutar en hardware clásico. Esto podría conducir a avances en áreas como el descubrimiento de fármacos, la ciencia de materiales y la optimización de sistemas complejos, que siguen siendo intratables incluso para los sistemas de IA más avanzados de la actualidad.