Integración de simulaciones cuánticas en modelos multiescala para el desarrollo de materiales

Julian van Velzen, responsable del Quantum Lab de Capgemini, describe qué sucede en un área de aplicación clave, el desarrollo de materiales y los procesos químicos, cuando la computación cuántica, el modelado multiescala, la inteligencia artificial y la computación clásica se integran en un programa de colaboración entre empresa y universidad.

En The Karate Kid —nos referimos aquí a la película original de 1984— hay una secuencia en la que el joven protagonista, Daniel, le pide a su anciano vecino japonés, el señor Miyagi, que le enseñe karate. El señor Miyagi le asigna tareas domésticas: lijar la tarima, encerar coches, pintar la casa y la valla. Al cabo de cuatro días, el chico pierde la paciencia. “¡Dijiste que me ibas a enseñar karate!”. Entonces el señor Miyagi le demuestra que la repetición de esas tareas le ha servido para aprender bloqueos defensivos como una forma de memoria muscular.

Es un gran ejemplo de extrapolación, de cómo extraer lecciones más amplias a partir de cosas pequeñas, y también de la importancia de sentar las bases. Del mismo modo que no se puede aprender karate sin ciertas prácticas interiorizadas, tampoco se puede explorar nuevo terreno en la ciencia o en los negocios sin comprender los principios fundamentales que están en juego.

Tomemos como ejemplo la I+D en el desarrollo de materiales. Los investigadores que parten de un conocimiento incompleto o de suposiciones se ven obligados a avanzar mediante prueba y error. Sin embargo, si pueden aprovechar técnicas avanzadas como el modelado multiescala y la computación cuántica para obtener información sobre los materiales a nivel atómico, y si además consiguen integrar esas técnicas con otros procesos más consolidados, pueden dirigir sus simulaciones y diseños digitales con un grado de confianza mucho mayor.

¿Cómo puede hacerse esto? ¿Qué avances se están logrando?

La Inteligencia Artificial no es suficiente

Las cuestiones que se abordan aquí se enmarcan en la iniciativa de alianzas estratégicas de investigación universitaria de Capgemini. Este programa, planificado y coordinado, se basa en colaboraciones bilaterales en las que equipos de Capgemini trabajan junto a universidades líderes a nivel mundial en una selección de retos clave. Equipos específicos, dirigidos por responsables dedicados, impulsan estos proyectos bilaterales con el objetivo de generar resultados de alta calidad que sean útiles no solo desde el punto de vista de la investigación académica, sino también por su impacto práctico y su aplicabilidad en el mundo real.

Las universidades desempeñan un papel fundamental al operar en la frontera entre lo que es teóricamente posible y lo que aún no resulta computacionalmente abordable en la industria. Como parte de este programa, y también dentro de una amplia serie de proyectos desarrollados por múltiples equipos para explorar el potencial y las aplicaciones de la computación cuántica, Capgemini ha estado colaborando con King’s College London (KCL) para profundizar en la comprensión de cómo las simulaciones cuánticas pueden integrarse en modelos multiescala en el contexto del desarrollo de nuevos materiales.

Uno de los ejes centrales de esta colaboración es el denominado quantum embedding: la combinación de tratamientos mecánico‑cuánticos precisos de la región químicamente más relevante (por ejemplo, un sitio activo catalítico) con modelos clásicos más escalables que describen el entorno que la rodea. Este enfoque hace viable el estudio de reacciones químicas, incluidas la catálisis superficial y heterogénea, con un nivel de fidelidad que de otro modo estaría fuera de alcance.

El desarrollo de materiales, especialmente cuando implica química de reacciones y catálisis, es un claro ejemplo de innovación, y además de una innovación que se produce en un entorno caracterizado por grandes volúmenes de datos. Por ello, a menudo se asume de forma automática que se trata de un ámbito que puede abordarse mediante la bala de plata moderna: la inteligencia artificial (IA).

Y sí, eso es cierto, pero solo hasta cierto punto. La inteligencia artificial puede explorar conjuntos de datos enormes y reconocer patrones, pero no es capaz de comprender el comportamiento científico de un material en entornos reales. No puede distinguir entre un descubrimiento verdaderamente disruptivo y un simple redescubrimiento. Y tampoco puede justificar las opciones que identifica con el rigor que esta disciplina exige.

Integrar la inteligencia artificial con la computación cuántica…

Se necesita un enfoque diferente, que no esté basado únicamente en el uso de la IA. Uno de estos enfoques se conoce a menudo como modelado desde primeros principios. También denominado modelado ab initio, utiliza la mecánica cuántica para predecir con mayor precisión las propiedades de los materiales y el comportamiento molecular. Al apoyarse en la física, este marco proporciona una base más fiable para la experimentación, pero además ofrece otros beneficios importantes:

  • Validación de las predicciones de la IA: métodos de la mecánica cuántica como la Teoría del Funcional de la Densidad (DFT) y la teoría Coupled‑Cluster permiten validar, desde una base física, los candidatos generados por la IA antes de invertir en experimentos costosos.
  • Exploración de dominios novedosos: la mecánica cuántica puede utilizarse para modelar sistemas en los que existen pocos o ningún dato de entrenamiento previo, abriendo el camino a una innovación verdaderamente disruptiva.
  • Datos de entrenamiento de alta calidad: las simulaciones basadas en mecánica cuántica ayudan a construir conjuntos de datos sólidos que mejoran progresivamente la precisión de la IA.
  • Comprensión mecanicista: a diferencia de las predicciones de la IA como caja negra, los métodos cuánticos explican por qué un material o una molécula se comporta de determinada manera, lo que permite experimentación más inteligente y mejor fundamentada.

Al utilizar la mecánica cuántica como base del descubrimiento, el modelado desde primeros principios alcanza un nivel de fiabilidad que la IA no puede ofrecer por sí sola. La computación cuántica promete ir aún más allá, aportando nuevas formas de analizar el comportamiento de los materiales que siguen siendo difíciles de abordar con las técnicas clásicas actuales.

Existe, no obstante, una salvedad: al igual que la IA, la computación cuántica no puede hacerlo todo. El hardware cuántico actual sigue estando limitado por el ruido, las tasas de error y los problemas de conectividad entre qubits, lo que restringe el tamaño y la complejidad de los problemas que se pueden abordar. Comprender estas limitaciones y saber cuándo podrían superarse es esencial para desarrollar expectativas realistas sobre el impacto de la computación cuántica en el descubrimiento de materiales a corto plazo.

A corto y medio plazo, la aplicación más prometedora de la computación cuántica es abordar problemas en los que los efectos cuánticos son significativos, en particular en sistemas fuertemente correlacionados como los compuestos de metales de transición, los superconductores de alta temperatura y los materiales magnéticos complejos. En estos sistemas, donde las interacciones electrón‑electrón generan comportamientos que surgen de la auténtica entrelazación cuántica, los métodos clásicos han tenido grandes dificultades para ofrecer soluciones eficaces.

Además, los algoritmos cuánticos pueden ofrecer ventajas para simular dinámicas, estados excitados y rutas de reacción, especialmente cuando la química tiene lugar en entornos complejos como superficies sólidas, interfaces o materiales catalíticos, ámbitos en los que los métodos clásicos requieren a menudo aproximaciones significativas. La capacidad de modelar estos fenómenos con mayor precisión podría aportar nuevos conocimientos sobre fotocatálisis, materiales para la captación de energía y los mecanismos de reacción química que impulsan muchas tecnologías.

… y combinar la computación cuántica con la computación clásica

La computación cuántica puede lograr aún más si se utiliza junto con la computación tradicional como parte de un enfoque híbrido.

Por ejemplo, la supercomputación centrada en lo cuántico (quantum‑centric supercomputing, QCSC), un término que describe flujos de trabajo estrechamente acoplados entre computación cuántica y HPC, puede incluir preprocesamiento clásico, computación cuántica y posprocesamiento clásico dentro de un mismo flujo integrado. Al formalizar esta relación, la QCSC crea un marco en el que los problemas pueden descomponerse en componentes que se resuelven mejor en distintas arquitecturas computacionales.

En simulación de materiales, esta descomposición puede implicar el uso de métodos clásicos para tratar fragmentos moleculares en los que la correlación electrónica es menos relevante, mientras que los recursos cuánticos se destinan a regiones fuertemente correlacionadas donde las aproximaciones clásicas dejan de ser válidas. En la práctica, esto puede implementarse mediante marcos de embedding que definen cómo fluye la información entre escalas, entre las partes cuántica y clásica del cálculo, y cómo puede mejorarse la precisión de forma sistemática. Además, proporciona un camino natural para probar métodos en emuladores y en hardware de corto plazo, sin perder de vista la escalabilidad a largo plazo. Esta aplicación dirigida de la computación cuántica a subproblemas específicos, en lugar de intentar calcular sistemas completos de forma cuántica, representa una vía práctica para lograr impacto a corto plazo incluso con recursos cuánticos limitados.

No se trata de intentar usar las tecnologías más nuevas y emocionantes para todo. Se trata de utilizar el vehículo adecuado y tomar la mejor ruta hacia el destino deseado. Se trata de pragmatismo… y de resultados.

Bases para el futuro

El enfoque híbrido descrito en este documento no se centra solo en el presente; también está orientado a preparar el futuro. ¿Por qué? Porque, en la actualidad, los métodos de computación cuántica que forman parte de ese enfoque híbrido todavía se encuentran en desarrollo.

Al construir desde ahora modelos atomísticos y multiescala, las organizaciones podrán desbloquear todo el potencial de la computación cuántica cuando el hardware esté listo. La cuántica potenciará enormemente estas simulaciones, pero muchos avances ya pueden lograrse con la tecnología actual, mediante química cuántica ejecutada en dispositivos clásicos, dinámica molecular y simulaciones multifísicas. Este enfoque coordinado está cambiando la manera en que puede llevarse a cabo la I+D. El papel de Capgemini es conectar estos avances científicos con los flujos de trabajo industriales, las plataformas de datos y los procesos de toma de decisiones que las organizaciones ya utilizan hoy.

Cuando el joven Daniel, en The Karate Kid, lijaba la tarima, enceraba coches y pintaba la valla, estaba completando tareas a corto plazo, sin duda, pero también estaba construyendo una base sobre la que podría levantar sus ambiciones.

Del mismo modo, Capgemini y sus socios académicos y comerciales están transformando la I+D para que esté preparada para la era cuántica, al tiempo que generan un valor tangible desde hoy.