Portugués 
Inglés 
Español 
7 min de lectura 
0 comentarios 
A los 18 Años, Estudiante en Texas Desafía Una de las Mayores Certezas de la Computación Cuántica y Muestra Que Computadoras Comunes Pueden Resolver el Mismo Problema.
Ewin Tang no era una estudiante de primer año común. Había saltado cuatro grados escolares, tomado cursos universitarios a los 10 años y llegado al campus con un GPA de 4.0 — nota máxima en todos los criterios posibles. Hija de dos investigadores en biotecnología, ya había co-firmado artículos científicos sobre imagen óptica en un laboratorio de nanotecnología antes de terminar la escuela secundaria. En 2017, en su tercer año de grado, ingresó a la clase de computación cuántica de Scott Aaronson.
El Hombre Que Definió Los Límites De Lo Imposible
Scott Aaronson no es un profesor cualquiera de computación cuántica. Es uno de los investigadores más citados en el campo, autor del libro de referencia Quantum Computing Since Democritus, y especialista en una cuestión específica: definir lo que las computadoras cuánticas pueden hacer que las clásicas nunca podrían. Su trabajo es, en parte, construir las fronteras de lo imposible computacional.
Cuando él percibió el talento de Tang, le ofreció una lista de problemas para investigación independiente — proyectos a nivel de doctorado, propuestos para una estudiante de 17 años.
-
Investigadores en EE. UU. crean un robot volador que se transforma en vehículo terrestre aún en el aire, tecnología basada en una transición aerodinámica que convierte el aterrizaje en una escena digna de Transformers y redefine la movilidad entre el cielo y el suelo.
-
Esparcido por dos continentes, con 197 antenas parabólicas en Sudáfrica, 131 mil antenas de 2 metros en Australia y un alcance de hasta 150 km, el SKA comienza a «escuchar» el Universo a una escala sin precedentes y acelera la búsqueda de agujeros negros, galaxias primitivas y señales de radio casi invisibles.
-
Adiós a las baterías: un nuevo sensor creado por científicos japoneses utiliza el sudor como fuente de energía y señala un camino prometedor para dispositivos más sostenibles, con mayor autonomía y menos necesidad de recargas frecuentes.
-
El Ejército Brasileño inauguró la línea de montaje del blindado Guaicurus con un contrato de 420 unidades hasta 2033 y el mismo vehículo ya ha sido probado en combate en Afganistán y Líbano por ejércitos de Europa.
Tang eligió lo que parecía más accesible de la lista. Era un problema llamado recommendation problem — el problema de las recomendaciones.
El Algoritmo Que Parecía Imbatible
En 2016, dos investigadores de renombre — Iordanis Kerenidis, de la Universidad París Diderot, y Anupam Prakash — publicaron un algoritmo cuántico que sacudió el campo.
El problema que ellos resolvieron es simple de enunciar: ¿cómo decide Netflix qué serie recomendar? ¿Cómo sabe Amazon qué producto mostrar? La respuesta implica procesar matrices enormes — tablas con millones de usuarios en filas y millones de productos en columnas — e identificar patrones de preferencia sin necesidad de leer cada celda individualmente.
Los algoritmos clásicos hacían esto en tiempo lineal en relación al tamaño de la matriz. Para una tabla con cien millones de usuarios, el tiempo de procesamiento crecía proporcionalmente.
El algoritmo de Kerenidis y Prakash funcionaba en tiempo poliogarítmico — crecía con el logaritmo del tamaño, no con el tamaño en sí. En la práctica, una aceleración exponencial. Computadoras clásicas, según el consenso de la época, jamás llegarían cerca de ese rendimiento.
Era considerado uno de los ejemplos más sólidos de ventaja cuántica real — no teórica, no restringida a problemas artificiales, sino aplicable al mundo real.
La Misión: Probar Que Es Imposible
Cuando Aaronson propuso el problema a Tang en 2017, la pregunta no era “¿puedes resolver esto de forma clásica?”.
La pregunta era lo opuesto. Quería que ella demostrara que ningún algoritmo clásico podría llegar cerca. Confirmara matemáticamente que la ventaja cuántica de Kerenidis y Prakash era real e inalcanzable. Cerrara la cuestión de una vez por todas.
“Eso me parecía una ‘t’ importante a cruzar para completar esta historia”, dijo Aaronson después, explicando por qué había formulado la tarea de esa manera. Él creía, genuinamente, que no existía ningún algoritmo clásico.
Tang comenzó el trabajo en el otoño de 2017, como proyecto de tesis de final de grado.
Meses Intentando Probar Lo Imposible
Durante varios meses, Tang trabajó para construir la prueba que Aaronson esperaba.
Intentó demostrar que cualquier algoritmo clásico necesitaría demasiadas consultas a la matriz para ser competitivo. Buscó el límite inferior — el piso matemático por debajo del cual ningún método clásico podría descender.
No encontró. Y mientras no encontraba, comenzó a sospechar del motivo. “Comencé a creer que existe un algoritmo clásico rápido”, dijo después. “Pero no podía probarlo, porque Scott parecía creer que no había uno — y él era la autoridad.”
Esta tensión — la intuición de la estudiante contra la certeza del orientador que había dedicado su carrera al tema — define lo que vendría después.
A lo largo de la primavera de 2018, Tang no encontró la prueba de lo imposible. Encontró lo opuesto: un algoritmo clásico que resolvía el problema de recomendaciones en tiempo poliogarítmico, equivalente al del computador cuántico.
La idea central fue sustituir las técnicas de muestreo cuántico usadas por Kerenidis y Prakash por técnicas de muestreo clásico con propiedades matemáticas análogas. El algoritmo no necesitaba reconstruir la matriz entera — como los métodos clásicos anteriores hacían — sino muestrear directamente las entradas más relevantes. El resultado fue exponencialmente más rápido que cualquier método clásico anterior.
Cuatro Horas Ante Los Autores Originales
Aaronson estaba nervioso. No con Tang — con la posibilidad de que el resultado estuviera equivocado. Una prueba incorrecta publicada como el primer gran trabajo de una joven investigadora sería un desastre para su carrera. Necesitaba verificación externa antes de cualquier cosa.
En junio de 2018, Aaronson estaba confirmado para participar en un taller de computación cuántica en la Universidad de California en Berkeley. Varios de los nombres más importantes del campo estarían allí — incluyendo Kerenidis y Prakash, los propios autores del algoritmo cuántico que Tang acababa de desafiar.
Aaronson invitó a Tang a presentar los resultados de manera informal, en los días posteriores al evento oficial.
Los días 18 y 19 de junio de 2018, Tang dio dos conferencias. Durante cuatro horas, los investigadores presentes hicieron preguntas, sondearon la lógica, buscaron fallas.
Kerenidis, uno de los autores del algoritmo original, estaba en la sala. Al final de las cuatro horas, el consenso fue claro: el algoritmo de Tang parecía correcto. “No sabía que Ewin tenía 18 años”, dijo Kerenidis después. “Ciertamente no lo percibí por la conferencia. Para mí, era alguien dando una presentación muy madura.”
Lo Que “Dequantizar” Un Algoritmo Significa
El resultado de Tang ganó un nombre técnico en el campo: dequantización. El proceso consiste en tomar un algoritmo cuántico — que depende de superposición de estados, interferencia y mediciones probabilísticas — y demostrar que un algoritmo clásico puede replicar su rendimiento usando técnicas de muestreo equivalentes.
Esto no significa que las computadoras cuánticas sean inútiles. Aaronson fue explícito al respecto: la ruptura de criptografía, la simulación de sistemas químicos y físicos, y varias clases de problemas de optimización continúan siendo áreas donde la ventaja cuántica permanece intacta.
Lo que Tang demostró es que el algoritmo de recomendaciones, específicamente, no era un ejemplo válido de ventaja cuántica. La frontera de lo imposible estaba mal delineada — y ella la había redelineado.
STOC 2019 Y El Comienzo De Una Nueva Línea De Investigación
El artículo de Tang, titulado A Quantum-inspired Classical Algorithm for Recommendation Systems, fue publicado en julio de 2018 en el repositorio ECCC y aceptado para presentación en el ACM Symposium on Theory of Computing — el STOC 2019, considerado una de las conferencias más selectivas de teoría de la computación en el mundo.
En QIP 2020 — el mayor congreso anual de información cuántica — fue invitada para una conferencia plenaria y recibió el premio al mejor artículo de estudiante.
El impacto fue más allá del problema original. El trabajo abrió una línea de investigación entera: la búsqueda sistemática de otros algoritmos cuánticos de aprendizaje automático que podrían ser dequantizados. Tang y colaboradores aplicaron el mismo enfoque al análisis de componentes principales, regresión estocástica de bajo rango y clustering — problemas fundamentales en ciencia de datos.
Tang se graduó en matemáticas puras y ciencia de la computación con un GPA de 4.0, fue nombrada Estudiante Honoraria por la UT Austin, y en 2019 entró a la lista Forbes 30 Under 30 en la categoría ciencia.
En 2023, completó su doctorado en la Universidad de Washington. Hoy es investigadora en la Universidad de California en Berkeley, donde continúa desarrollando la interfaz entre algoritmos clásicos y cuánticos.
En 2025, recibió el Premio Maryam Mirzakhani New Frontiers — una de las distinciones del Breakthrough Prize, considerado el Nobel de las matemáticas — por “desarrollar análogos clásicos de algoritmos cuánticos para aprendizaje automático y álgebra lineal, y por avances en aprendizaje automático cuántico sobre datos cuánticos.”
El premio llegó siete años después de que una estudiante de 18 años intentara probar que lo imposible era imposible — y descubriera que no lo era.
-
-
2 pessoas reagiram a isso.