Los materiales cuánticos son una de esas promesas tecnológicas que llevan años sonando a futuro, pero que cada vez se parecen más a una herramienta concreta. Su interés está en que algunas de sus propiedades (superconductividad, entrelazamiento o formas inusuales de magnetismo) no se explican bien con la física clásica, sino con reglas cuánticas que emergen a escala atómica. Según explica la Universidad de Washington, esos comportamientos pueden nacer en patrones diminutos dentro de los cristales, pero terminar controlándose a escalas útiles para computación, electrónica eficiente y nuevas tecnologías.
El problema es que diseñar estos materiales no es como elegir ingredientes de una receta. Hay que simular cómo se comportan muchísimos átomos, cómo interactúan entre capas, qué ocurre cuando se tuercen, se apilan o se someten a campos externos. Durante décadas, esa tarea dependió de superordenadores. Ahora, dos estudios liderados por investigadores de la Universidad de Washington apuntan a un cambio de método: usar IA y computación cuántica como herramientas complementarias.
Una IA para mirar donde el superordenador se queda corto
El primer estudio, publicado en Proceedings of the National Academy of Sciences en junio de 2026, se centra en materiales de muchas capas atómicas apiladas en patrones complejos. Según la Universidad de Washington, el equipo utilizó inteligencia artificial para simular decenas de láminas de átomos superpuestas, una tarea que habría sido impracticable con técnicas tradicionales de supercomputación.
La clave está en que el modelo funciona como un sustituto rápido y más barato de un superordenador. No reemplaza la física, sino que aprende de datos más pequeños para extrapolar el comportamiento de sistemas mucho mayores. En el trabajo sobre MoTe₂ multicapa retorcido, los investigadores desarrollaron una estrategia de entrenamiento informada por física para construir un campo de fuerzas de aprendizaje automático capaz de funcionar en distintos ángulos de torsión y números de capas.
El resultado fue especialmente interesante porque aparecieron fenómenos que no estaban presentes a pequeña escala. Según el resumen del estudio, el sistema reveló una “estratificación” estructural y electrónica: las capas próximas a la interfaz moiré conservaban una reconstrucción intensa, mientras que las capas exteriores se comportaban de forma más parecida al material masivo. También aparecían efectos de aislamiento electrónico y reordenamiento de bandas que no se observaban en sistemas de solo dos capas.
El ordenador cuántico entra donde la IA no basta
El segundo estudio, publicado en Nature Communications, aborda un problema distinto. En vez de usar IA para escalar simulaciones de materiales complejos, el equipo recurrió a un procesador cuántico para estudiar una fase exótica de la materia: el estado fermiónico de Laughlin, una pieza fundamental para entender el efecto Hall cuántico fraccional y ciertos órdenes topológicos.
Según el artículo de Nature Communications, el equipo realizó un estado de Laughlin con factor de llenado ν = 1/3 en un ordenador cuántico de iones atrapados de IonQ, usando un circuito de 16 qubits y 369 compuertas de dos qubits. Para validar el resultado, extrajeron observables como el agujero de correlación, la correspondencia borde-volumen y la entropía de entrelazamiento topológico, con buena concordancia frente a simulaciones clásicas de referencia.
Amazon Braket, que participó en el trabajo, explicó que este tipo de estados topológicos son muy difíciles de estudiar en materiales reales porque requieren condiciones muy exigentes. Por eso, los procesadores cuánticos programables empiezan a funcionar como laboratorios controlados para simular materia exótica antes de intentar trasladar esas ideas a materiales físicos.
La idea no es elegir entre IA o computación cuántica, sino combinarlas
Lo interesante es que ambas herramientas no hacen lo mismo. La IA puede explorar rápidamente enormes espacios de configuraciones y señalar qué estructuras parecen prometedoras. La computación cuántica, en cambio, puede representar ciertos fenómenos cuánticos de forma más natural, sobre todo cuando la correlación entre partículas vuelve demasiado costosa la simulación clásica.
Ting Cao, profesor asociado de ciencia e ingeniería de materiales en la Universidad de Washington y autor sénior de ambos estudios, lo resume como un cambio de método: la IA y la computación cuántica empiezan a transformar no solo qué problemas pueden resolverse, sino cómo se investiga. Según la propia universidad, el siguiente paso del grupo será unir ambas líneas en herramientas híbridas: IA para guiar simulaciones cuánticas, y ordenadores cuánticos para generar datos que mejoren los modelos de IA.
Di Xiao, profesor de la Universidad de Washington y coautor de los trabajos, fue todavía más directo al describir el momento del campo: tecnologías que eran literalmente imposibles hace pocos años empiezan a volverse rutinarias en el estudio de materiales cuánticos.
Por qué esto puede importar fuera del laboratorio
Nada de esto significa que mañana vaya a aparecer un chip revolucionario diseñado íntegramente por IA y validado en un ordenador cuántico. El salto desde una simulación prometedora hasta un material fabricable, estable y útil sigue siendo enorme. Pero estos trabajos muestran una dirección clara: reducir el tiempo entre imaginar una estructura cuántica, simularla, detectar propiedades interesantes y decidir si merece la pena llevarla al laboratorio.
Ese cambio puede ser importante para electrónica de bajo consumo, sensores, dispositivos cuánticos y nuevas arquitecturas de computación. Los materiales cuánticos no son solo una curiosidad de física fundamental; son candidatos a sostener tecnologías donde el calor, la eficiencia, la estabilidad y el control de estados exóticos importan cada vez más.
La imagen de fondo es clara: el descubrimiento de materiales empieza a parecerse menos a una búsqueda lenta por ensayo y error y más a una conversación entre modelos. La IA propone, el ordenador cuántico explora, los datos se retroalimentan y el laboratorio valida. Todavía estamos al principio, pero el camino apunta a una ciencia de materiales mucho más rápida, más predictiva y bastante menos limitada por la fuerza bruta del cálculo clásico.
