⚛️ quantum physics

A Critical Comment on 'Entropy Computing: A Paradigm for Optimization in Open Photonic Systems'

Este artículo evalúa críticamente la Computación Cuántica de Entropía (EQC), un paradigma de Quantum Computing Inc. que aprovecha el ruido ambiental, y concluye que, aunque sus afirmaciones pueden hacerse más rigurosas, la tecnología actual aún no supera a los algoritmos clásicos más avanzados.

Autores originales: Ali Hamed Moosavian, Bahram Abedi Ravan

Publicado 2026-05-06

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Ali Hamed Moosavian, Bahram Abedi Ravan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El panorama general: Un nuevo tipo de computadora frente a la vieja guardia

Imagina que una empresa llamada Quantum Computing Inc. (QCi) ha construido una nueva máquina llamada Dirac-3. Afirman que esta máquina es una revolucionaria "Computadora de Entropía".

La propuesta de la empresa:
La mayoría de las computadoras intentan ser perfectamente silenciosas y aisladas para evitar errores. El Dirac-3 hace lo contrario. Abraza el ruido, el caos y la "entropía" (desorden). La empresa dice que esta máquina utiliza la "desorden" de la luz y el calor para resolver acertijos difíciles (problemas de optimización) más rápido que cualquier computadora normal. Afirman que convierten el caos en un superpoder.

El veredicto de los autores:
Dos investigadores, Ali y Bahram, decidieron poner a prueba esta afirmación. Actuaron como mecánicos escépticos. Tomaron los acertijos que la empresa resolvió, los ejecutaron en una computadora portátil estándar utilizando trucos matemáticos antiguos y probados, y compararon los resultados.

Su conclusión:
La nueva máquina no es magia. Los acertijos que resolvió eran demasiado fáciles. Una computadora portátil estándar ejecutando algoritmos simples y bien conocidos (como "Recocido Simulado") resolvió exactamente los mismos problemas tan rápido, y a menudo mejor, sin necesidad de una sofisticada máquina fotónica. Los autores argumentan que, aunque la tecnología es interesante, aún no ha demostrado que pueda superar a las mejores computadoras clásicas.

La analogía: Encontrar el valle más bajo en una cordillera neblinosa

Para entender qué intentan hacer estas computadoras, imagina que estás en una inmensa cordillera neblinosa por la noche. Tu objetivo es encontrar el valle más bajo (la mejor solución a un problema).

La forma "antigua" (Descenso de gradiente):
Imagina que eres un excursionista que solo puede sentir la pendiente bajo tus pies. Caminas cuesta abajo. ¿El problema? Si comienzas en una pequeña colina, podrías quedarte atrapado en un valle diminuto que no es el más bajo de todo el mundo. Crees que has ganado, pero no lo has hecho.
La forma "nueva" (Entropía/Dirac-3):
La empresa afirma que su máquina es como un excursionista al que se le permite saltar aleatoriamente en la niebla. Dicen: "Si sacudimos el suelo (añadimos ruido/entropía), podemos saltar fuera de los valles pequeños y encontrar el más profundo". Afirman que este "sacudimiento" es un superpoder cuántico.
El contraargumento de los autores:
Los investigadores dicen: "Esperen. Tenemos un excursionista muy antiguo y muy inteligente (un algoritmo clásico) que también sabe cómo saltar aleatoriamente para escapar de los valles pequeños. Probamos a ambos excursionistas en un parque local pequeño (los problemas de prueba). El excursionista antiguo encontró el fondo tan rápido como su nueva máquina, y no necesitó un montaje láser de 10 millones de dólares para hacerlo".

Las tres pruebas: Por qué la nueva máquina no brilló

Los investigadores realizaron tres pruebas específicas para ver si el Dirac-3 era realmente especial.

Prueba 1: El polinomio inestable (La curva simple)

La tarea: Encontrar el punto más bajo en una línea irregular y ondulada.
La afirmación de la empresa: Su máquina encontró el fondo. La compararon con un excursionista de "Descenso de gradiente" que se quedó atrapado en un valle falso.
La comprobación de la realidad: Los investigadores dijeron: "Comparar su máquina con un excursionista que se queda atrapado es una prueba débil". Utilizaron un excursionista mucho más inteligente (un algoritmo metaheurístico) y encontraron el fondo en 0,01 segundos. La nueva máquina no parecía especial en absoluto.

Prueba 2: El acertijo de 50 variables (El desafío medio)

La tarea: Optimizar un problema con 50 partes móviles.
La afirmación de la empresa: Su máquina encontró la mejor respuesta, pero tuvo que ser ajustada cuidadosamente (como ajustar el volumen en una radio) para obtenerla correctamente.
La comprobación de la realidad: Una computadora estándar resolvió esto en una fracción de segundo con cero ajustes. Fue como comparar un coche de Fórmula 1 que necesita un mecánico para arrancar contra una bicicleta que simplemente funciona. La bicicleta ganó en simplicidad y velocidad.

Prueba 3: El juego de cortar grafos (El gran desafío)

La tarea: Cortar una red de 30 puntos en dos grupos para que se corten la mayor cantidad de líneas entre ellos (Max-Cut).
La afirmación de la empresa: Su máquina encontró un corte muy bueno, superando a un método matemático estándar llamado "Programación Semidefinida".
La comprobación de la realidad: Los investigadores dijeron: "Superar a un método matemático débil en un pequeño grafo de 30 puntos no es impresionante". Utilizaron algoritmos de "salto" simples y clásicos (Recocido Simulado y Búsqueda Tabú) en una computadora portátil normal.
- Resultado: La computadora portátil encontró la respuesta perfecta casi instantáneamente.
- La nueva máquina: Encontró una respuesta "buena", pero no la perfecta, y lo hizo de manera inconsistente.
- La conclusión: El problema era demasiado fácil para demostrar que la nueva máquina era poderosa. Es como decir que un nuevo motor de cohete es asombroso porque puede hacer volar una cometa más alto que un avión de papel.

La física: ¿Es "cuántica" o simplemente "caliente"?

La empresa afirma que la máquina utiliza "Estocasticidad Cuántica" (ruido cuántico extraño) para funcionar.

El análisis de los autores: Observaron de cerca la luz dentro de la máquina. Descubrieron que no estaba utilizando verdaderos "partículas individuales" de luz (estados de Fock), que son verdaderamente cuánticas. En su lugar, estaba utilizando "haces láser débiles" (estados coherentes).
La metáfora: Imagina un casino.
- Verdaderamente cuántico: Un dado perfectamente equilibrado que se comporta de una manera que desafía la física normal.
- Lo que usa el Dirac-3: Un dado ligeramente cargado que rueda aleatoriamente debido a las corrientes de aire y las vibraciones de la mesa.
- La conclusión: La máquina es esencialmente un motor termodinámico muy sofisticado. Es como un motor térmico que utiliza la temperatura para explorar soluciones. Aunque es interesante, este es un truco conocido de la física clásica, no un nuevo superpoder cuántico.

El "golpe" teórico (Los grafos aleatorios)

El artículo profundiza en las matemáticas para probar un punto final sobre el problema "Max-Cut" en grafos aleatorios.

La afirmación: La empresa dice que su máquina supera los límites teóricos de lo bien que se pueden resolver estos problemas.
La realidad: Los investigadores demostraron que en grafos aleatorios (como una red desordenada y no planificada), incluso una suposición aleatoria lo hará mejor que los límites teóricos del peor caso.
La analogía: Imagina un examen donde el "límite difícil" es obtener un 50% en un examen de matemáticas. La empresa dice: "¡Miren! ¡Nuestra máquina obtuvo un 90%!". Pero los investigadores señalan: "Bueno, si simplemente adivinas 'C' para cada respuesta en una prueba aleatoria, también obtendrás un 90%. Por lo tanto, obtener un 90% no prueba que tu máquina sea inteligente; solo demuestra que el examen era fácil".

Resumen final

El artículo concluye que la Computación de Entropía es una idea interesante, pero la evidencia actual es débil.

Los problemas probados eran demasiado fáciles. Las computadoras estándar los resolvieron más rápido y mejor.
La ventaja "cuántica" es probablemente solo ruido "clásico". La máquina actúa como un motor térmico, no como una computadora cuántica.
No hay prueba de superioridad. Hasta que esta máquina sea probada en problemas mucho más difíciles y grandes donde las computadoras clásicas luchan, no puede reclamar ser un nuevo paradigma.

Los autores no están diciendo que la tecnología sea inútil; simplemente están diciendo: "No celebren todavía. No hemos visto que supere a lo mejor de las viejas formas".

Resumen Técnico: Un Comentario Crítico sobre 'Computación por Entropía: Un Paradigma para la Optimización en Sistemas Fotónicos Abiertos'

Planteamiento del Problema
Este artículo evalúa críticamente las afirmaciones realizadas por Quantum Computing Inc. (QCi) sobre la "Computación Cuántica por Entropía" (EQC), específicamente el sistema Dirac-3. La obra original propone que la EQC, al utilizar sistemas fotónicos abiertos y ruido ambiental, puede revolucionar la solución de problemas de optimización NP-difíciles (como Max-Cut y programación cuadrática) convirtiendo la entropía en un recurso computacional. Los autores de esta crítica investigan si el rendimiento reportado del sistema Dirac-3 demuestra una ventaja cuántica o fotónica genuina sobre los algoritmos clásicos más avanzados, o si los resultados observados pueden replicarse mediante métodos clásicos convencionales.

Metodología
Los autores emplean un enfoque de tres frentes para evaluar el sistema Dirac-3:

Reproducción Clásica de los Puntos de Referencia: Los autores reimplantaron los problemas de optimización específicos reportados en el estudio original (un polinomio no convexo de dos variables, el problema cuadrático continuo QPLIB_0018 y Max-k-Cut en un grafo aleatorio de 30 nodos) utilizando hardware estándar de consumo (Intel Core i9-13900K). Utilizaron solucionadores clásicos establecidos y metaheurísticas, incluyendo:
- Solucionadores Exactos: Algoritmos de Ramificación y Corte (mediante HiGHS).
- Optimización Continua: Métodos de punto interior (Ipopt).
- Metaheurísticas: Recocido Simulado (SA), Búsqueda Tabú, Optimización por Enjambre de Partículas (PSO) y el Algoritmo de Centros Evolutivos (ECA).
- Línea Base de Comparación: Los autores argumentan que comparar Dirac-3 contra Programación Semidefinida (SDP) es insuficiente para estos tamaños de problema; en su lugar, comparan contra solucionadores exactos y metaheurísticas robustas, que son el estándar práctico para tales instancias.
Análisis Estadístico y Termodinámico: Los autores modelan el dispositivo Dirac-3 como un sistema fotónico abierto que muestrea de una distribución de Gibbs (Boltzmann) efectiva. Analizan las propiedades estadísticas de los valores de corte producidos por el dispositivo, ajustando los datos observados a una distribución teórica $P(k) \propto \Omega(k)e^{-\beta E_k}$ , donde $\Omega(k)$ es la densidad de estados y $\beta$ es la temperatura efectiva inversa.
Análisis Asintótico Teórico: El artículo deriva el comportamiento asintótico del número de configuraciones de corte de alto valor en grafos aleatorios densos ( $G(n, 1/2)$ ). Utilizando métodos del primer y segundo momento bajo la aproximación recocida, los autores demuestran que el número de configuraciones que producen valores de corte altos sigue una distribución de Poisson en el límite de $n$ grande. Analizan además la probabilidad de que el sistema supere el umbral de aproximación de Goemans-Williamson (GW).

Resultados Clave

Reproducibilidad Clásica: Los autores reprodujeron con éxito los resultados de optimización reportados para Dirac-3 utilizando algoritmos clásicos.
- Para el polinomio no convexo, las metaheurísticas clásicas (PSO, ECA) encontraron el mínimo global en un tiempo insignificante (<0.01s), superando la línea base básica de Descenso de Gradiente utilizada en el estudio original.
- Para el problema QPLIB_0018 (50 variables), el solucionador determinista Ipopt encontró la solución óptima en una fracción de segundo, sin el ajuste de parámetros estocásticos requerido por Dirac-3.
- Para Max-k-Cut en grafos de 30 nodos, las metaheurísticas clásicas (SA y Búsqueda Tabú) alcanzaron el óptimo global exacto en la gran mayoría de los ensayos con tiempos de ejecución en el rango de submilisegundos. Por el contrario, los resultados de Dirac-3 mostraron una distribución centrada en cortes subóptimos, con tasas de éxito significativamente menores que las de las heurísticas clásicas.
Naturaleza Física del Sistema: El análisis confirma que el sistema Dirac-3 se basa en estados coherentes débiles en lugar de estados de Fock de fotones individuales verdaderos. En consecuencia, la "estocasticidad cuántica" que impulsa la optimización se deriva del ruido de disparo de Poisson de un campo clásico, haciendo que el sistema sea funcionalmente análogo a métodos de optimización estocástica clásicos como el Recocido Simulado.
Limitaciones Teóricas en Grafos Aleatorios: Los autores demuestran que, para grafos aleatorios densos, la probabilidad de que un muestreador de Gibbs (como Dirac-3) supere el umbral de aproximación de Goemans-Williamson tiende a 1 cuando $n \to \infty$ . Sin embargo, demuestran que esto no es una señal de ventaja cuántica. Algoritmos clásicos triviales (adivinación aleatoria) y Esquemas de Aproximación en Tiempo Polinomial (PTAS) también superan asintóticamente estos límites de casos peores en grafos aleatorios. Por lo tanto, superar el umbral de GW en $G(n, 1/2)$ no indica superioridad computacional, ya que el problema no es difícil en este régimen específico.

Significado y Afirmaciones
El artículo concluye que la evidencia actual no respalda la afirmación de que la Computación por Entropía ofrece una ventaja computacional o cuántica cualitativa sobre los métodos clásicos.

Reencuadre del Paradigma: Los autores argumentan que el sistema Dirac-3 debe considerarse como un "optimizador heurístico motivado físicamente" en lugar de un nuevo paradigma computacional. Su comportamiento es consistente con heurísticas clásicas basadas en muestreo regidas por principios termodinámicos.
Crítica a los Puntos de Referencia: Los puntos de referencia específicos utilizados en el estudio original (tamaños de problema pequeños, estructuras de grafo específicas) son insuficientes para desafiar a los algoritmos clásicos modernos. La falta de comparación contra solucionadores clásicos de vanguardia y el uso de líneas base débiles (como el Descenso de Gradiente básico) oscurecen el verdadero panorama del rendimiento.
Requisitos Futuros: Para establecer una ventaja genuina, el trabajo futuro debe proporcionar:
1. Puntos de referencia sustancialmente más grandes y diversos.
2. Comparaciones directas con algoritmos clásicos modernos (no solo SDP o GD básico).
3. Demostraciones claras del comportamiento de escalado que no puedan explicarse por marcos algorítmicos o estadísticos existentes.

En resumen, aunque la exploración de sistemas fotónicos abiertos para la optimización es una dirección experimental válida, los autores afirman que los resultados actuales representan una demostración de una implementación específica de hardware de una heurística, y no un avance en la resolución de problemas combinatorios difíciles más allá del alcance de la computación clásica.