💻 computer science

Towards Quantum Decision Intelligence: A Four-Qubit Architecture for Venture Capital's Non-Linear Dilemmas on a 156-Qubit IBM Heron Processor

Este artículo presenta HQDIS, un circuito cuántico variacional de cuatro cúbits probado en el procesador Heron de 156 cúbits de IBM para la evaluación de capital de riesgo, el cual demuestra una alta fidelidad entre el hardware y la simulación y un rendimiento comparable al de los modelos clásicos en un pequeño banco de pruebas sintético, aunque es superado por algoritmos clásicos en un segundo conjunto de datos sintéticos, lo que resalta las limitaciones actuales de la ventaja cuántica en este dominio.

Autores originales: Enrique Díaz de León López

Publicado 2026-09-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Enrique Díaz de León López

Artículo original bajo licencia CC BY 4.0 (https://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

Ganar dinero con nuevas tecnologías es una de las tareas más difíciles en el mundo de los negocios. Cuando los inversores analizan una startup que tiene una idea brillante pero sin ventas y sin historial, no pueden utilizar las matemáticas estándar que funcionan para las empresas establecidas. No hay beneficios pasados para calcular, y es posible que el mercado ni siquiera exista todavía. En su lugar, los inversores deben confiar en sus intuiciones sobre aspectos intangibles: ¿Es honesto el equipo? ¿Es real la tecnología? ¿Pueden los fundadores aceptar críticas? Estas decisiones suelen implicar compensaciones complejas donde un gran equipo puede compensar un producto arriesgado, o un fundador deshonesto puede destruir instantáneamente una idea perfecta. Durante décadas, los investigadores han intentado construir modelos informáticos para ayudar con esto, pero las computadoras estándar tienen dificultades para capturar estos juicios humanos desordenados y no lineales sin confundirse o cometer errores simples.

Un nuevo estudio explora si un tipo diferente de computadora, una que utiliza las extrañas reglas de la física cuántica, podría manejar estas decisiones complicadas mejor. Las computadoras cuánticas no solo calculan números en línea recta; pueden mantener muchas posibilidades a la vez y permitir que interactúen de formas que imitan cómo la mente humana sopesa factores contradictorios. Los investigadores construyeron un modelo pequeño y especializado para ver si este enfoque podría funcionar en el mundo real. No lo probaron con una base de datos masiva de empresas reales, porque tales datos suelen ser secretos o demasiado desordenados para ser utilizados. En su lugar, crearon un conjunto cuidadosamente diseñado de 45 escenarios de inversión ficticios que representaban perfectamente las decisiones difíciles descritas en décadas de investigación empresarial. Luego, ejecutaron su modelo cuántico contra estos escenarios y compararon los resultados con los mejores programas informáticos estándar disponibles hoy en día.

El equipo, liderado por Enrique Díaz de León López del Tecnológico de Monterrey, diseñó un sistema llamado HQDIS. Es un circuito cuántico muy pequeño, que utiliza solo cuatro bits cuánticos, o qubits, para representar los cuatro factores principales que un inversor considera: la preparación de la tecnología, la credibilidad del fundador, el encaje en el mercado y los signos tempranos de éxito. Los investigadores tuvieron que ser muy cuidadosos con la forma en que programaron la máquina. En las pruebas iniciales, descubrieron que cuando una startup parecía perfecta sobre el papel, las matemáticas cuánticas a veces invertían el resultado, diciéndoles que rechazaran una gran idea. Descubrieron un fallo matemático específico que causaba esto y lo solucionaron ajustando la forma en que la información entraba en la máquina, asegurando que mejores puntuaciones siempre condujeran a mejores posibilidades de financiación.

Una vez calibrado el modelo, los investigadores lo pusieron a prueba. Pasaron los 45 escenarios por el sistema cuántico y compararon sus decisiones con las de tres métodos informáticos estándar: una calculadora lineal simple, un bosque de decisiones (random forest) y un algoritmo de potenciación de gradiente (gradient boosting). El modelo cuántico funcionó notablemente bien, acertando la respuesta aproximadamente el 80% de las veces. Esto fue estadísticamente indistinguible del rendimiento de los complejos programas basados en árboles, que son conocidos por ser muy buenos detectando patrones. Curiosamente, una calculadora lineal más simple obtuvo una puntuación ligeramente superior en esta prueba específica, aunque la diferencia no fue lo suficientemente grande como para afirmar con certeza que fuera mejor. El hallazgo clave fue que el diminuto modelo cuántico podía igualar el rendimiento de sistemas mucho más grandes y complejos utilizando solo un puñado de ajustes.

Para demostrar que esto no era solo una simulación, el equipo llevó su modelo a una computadora cuántica real. Utilizaron un procesador de 156 qubits de IBM, una máquina poderosa que existe hoy en un laboratorio. Enviaron los 45 casos al hardware físico y observaron cómo la máquina manejaba el ruido y la interferencia que ocurren naturalmente en los dispositivos cuánticos reales. Los resultados fueron sorprendentes. La máquina física tomó la decisión correcta en el 93% de los casos, y sus elecciones coincidieron con la simulación perfecta el 98% de las veces. Esto demostró que el modelo era lo suficientemente robusto como para sobrevivir a las condiciones imperfectas de un procesador cuántico real. Los investigadores también demostraron que el sistema podía ser auditado. Podían tomar un solo caso límite y cambiar lentamente un factor, como la experiencia del fundador, para ver exactamente dónde la decisión cambiaba de "rechazar" a "financiar". Este nivel de transparencia es algo que muchos sistemas de inteligencia artificial modernos no pueden proporcionar.

Sin embargo, el estudio también reveló los límites de esta tecnología. Los investigadores crearon un segundo conjunto de 500 casos ficticios diseñados específicamente para ser extremadamente difíciles y no lineales, el tipo de problema en el que se supone que las computadoras cuánticas brillan. En esta prueba más dura, el modelo cuántico no ganó. Fue superado significamente por el programa informático estándar basado en árboles, y no superó tampoco a la calculadora lineal simple. El modelo cuántico mostró una ligera, aunque no estadísticamente probada, ventaja al clasificar las mejores oportunidades, pero no tomó más decisiones correctas que los métodos clásicos. Esto sugiere que, si bien el enfoque cuántico es viable y puede igualar la tecnología actual en ciertos tipos de problemas, aún no ha encontrado una ventaja clara donde supere a las mejores herramientas tradicionales.

El valor de este trabajo reside menos en un avance repentino en la predicción y más en lo que demuestra que es posible hoy. Los investigadores demostraron que se puede construir un sistema de decisión cuántica, ajustarlo para evitar errores específicos y ejecutarlo en hardware real con alta precisión. También demostraron que estos sistemas pueden ofrecer un rastro claro y auditable de cómo se tomó una decisión, lo cual es crucial para los inversores que necesitan explicar sus elecciones ante juntas directivas y reguladores. El estudio concluye que, si bien la inteligencia de decisión cuántica no es todavía una solución mágica que resuelva todos los dilemas de inversión, es una herramienta funcional que está lista para la siguiente etapa de desarrollo. Ofrece una nueva forma de pensar sobre las elecciones complejas, una que respeta la naturaleza desordenada y no lineal del juicio humano mientras funciona con el hardware más avanzado disponible.

Resumen Técnico: Hacia la Inteligencia de Decisión Cuántica (HQDIS)

Planteamiento del Problema
La evaluación de capital de riesgo en etapas tempranas implica navegar por compensaciones no lineales y compensatorias que los modelos de puntuación lineales tradicionales no logran capturar. En las etapas de semilla (seed) y pre-ingresos, los inversores se enfrentan a la "incertidumbre de Knight", donde las decisiones dependen de activos intangibles (p. ej., la tenacidad del equipo, la capacidad de aprendizaje o coachability) en lugar de flujos de caja históricos. El documento identifica tres limitaciones estructurales en los sistemas actuales de soporte de decisiones (DSS):

Escasez de Muestras: Los registros de capital de riesgo de alta calidad son escasos, lo que conduce al sobreajuste (overfitting) en las redes neuronales profundas.
Fallo de Modelado: Los modelos estándar asumen una utilidad aditiva, fallando al capturar la interferencia cognitiva de tipo "cuántico" donde las dimensiones de evaluación interactúan de forma no conmutativa (p. ej., un equipo fuerte compensando un alto riesgo técnico, o un equipo defectuoso vetando un buen mercado).
Déficit de Gobernanza: Los modelos de aprendizaje profundo carecen de interpretabilidad geométrica, lo que los hace inadecuados para la auditabilidad institucional.

Metodología
El autor propone HQDIS (Hybrid Quantum Decision Intelligence System), un circuito variacional cuántico (VQC) parsimonioso de 4 cúbits diseñado para modelar estos dilemas no lineales.

Arquitectura de Datos: El estudio utiliza el Benchmark A, un conjunto de datos sintéticos de $N=45$ casos. El autor establece explícitamente que este no es un registro histórico digitalizado, sino una construcción motivada por la literatura basada en los hallazgos cualitativos de Bachher, Diaz De Leon y Guild (1999) y Diaz De Leon y Guild (2003). Los datos mapean cuatro constructos de decisión (Preparación Tecnológica, Credibilidad del Fundador, Ajuste Estratégico de Mercado, Tracción Temprana) en un registro de 4 cúbits.
Formulación Matemática:
- Mapa de Características: El autor introduce un Protocolo de Escalamiento Angular Monotónico ( $\pi/4$ ) para el mapa de características de entrada. Esto resuelve matemáticamente un modo de fallo de "aliasing de inversión de fase" donde las entradas de alta puntuación (cerca de $x_k=1$ ) de otro modo activarían un cambio de fase destructivo de $\pi$ , causando un rechazo catastrófico de propuestas excelentes.
- Ansatz: El circuito consta de 13 parámetros entrenables (12 ángulos de rotación + 1 sesgo clásico). Emplea una estructura de 3 capas con rotaciones $R_y$ y puertas de entrelazamiento $CZ$ (lineales y circulares) para mapear las entradas en un espacio de Hilbert de alta dimensión.
- Optimización: Los parámetros se optimizan mediante el algoritmo libre de derivadas COBYLA con una función de pérdida de margen suavizada.
Protocolo de Validación:
- Fiabilidad Estadística: Evaluada mediante Validación Cruzada de 5 Pliegues Estratificada Repetida (100 ejecuciones) y Validación Cruzada de Uno a Uno (LOOCV) frente a Regresión Logística, Random Forest y Gradient Boosting.
- Ablación: Se probaron variantes del circuito para aislar la contribución del entrelazamiento del mapa de características frente al entrelazamiento del ansatz.
- Ejecución en Hardware: El modelo calibrado se desplegó en el procesador IBM Heron de 156 cúbits (ibm_fez) utilizando Qiskit Runtime Primitives V2 con Extrapolación de Error de Lectura Girada (TREX).
- Prueba de Estrés: Se construyó un segundo benchmark sintético (Benchmark B) con reglas generativas no lineales explícitas (umbrales disyuntivos) para probar la capacidad del modelo frente a las líneas base lineales.

Resultados Clave

Desempeño en el Benchmark A: HQDIS logró una precisión del 80.33% (±2.72% IC 95%). Es estadísticamente indistinguible de Random Forest (83.00%) y Gradient Boosting (82.78%) ( $p > 0.7$ ). La Regresión Logística logró una precisión nominalmente mayor de 91.56%, pero la diferencia no fue estadísticamente significativa ( $p=0.133$ ), probablemente debido al bajo poder estadístico de $N=45$ .
Hallazgos de Ablación: Eliminar el entrelazamiento del ansatz resultó en una caída nominal de la precisión de 7 puntos (73.44% vs. 80.33%) con un tamaño de efecto medio ( $d \approx 0.51$ ), pero esta diferencia no fue estadísticamente significativa ( $p \approx 0.32$ ). Eliminar el entrelazamiento del mapa de características no tuvo un impacto negativo en la precisión, aunque el protocolo de escalamiento angular monotónico resultó esencial para prevenir errores de inversión de fase.
Fidelidad del Hardware: En el procesador IBM Heron, el modelo alcanzó una precisión del 93.33% contra la verdad fundamental, con una concordancia del 97.78% con la simulación libre de ruido ( $\kappa = 0.9552$ ). Los valores esperados correlacionaron con $r = 0.9943$ .
Benchmark B (Prueba de Estrés No Lineal): En un entorno sintético diseñado explícitamente para favorecer reglas no lineales, HQDIS fue superado significativamente por Random Forest tanto en precisión como en AUC-ROC. La Regresión Logística superó significativamente a HQDIS en precisión ( $p=0.025$ ), mientras que HQDIS mostró una ventaja nominal no significativa en AUC-ROC ( $p=0.141$ ).
Auditabilidad: El sistema demostró un mecanismo de auditoría contrafactual reproducible, identificando el umbral exacto (Credibilidad del Fundador $\approx 4.6/7$ ) donde una decisión cambia de "Aprobar" a "Financiar" para un caso límite.

Significancia y Reivindicaciones
El artículo adopta una postura modesta y rigurosa respecto a sus contribuciones:

Prueba de Concepto para la Gobernanza en la Era NISQ: La contribución principal es demostrar que una arquitectura de decisión cuántica puede ejecutarse con alta fidelidad en hardware superconductor actual de 156 cúbits manteniendo la retención de la decisión.
Corrección Matemática: La identificación y resolución del error de "aliasing de inversión de fase" mediante el escalamiento angular monotónico es una contribución técnica específica a la estabilidad de los mapas de características cuánticos.
Gobernancia sobre Predicción: El autor argumenta que el valor de HQDIS reside en la gobernanza y la auditabilidad (p. ej., trayectorias en la esfera de Bloch, pruebas de estrés contrafactuales) más que en una precisión predictiva superior. El modelo ofrece una alternativa geométricamente interpretable frente al aprendizaje profundo de caja negra.
Reporte Honesto de Limitaciones: El artículo reconoce explícitamente que el Benchmark A es sintético y pequeño ( $N=45$ ), lo que limita las afirmaciones de validez predictiva frente a resultados reales de capital de riesgo. Reporta que, en un benchmark diseñado para favorecer las no linealidades, HQDIS no superó estadísticamente a las líneas base clásicas, enmarcando esto como un hallazgo necesario para distinguir las afirmaciones empíricas defendibles de los artefactos de muestreo.
Eficiencia de Parámetros: El autor afirma que HQDIS iguala el desempeño de métodos de ensamble complejos (Random Forest/Gradient Boosting) con solo 13 parámetros, aunque admite que no supera a la incluso más simple Regresión Logística (5 parámetros) en este contexto específico.

En resumen, el artículo presenta a HQDIS no como un predictor superior para el capital de riesgo, sino como un marco técnicamente viable, auditable y listo para el hardware para modelar dilemas de decisión no lineales, con un camino claro para su validación futura en conjuntos de datos reales más amplios.

Resumen Técnico: Hacia la Inteligencia de Decisión Cuántica (HQDIS)

Más como este