El modelo cuántico de fertilidad VIT señala el tiempo sentado y la edad, pero 100 registros limitan la afirmación

Investigadores del Vellore Institute of Technology desarrollaron un modelo cuántico de fertilidad VIT que alcanzó una precisión del 93,8 % y situó el tiempo sentado por encima de cualquier otro predictor. La edad ocupó el segundo lugar. Sin embargo, el resultado se basa en apenas 100 registros, validación interna y un circuito cuántico simulado.

Esta combinación genera la tensión central del estudio. El modelo híbrido rindió mejor que todas las alternativas clásicas evaluadas, pero su ventaja sobre el LSTM más sólido fue de solo 1,7 puntos porcentuales. Por tanto, el trabajo resulta más útil como experimento técnico que como evidencia sobre las causas de la infertilidad masculina.

El estudio, publicado el 2 de octubre de 2026, también muestra por qué los benchmarks de IA médica exigen una lectura cuidadosa. La precisión, la significación estadística, la explicabilidad, la validez clínica y la ventaja cuántica son afirmaciones distintas. Este experimento respalda algunas, pero no todas.

El modelo cuántico ganó un benchmark muy disputado

El resultado inmediato es una victoria ajustada del modelo, no un nuevo estándar diagnóstico.

Los investigadores T. Sarath y K. Brindha desarrollaron el sistema híbrido en el Vellore Institute of Technology de Tamil Nadu, India. Su estudio revisado por pares comparó aprendizaje automático convencional, varias redes de memoria a corto y largo plazo, y un LSTM mejorado con tecnología cuántica.

Un LSTM, o red de memoria a corto y largo plazo, es una arquitectura neuronal diseñada para retener información útil a lo largo de una secuencia. Sus compuertas internas determinan qué señales entran, permanecen o salen de la memoria del modelo.

Los investigadores evaluaron dos conjuntos de datos separados. Uno cubría tasas nacionales de fertilidad entre 1960 y 2020. El segundo contenía observaciones de fertilidad masculina derivadas de evaluaciones de semen e información sobre el estilo de vida.

El conjunto de datos de fertilidad masculina incluía 100 participantes. Sus variables abarcaban edad, estación del año, enfermedades infantiles, traumatismos, cirugías, fiebres recientes, consumo de alcohol, tabaquismo y tiempo diario sentado. El objetivo dividía las muestras en clasificaciones de semen normal o alterado.

Ese conjunto de datos procedía originalmente del repositorio de datos de fertilidad, que indica que las muestras se evaluaron conforme a los criterios de la Organización Mundial de la Salud de 2010. El repositorio enumera nueve predictores y un objetivo de diagnóstico.

Los investigadores probaron primero cuatro métodos conocidos de aprendizaje automático. XGBoost produjo el mejor resultado convencional en el conjunto de datos masculino, con una precisión del 89,7 %. Random forest le siguió con un 89,2 %.

Después evaluaron ocho configuraciones clásicas de LSTM. Estas incluían variantes unidireccionales, bidireccionales, jerárquicas, basadas en atención, convolucionales, autoencoder, de cuadrícula y multimodales.

El LSTM unidireccional lideró ese grupo. Alcanzó una precisión del 92,1 %, una precisión positiva del 90,3 %, una sensibilidad del 89,6 % y una puntuación F1 del 90,3 %.

El modelo cuántico de fertilidad VIT registró una precisión del 93,8 %, una precisión positiva del 91,7 %, una sensibilidad del 90,3 % y una puntuación F1 del 91,4 %. Su tiempo de entrenamiento informado fue de 79 segundos, frente a 82 segundos del LSTM unidireccional.

El mismo orden apareció en el conjunto de datos de fertilidad a nivel poblacional. El sistema cuántico alcanzó una precisión del 92,6 %, mientras que el LSTM unidireccional llegó al 91,2 %.

Estos resultados generaron un titular coherente. El modelo mejorado con tecnología cuántica terminó primero en ambas tareas utilizando el mismo marco experimental general que sus competidores clásicos.

Sin embargo, el margen de victoria siguió siendo pequeño. En la tarea de fertilidad masculina, la diferencia entre el 93,8 % y el 92,1 % fue de 1,7 puntos porcentuales. En la tarea poblacional, fue de 1,4 puntos.

Los investigadores utilizaron validación cruzada de cinco pliegues, divisiones repetidas de entrenamiento y prueba, y 1.000 iteraciones de bootstrap. Estos métodos ayudaron a estimar si el resultado dependía excesivamente de una división favorable de los datos.

Las pruebas de rangos con signo de Wilcoxon devolvieron valores p de 0,024 para el conjunto de datos masculino y de 0,031 para el conjunto de tasas de fertilidad. Ambos quedaron por debajo del umbral de significación del estudio.

Los tamaños del efecto informados fueron 0,48 y 0,42, que los investigadores describieron como pequeños a moderados. El modelo cuántico también produjo intervalos de confianza bootstrap más estrechos que su principal contraparte clásica.

La significación estadística aún no establece importancia clínica. Indica que era poco probable que la diferencia medida surgiera únicamente de las ejecuciones de validación evaluadas. No demuestra que el modelo se generalice a nuevos hospitales, grupos de edad o poblaciones de pacientes.

Esta distinción resulta decisiva porque todos los ejercicios de validación reutilizaron un conjunto de datos subyacente muy pequeño. Un mayor remuestreo puede medir la estabilidad interna, pero no puede crear diversidad demográfica ni información biológica ausente.

Por qué el tiempo sentado y la edad subieron a la cima

El tiempo sentado y la edad influyeron más en las decisiones del modelo, pero la importancia de las características no identifica una causa médica.

Los investigadores utilizaron SHAP, o Shapley Additive Explanations, para examinar el modelo entrenado. SHAP estima con qué intensidad cada entrada contribuye a las predicciones del modelo en las muestras analizadas.

El tiempo diario sentado recibió el mayor valor SHAP absoluto medio, aproximadamente 0,22. La edad le siguió con alrededor de 0,18.

La estación de la evaluación ocupó el tercer lugar con aproximadamente 0,13. La frecuencia de consumo de alcohol le siguió con cerca de 0,12.

El tabaquismo, las enfermedades infantiles, los traumatismos graves, las fiebres altas recientes y el historial quirúrgico recibieron valores de importancia inferiores. En general, estos valores oscilaron entre 0,07 y 0,08.

Esta clasificación explica el comportamiento del modelo dentro del conjunto de datos. No establece que reducir el tiempo sentado mejoraría la fertilidad de una persona.

SHAP mide contribución predictiva, no causalidad biológica. Una característica puede resultar útil porque se correlaciona con otro factor no medido, refleja patrones de muestreo o divide eficientemente un conjunto de datos pequeño.

La edad ofrece un ejemplo evidente. Puede correlacionarse con cambios fisiológicos, exposiciones acumuladas, afecciones de salud, historial de tratamientos y comportamiento. Un modelo no puede separar esas vías sin mediciones más completas y un diseño causal adecuado.

El tiempo sentado es igualmente difícil de interpretar. Puede representar patrones ocupacionales, inactividad física, exposición al calor, salud metabólica u otras diferencias de estilo de vida. El conjunto de datos no midió de forma exhaustiva esas posibles explicaciones.

La investigación existente también impide una interpretación causal simple. Un estudio prospectivo sobre exposiciones masculinas al calor concluyó que ni estar sentado por sí solo ni utilizar calefacción en el asiento se asociaban con una menor fecundabilidad. Otro análisis ocupacional no informó asociación entre permanecer sentado durante periodos prolongados y la calidad del semen.

Un estudio de predicción del estilo de vida mucho más amplio analizó registros de 5.109 hombres. Consideró el comportamiento sedentario junto con actividad deportiva, sueño, exposición al calor, consumo de alcohol, tabaquismo y otros factores.

Ese estudio más amplio ilustra la escala necesaria para examinar de manera más convincente las señales vinculadas al estilo de vida. También midió resultados detallados del semen en lugar de basarse únicamente en un pequeño objetivo de clasificación binaria.

Los autores del estudio VIT describen explícitamente sus asociaciones como exploratorias y no causales. También informan de que el tabaquismo y la actividad sedentaria mostraron asociaciones inconsistentes o débiles en partes de su análisis.

Esta cautela importa porque una clasificación SHAP elevada puede parecer más concluyente de lo que realmente es. «Predictor principal» significa que el modelo entrenado utilizó mucho esa característica. No significa que la característica fuera el mayor determinante de la infertilidad en el mundo real.

La muestra subyacente también restringe el significado de la edad. La tabla del artículo describe a los participantes dentro de un rango adulto estrecho, mientras que la documentación del repositorio proporciona un rango normalizado más amplio.

En cualquier caso, 100 participantes no pueden representar a toda la población que busca atención por fertilidad. Diferentes grupos ocupacionales, genéticos, ambientales, socioeconómicos y clínicos pueden producir clasificaciones distintas.

El modelo también carecía de mediciones hormonales, datos genéticos, imágenes y registros longitudinales. No siguió a las personas a lo largo del tiempo para determinar si las exposiciones precedían a los cambios de fertilidad.

Por tanto, ningún médico debería utilizar esta clasificación para diagnosticar a un paciente. Tampoco debería sustituir el análisis de semen, la historia clínica, la evaluación física o las pruebas de laboratorio apropiadas.

La necesidad sanitaria más amplia sigue siendo real. La actual orientación sobre infertilidad estima que alrededor de una de cada seis personas en edad reproductiva experimenta infertilidad a lo largo de su vida.

La misma orientación identifica varias vías establecidas de infertilidad masculina. Estas incluyen obstrucción del tracto reproductivo, trastornos hormonales, producción espermática deficiente y función o calidad anormal de los espermatozoides.

Las exposiciones relacionadas con el estilo de vida y el entorno pueden importar dentro de ese panorama más amplio. Sin embargo, un titular centrado en dos características no puede representar la complejidad de una evaluación individual de fertilidad.

Cómo funciona el modelo cuántico de fertilidad VIT

La verdadera contribución técnica del estudio es situar un circuito cuántico simulado dentro de una compuerta LSTM.

Los investigadores no enviaron datos médicos sin procesar a un ordenador cuántico. Construyeron una red neuronal híbrida que combinaba procesamiento clásico con un componente cuántico simulado por software.

El modelo utilizó 64 unidades LSTM clásicas. Su capa cuántica empleó ocho qubits, codificación angular, puertas de rotación, operaciones de entrelazamiento y mediciones Pauli-Z.

Un qubit es la unidad básica de información cuántica. La codificación angular asigna valores clásicos a ángulos de rotación aplicados a los qubits.

Un circuito cuántico variacional contiene operaciones cuánticas ajustables cuyos parámetros se optimizan durante el entrenamiento. Las mediciones convierten su estado cuántico de nuevo en valores que el software clásico puede procesar.

En esta arquitectura, el circuito modificó la compuerta de entrada del LSTM. La compuerta de entrada controla cuánta información nueva entra en el estado de memoria de la red.

Las compuertas de olvido, salida y celda permanecieron clásicas. Eso hace que «mejorado con tecnología cuántica» sea más preciso que calificar de cuántico a todo el modelo.

Esta disposición diferencia el trabajo de los sistemas híbridos que utilizan un circuito cuántico solo después de la extracción clásica de características. Aquí, los valores generados cuánticamente participan dentro del mecanismo de memoria recurrente.

El experimento utilizó el simulador Lightning Qubit de PennyLane en lugar de hardware cuántico físico. TensorFlow, Keras y herramientas relacionadas de Python gestionaron el flujo de trabajo de entrenamiento más amplio.

Un simulador calcula cómo debería comportarse un circuito cuántico idealizado usando hardware clásico. Ayuda a los investigadores a probar arquitecturas sin esperar a procesadores cuánticos escasos o inestables.

La simulación también elimina varios obstáculos que afectan a los dispositivos reales. Entre ellos se incluyen errores de puertas, ruido ambiental, decoherencia, conexiones limitadas entre qubits y sobrecarga de colas.

En consecuencia, el tiempo de entrenamiento informado de 79 segundos no demuestra que el hardware cuántico completara la tarea más rápido. Compara implementaciones de software dentro del entorno experimental de los autores.

La arquitectura utilizó ocho qubits y un circuito variacional poco profundo. El artículo informa de puertas de rotación y puertas NOT controladas, con parámetros entrenables actualizados junto con la red clásica.

El modelo codificó las entradas como estados cuánticos, aplicó transformaciones parametrizadas, midió valores esperados y devolvió esas mediciones al LSTM. La optimización clásica ajustó ambas partes durante el entrenamiento.

Este es un experimento de viabilidad razonable. Plantea si una capa cuántica puede integrarse con el aprendizaje recurrente y mantener un rendimiento predictivo competitivo.

No establece una aceleración computacional. Una afirmación útil sobre velocidad requeriría hardware comparable, una contabilización cuidadosa de recursos, mediciones repetidas y consideración de los costes de carga de datos.

La razón para utilizar una LSTM también merece atención. Las LSTM fueron diseñadas para secuencias ordenadas, como lenguaje, lecturas de sensores o visitas clínicas repetidas.

El conjunto de datos global sobre fertilidad contiene naturalmente secuencias anuales. Sin embargo, el conjunto de datos masculino consiste en gran medida en características tabulares de participantes, en lugar de historiales largos de pacientes.

Los autores transformaron y procesaron esas características dentro de un marco secuencial. Esa elección permite la comparación arquitectónica, pero no demuestra que la recurrencia sea ideal para este conjunto de datos.

Los algoritmos más simples siguen siendo relevantes. XGBoost alcanzó un 89,7 % de precisión sin memoria recurrente ni operaciones cuánticas. Su resultado quedó a solo 4,1 puntos del modelo cuántico.

La LSTM clásica más sólida se acercó aún más. Esto plantea la comparación principal: una arquitectura híbrida compleja frente a un modelo más simple que casi iguala su desempeño.

Para los equipos de investigación, el estudio ofrece un modelo reproducible para esa comparación. Para los hospitales, todavía no proporciona un sistema listo para su implementación.

Una Pequeña Mejora en la Precisión Frente a una Gran Brecha de Evidencia

El modelo cuántico de fertilidad VIT supera una referencia interna, pero la evidencia no demuestra una ventaja cuántica ni clínica.

La primera limitación es el tamaño de la muestra. Las redes neuronales profundas pueden ajustarse a patrones complejos, pero 100 registros ofrecen poca protección frente a correlaciones idiosincráticas.

La validación cruzada de cinco particiones divide esos registros en cinco grupos rotatorios. Cada partición evalúa entonces el modelo solo sobre una fracción de la muestra original.

Las divisiones repetidas y el bootstrapping aportan más estimaciones. Aun así, esas estimaciones siguen ancladas a los mismos participantes, definiciones de características y proceso de recopilación.

La segunda limitación es el desequilibrio de clases. El conjunto de datos de UCI contiene muchas más muestras normales que muestras alteradas. Por tanto, la precisión puede parecer alta incluso cuando el rendimiento de la clase minoritaria sigue siendo incierto.

Las puntuaciones de precisión, exhaustividad y F1 aportan un contexto útil. Sin embargo, el artículo no proporciona el tipo de calibración externa y análisis de subgrupos requerido para las herramientas de riesgo clínico.

La tercera limitación es la información faltante. La evaluación de la infertilidad masculina suele incluir parámetros seminales, hormonas, genética, pruebas de imagen, hallazgos físicos, historial de medicación y contexto a nivel de pareja.

El modelo carecía de la mayoría de esas dimensiones. Predijo una etiqueta binaria a partir de un conjunto compacto de variables demográficas y de estilo de vida.

Esta brecha afecta tanto al rendimiento como a la interpretación. El tiempo sentado podría perder importancia después de introducir mediciones hormonales o metabólicas en el modelo. También podría interactuar de manera distinta según la ocupación o el grupo de edad.

La cuarta limitación es la validación externa. Los autores no probaron el modelo en un hospital independiente, otro país o una cohorte posterior de pacientes.

La validación externa pregunta si el rendimiento se mantiene cuando cambian la recopilación de datos, las características de los pacientes y la práctica clínica. El remuestreo interno no puede responder a esa pregunta.

La quinta limitación se refiere a la evidencia cuántica. Un circuito simulado no experimenta las restricciones de ruido y conectividad del hardware físico.

Una importante revisión sobre salud digital halló evidencia débil de ventaja cuántica empírica en este campo. También subrayó las limitaciones de los conjuntos de datos, las decisiones de preprocesamiento y las pruebas de sensibilidad.

Ese contexto no invalida el experimento de VIT. Cambia la afirmación adecuada, de superioridad cuántica a viabilidad de un modelo híbrido.

El propio artículo establece esa distinción. Sus autores señalan que la mejora modesta no puede considerarse una ventaja cuántica definitiva.

La sexta limitación es la utilidad clínica. La precisión por sí sola no demuestra si un sistema mejora las decisiones médicas, los resultados de los pacientes o el acceso a la atención.

Una herramienta clínica necesita un punto de decisión definido. Los investigadores deben especificar quién la utiliza, qué acción sigue y qué daño puede surgir de resultados erróneos.

Por ejemplo, un modelo de cribado podría priorizar a ciertas personas para realizar pruebas. Un modelo de apoyo diagnóstico podría ayudar a interpretar resultados de laboratorio. Estos usos requieren distintos umbrales y evidencias.

El experimento actual no define un flujo de trabajo de ese tipo. Tampoco fue diseñado para su implementación clínica directa.

La séptima limitación se refiere al objetivo. Una clasificación de semen alterado no es idéntica a la infertilidad, que implica la incapacidad de lograr un embarazo dentro de un plazo clínico definido.

La calidad del semen contribuye a la fertilidad masculina, pero los resultados reproductivos dependen de múltiples factores biológicos y relacionados con la pareja. El lenguaje de los titulares puede fácilmente diluir esa distinción.

Por eso los lectores deben interpretar con cautela el “riesgo de infertilidad masculina”. El modelo clasificó registros asociados con hallazgos seminales normales o alterados dentro de un conjunto de datos histórico.

No obstante, el estudio tiene valor para la investigación. Combina varias referencias clásicas, múltiples arquitecturas LSTM, pruebas estadísticas, remuestreo y explicaciones de características en un único marco.

Su contribución más sólida es la transparencia metodológica. La referencia muestra cuán poca distancia separa al modelo híbrido de una alternativa clásica competente.

Los Equipos de IA Sanitaria Afrontan Ahora la Comparación Más Difícil

La próxima competencia no es IA cuántica contra referencias débiles, sino IA híbrida contra modelos clásicos bien ajustados sobre datos clínicos representativos.

El aprendizaje automático médico suele comenzar con conjuntos de datos limitados porque los registros de alta calidad son difíciles de recopilar. La privacidad, los costes de etiquetado, los sistemas fragmentados y las mediciones inconsistentes limitan el acceso.

El aprendizaje automático cuántico a veces se orienta a este escenario. Sus defensores sostienen que los mapas de características cuánticos pueden representar relaciones complejas con circuitos relativamente compactos.

Esa posibilidad sigue siendo una hipótesis de investigación. Los conjuntos de datos pequeños también pueden hacer que casi cualquier modelo flexible parezca impresionante si los procedimientos de evaluación no se separan cuidadosamente.

Los métodos clásicos cuentan con varias ventajas prácticas. Funcionan en hardware ampliamente disponible, se integran con software maduro y respaldan procesos conocidos de monitorización y gobernanza.

Los modelos basados en árboles pueden funcionar especialmente bien con datos médicos estructurados. La regresión logística puede ofrecer una referencia clara cuando la transparencia importa más que una mejora marginal de precisión.

Las redes neuronales se vuelven atractivas cuando las entradas incluyen imágenes, lenguaje, series temporales o eventos repetidos. Su mayor capacidad también incrementa las exigencias de validación.

Un modelo cuántico híbrido añade otra capa de complejidad. Los equipos deben gestionar el preprocesamiento clásico, el diseño de circuitos, el comportamiento de las mediciones, el acceso a simulación o hardware y la estabilidad de la optimización.

Ese trabajo adicional exige un retorno medible. Una mejora interna de 1,7 puntos de precisión sobre 100 registros todavía no lo establece.

La comparación también debería incluir métodos tabulares modernos bajo presupuestos de ajuste equivalentes. Cada modelo debería recibir búsquedas de hiperparámetros y reglas de procesamiento de datos comparables.

La replicación independiente reforzaría aún más la evidencia. Los investigadores deberían publicar código, particiones fijas de datos, semillas y pasos de preprocesamiento que permitan a otros equipos recrear el resultado.

Los socios clínicos deberían definir resultados relevantes antes de ampliar la arquitectura. Predecir parámetros seminales, respuesta al tratamiento, recuperación de espermatozoides y tiempo hasta el embarazo son tareas distintas.

Estudios más grandes ya muestran cómo la escala cambia el modelado de la fertilidad masculina. Algunas investigaciones utilizan miles de participantes y mediciones seminales más completas. Otras se centran en resultados específicos de tratamientos con variables clínicas de laboratorio.

Esos proyectos ofrecen una cobertura poblacional más sólida, aunque afrontan sus propios problemas de sesgo y generalización. El tamaño por sí solo no garantiza utilidad clínica.

El mejor estándar combina escala, muestreo representativo, características relevantes, validación externa y un flujo de trabajo médico definido. Los componentes cuánticos deben evaluarse dentro de ese sistema completo.

La explicabilidad también necesita pruebas más rigurosas. SHAP puede revelar qué características influyeron en un modelo, pero los clínicos deben determinar si esas relaciones son estables y médicamente plausibles.

Una clasificación de características que cambia entre hospitales tiene un valor limitado. Una clasificación estable todavía puede reflejar sesgo estructural o variables ausentes.

Por ello, los desarrolladores de soluciones sanitarias deberían tratar los métodos de explicación como instrumentos de diagnóstico para los modelos. No son certificados de seguridad ni de causalidad.

Para los compradores empresariales, la lección práctica es igual de directa. Una etiqueta “cuántica” no debe sustituir la evidencia sobre procedencia de los datos, validación externa, calibración, privacidad o integración.

Los investigadores y revisores pueden utilizar herramientas como knowledge blending para comparar artículos, conjuntos de datos, protocolos y notas de replicación. La decisión sigue dependiendo de evidencia verificada.

El trabajo de VIT plantea una cuestión técnica valiosa. No resuelve si el aprendizaje mejorado cuánticamente ofrece un valor fiable para la medicina reproductiva.

Tres Pruebas Decidirán si el Resultado se Mantiene

Cohortes más grandes, hardware cuántico físico y validación clínica externa determinarán si esta referencia adquiere relevancia médica.

La primera señal es la replicación en un conjunto de datos multicéntrico mucho mayor. Un seguimiento significativo debería incluir edades, ubicaciones, ocupaciones, historiales de salud y diagnósticos de fertilidad diversos.

También debería incorporar mediciones seminales, hormonas, medicamentos, genética, pruebas de imagen, indicadores metabólicos y observaciones repetidas cuando corresponda.

Si el tiempo sentado y la edad siguen siendo predictores principales tras esas incorporaciones, la afirmación sobre la clasificación de características se vuelve más sólida. Si caen de forma marcada, la clasificación original probablemente reflejaba la composición del conjunto de datos.

La segunda señal es una comparación en hardware cuántico real. Esa prueba debería informar sobre ruido de puertas, profundidad del circuito, conectividad, tiempo de ejecución y recursos computacionales totales.

Los investigadores deberían comparar el sistema físico con referencias clásicas sólidas bajo condiciones equivalentes. También deberían separar la calidad predictiva del coste computacional.

Si el modelo híbrido conserva su ventaja pese al ruido del hardware, el argumento cuántico gana credibilidad. Si las ganancias de la simulación desaparecen, el estudio seguirá siendo una demostración arquitectónica.

La tercera señal es la validación externa prospectiva. Un equipo clínico independiente debería evaluar el modelo congelado en pacientes que los desarrolladores nunca utilizaron.

Esa evaluación debería informar sobre sensibilidad, especificidad, calibración, rendimiento por subgrupos y consecuencias de las decisiones. También debería definir cómo actuarían los clínicos ante cada predicción.

Si el modelo mejora una decisión real sin aumentar los errores perjudiciales, el trabajo avanza hacia la utilidad clínica. Otra tabla de precisión validada internamente no aportaría la misma evidencia.

Hasta que lleguen esas pruebas, la interpretación responsable es limitada. El modelo cuántico de fertilidad VIT produjo el mejor resultado en un experimento cuidadosamente comparado, pero muy pequeño.

También destacó el tiempo sentado y la edad dentro de ese conjunto de datos específico. Ningún hallazgo demuestra que el comportamiento sedentario cause infertilidad ni que la computación cuántica esté lista para las clínicas de fertilidad.

El valor del estudio reside en definir el siguiente experimento. Los investigadores cuentan ahora con una arquitectura híbrida, puntos de referencia clásicos y una lista explícita de validaciones faltantes.

La pregunta ya no es si una capa cuántica simulada puede aventajar ligeramente en 100 registros. Es si esa ventaja se mantiene con nuevos pacientes, una biología más rica y hardware imperfecto.