es.wedoany.com Noticia: El 5 de junio de 2026, Classiq, desarrollador de software de ingeniería cuántica, y la Pontificia Universidad Católica de Chile (UC Chile) lanzaron conjuntamente un programa de investigación de 12 meses destinado a desarrollar algoritmos híbridos de aprendizaje automático cuántico-clásico para el análisis avanzado de imágenes biomédicas. El proyecto, financiado a través del concurso Avanza UC 2025 y titulado "Mejora de la patología mediante computación cuántica", establece el primer consorcio de patología computacional en América Latina.
El proyecto integra la plataforma de síntesis automática de circuitos de Classiq con la infraestructura híbrida CUDA-Q de NVIDIA y utiliza conjuntos de datos histopatológicos seleccionados proporcionados por instituciones de investigación brasileñas, incluyendo la Fundación Oswaldo Cruz (FIOCRUZ) y la Universidad Federal de Bahía (UFBA). La hoja de ruta de codiseño aborda la alta dimensionalidad y complejidad de características de las imágenes de tejido completo, que sobrecargan las arquitecturas clásicas de visión por computadora en tareas de segmentación a nivel de píxel. En lugar de depender completamente de redes neuronales profundas clásicas, el equipo de investigación desarrolló un pipeline híbrido de aprendizaje automático cuántico (Quantum Machine Learning, QML) optimizado para patología renal, utilizando el entorno de modelado de funciones abstractas de Classiq para sintetizar y optimizar automáticamente topologías de redes cuánticas especializadas, evitando las limitaciones de la programación manual a nivel de puerta.
El flujo de trabajo conjunto de patología computacional se centra en tres objetivos de análisis clínico. Las redes neuronales convolucionales cuánticas (Quantum Convolutional Neural Networks, QCNNs) ajustan las capas de convolución cuántica para comprimir características estructurales de alta resolución, optimizando la segmentación automática de glomérulos en muestras de tejido complejas. Los clasificadores variacionales cuánticos (Variational Quantum Classifiers, VQCs) aplican estados lógicos cuánticos variacionales parametrizados para ejecutar modelos de clasificación de lesiones renales multiclase. Los métodos de kernel cuántico (Quantum Kernel Methods) utilizan espacios de estados cuánticos de alta dimensión para realizar búsquedas de patrones semánticos, aislando anomalías diagnósticas sutiles en secciones histológicas densas.
La pila de software compilada se ejecuta a través de un entorno de ejecución unificado. Los algoritmos híbridos se compilan utilizando la plataforma NVIDIA CUDA-Q, logrando un enrutamiento de datos de baja latencia entre coprocesadores. Este marco permite al equipo ejecutar simulaciones de algoritmos de alta fidelidad en la infraestructura clásica de supercomputación de IA de NVIDIA, y luego transferir los circuitos optimizados y listos para hardware a las unidades de procesamiento cuántico (Quantum Processing Units, QPUs) de iones atrapados de IonQ para realizar pruebas de referencia físicas.
Esta asociación establece un ancla operativa para aplicaciones de computación avanzada en el sector de tecnología médica de Sudamérica, alineándose directamente con la Estrategia Nacional de Tecnologías Cuánticas 2025-2035 de Chile. El proyecto está dirigido por el Dr. Dardo Goyeneche de la Facultad de Física de la Pontificia Universidad Católica de Chile, quien también lidera el grupo de investigación QuDIT y el proyecto de construcción del computador cuántico de uso general de Chile, QuAntü, y cuenta con el apoyo del Dr. Daniel Uzcátegui de la Universidad Católica de la Santísima Concepción (UCSC). Al integrar la capa de codificación independiente del hardware de Classiq en los pipelines regionales de atención médica, esta iniciativa crea un marco validado que lleva directamente las ventajas cuánticas emergentes a las herramientas de diagnóstico de salud pública activas.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
