Una sola compuerta de Hadamard puede convertir tu activo más riesgoso en —aparentemente— el más seguro. Y lo peor: el circuito nunca se queja.
Si uno aprendió computación cuántica con los ejemplos de siempre —Grover, estimación de amplitud, la transformada cuántica de Fourier— tiene un reflejo grabado a fuego: el paso 1 es aplicar un Hadamard a cada qubit para armar una superposición uniforme. Es casi memoria muscular. Y en muchos algoritmos es exactamente lo correcto.
En un modelo de riesgo construido con amplitude encoding, ese mismo reflejo rompe todo. En silencio: el circuito corre, devuelve probabilidades y los números parecen razonables. Recién cuando uno revisa dónde terminó el activo más peligroso del portafolio se da cuenta de que algo se rompió.
Trabajando en un pipeline de riesgo de portafolio sobre 110 qubits, me encontré exactamente con esto. Acá va la historia, porque la lección va más allá de lo cuántico.
El planteo: un qubit por activo
La idea detrás del amplitude encoding es escribir un número clásico —acá, el riesgo de cada activo— en la amplitud de un qubit. Con una rotación RY(θ) sobre un qubit que arranca en |0⟩, eligiendo θ = 2·arcsin(√riesgo), se obtiene algo muy limpio: la probabilidad de medir |1⟩ es exactamente el riesgo del activo.
Riesgo 0 → se mide |1⟩ el 0% de las veces. Riesgo máximo → casi el 100%. La relación es la recta identidad en el panel izquierdo del gráfico: fiel, monótona, sin sorpresas. Ese es el criterio. Y depende de un detalle fácil de pasar por alto: el qubit tiene que arrancar en |0⟩, porque ese estado inicial es la página en blanco sobre la que la rotación escribe los datos.
Por qué el Hadamard lo rompe
Ahora sumemos el reflejo de manual: un Hadamard en cada qubit antes de la rotación. El Hadamard lleva |0⟩ a |+⟩, una superposición donde la probabilidad de |1⟩ ya es 0.5. La rotación de riesgo ya no escribe sobre una página en blanco: escribe encima de algo que ya está a mitad de camino.
La matemática da una función tan elegante como desastrosa:
Es la mitad superior de un círculo (la curva roja del gráfico). Y tiene dos propiedades letales para medir riesgo:
- No es monótona. Sube hasta riesgo 0.5 y después baja. Se pierde el orden.
- Colapsa los extremos. Riesgo 0 y riesgo máximo caen ambos en P(|1⟩) = 0.5. El activo más seguro y el más peligroso del portafolio se vuelven indistinguibles.
Lado a lado, los números vuelven concreto el fallo — nuestra codificación sigue el riesgo real con exactitud, mientras que la versión con Hadamard lo pliega sobre sí mismo:
|0⟩, sin H) devuelve el riesgo tal cual; con el Hadamard, tanto el riesgo 0 como el riesgo máximo informan 0.50, y todo lo intermedio queda plegado. (Gráfico en inglés, como se publicó.)La información no se perdió por ruido ni por decoherencia. Se perdió por una compuerta de más, en el estado inicial, antes de que empezara siquiera la parte interesante.
El costo: el ranking se da vuelta justo donde importa
Acá está lo especialmente traicionero: si uno mide la correlación de rangos sobre todo el portafolio, el número agregado puede seguir pareciendo lo bastante alto como para pasar un chequeo rápido. En nuestro universo casi todos los activos viven en la zona de bajo riesgo —donde la curva todavía sube—, así que muy pocos nombres caen en la región donde se pliega. El promedio lo esconde.
Pero el daño no se reparte parejo: se concentra en la cola, que es la razón misma por la que existe la gestión de riesgo. En nuestra corrida, SMCI —el más riesgoso de los 110 activos, en el puesto número 1— cayó al puesto 100. Prácticamente el más seguro de la lista. ENPH pasó del 2.º al 30.º; MSTR, del 3.º al 26.º. Los cinco más peligrosos, evaporados de la cima.
Un sistema de riesgo que te dice que tu posición más volátil es una de las más tranquilas no está apenas desafinado: está roto. Y la métrica agregada te venía sonriendo todo el tiempo.
Lo más incómodo: no es un «bug»
Acá está lo que más me hizo pensar. Técnicamente, esto no es un bug de código. El Hadamard hizo exactamente lo que le pedimos —se ejecutó a la perfección: sin typo, sin off-by-one, sin NaN. El circuito corrió limpio y devolvió probabilidades bien formadas.
Lo que estaba mal era el razonamiento. Metimos una superposición uniforme —una receta impecable en Grover, en estimación de amplitud, en ansätze basados en interferencia como VQE o QAOA— en una fase de codificación y medición, donde no corresponde. Es un error de diseño, no de software. Y eso lo vuelve más peligroso: un error que nunca se queja no lo atrapa ningún test. Solo aparece cuando alguien mira el resultado final y se pregunta si tiene sentido.
Tres cosas que me llevo
- En amplitude encoding,
|0⟩no es «vacío»: es el lienzo. La superposición no es gratis; sobrescribe. Antes de agregar una compuerta al estado inicial, hay que preguntarse qué información ya vive ahí. - Las recetas prestadas cargan los supuestos de otro. «Hadamard a todo» está bien cuando uno quiere explorar de forma uniforme un espacio desconocido (búsqueda, estimación sobre estados que uno no controla). Un modelo donde uno elige la amplitud de cada qubit es el caso opuesto. Copiar el patrón sin copiar el contexto es como se cuelan estos errores.
- Validar en la cola, no en el promedio. No saltó ninguna excepción y la métrica agregada se veía sana. Lo que expuso el problema fue un chequeo de dominio: ¿tiene sentido el ranking donde más importa? Cuando el error se esconde en los pocos casos críticos, promediar sobre todos ellos te entrega una respuesta tranquilizadora y falsa.
La computación cuántica todavía arrastra una gruesa capa de misticismo. Pero muchos de sus tropiezos prácticos son viejos conocidos con ropa nueva: supuestos implícitos, recetas copiadas fuera de contexto y métricas que promedian y borran justo el error que más importa.
A veces todo se reduce a una compuerta de más. ¿Cuál es el bug más silencioso —el que corrió sin quejarse— que te tocó cazar?
Seguimos en contacto
- Empresa: i-314 Security Research
- Web: https://i-314.com
- Email: [email protected]
- LinkedIn: linkedin.com/company/i314
Publicado originalmente en LinkedIn.
Seguí leyendo
- Zero Trust para IA no es un muro — son dos planos y un auditor
- Anatomía de un agente de investigación IA que no alucina
- Captura del OWASP FinBot CTF: Una Metodología Source-Aware para Red Teaming de IA Agéntica
AI red-teaming, seguridad de IA agéntica y criptografía post-cuántica. LinkedIn