---
title: "La química cuántica aprende con IA a exaescala: Sunway escala redes neuronales para moléculas “de verdad”"
description: "China vuelve a poner el listón del supercómputo en lo alto. Un equipo de investigación ha demostrado en el nuevo superordenador Sunway “OceanLite” que las redes neuronales de estados cuánticos (NNQS)..."
url: https://revistacloud.com/la-quimica-cuantica-aprende-con-ia-a-exaescala-sunway-escala-redes-neuronales-para-moleculas-de-verdad/
date: 2025-10-23
modified: 2025-10-22
author: "Noticias Cloud"
image: https://revistacloud.com/wp-content/uploads/2024/02/gigabyte-datacenter.jpg
categories: ["Noticias"]
tags: ["china", "computación", "Computación Cuántica", "redes neuronales", "sunway"]
type: post
lang: es
---

# La química cuántica aprende con IA a exaescala: Sunway escala redes neuronales para moléculas “de verdad”

China vuelve a poner el listón del supercómputo en lo alto. Un equipo de investigación ha demostrado en el nuevo superordenador **Sunway “OceanLite”** que las **redes neuronales de estados cuánticos (NNQS)** pueden escalar hasta tamaños moleculares relevantes, con una **eficiencia casi perfecta** y sobre **decenas de millones de núcleos**. El avance no es solo una proeza de rendimiento: sugiere una vía pragmática para **modelar materiales y reacciones químicas** con la computación clásica más potente disponible hoy, sin esperar a procesadores cuánticos útiles.

## Qué han hecho exactamente

El trabajo lleva a exaescala un enfoque ya conocido en la literatura —NNQS—, que entrena una red para **aproximar la función de onda** de un sistema electrónico y así predecir propiedades y energías. Ese entrenamiento exige dos pasos muy costosos: **muestrear** configuraciones (como “fotos” del sistema cuántico) y calcular para cada una la **energía local**. A medida que crece la molécula, ambos pasos se desequilibran y el cálculo se vuelve irregular; escalarlo de forma eficiente es la parte difícil.

En **Sunway**, los autores han desplegado un **NNQS-Transformer** adaptado a la arquitectura del sistema: **núcleos ligeros** que calculan dentro de **memoria local** y **núcleos de gestión** que coordinan comunicaciones, con un **equilibrio de carga** diseñado para que *todos* los núcleos trabajen todo el tiempo. El resultado: el código **corrió en ~37 millones de núcleos** con **92 % de escalado fuerte** y **98 % de escalado débil**, es decir, casi sin pérdidas ni al añadir recursos a un mismo problema ni al crecer el problema junto con los recursos. En química cuántica, esa clase de eficiencias a esta escala son poco comunes.

## Por qué importa

Hasta ahora, las NNQS se quedaban a menudo en **sistemas pequeños**. En esta demostración se han alcanzado **estructuras de hasta 120 orbitales de espín**, una cifra que empieza a acercar el método a **moléculas y materiales con interés práctico**. Si estos algoritmos mantienen el tipo a gran escala, los **superordenadores de exaescala** podrían **acelerar el descubrimiento** de nuevos compuestos, catalizadores o fármacos **mucho antes** de que existan ordenadores cuánticos maduros para estas tareas.

Además, el experimento refuerza una lectura de fondo: las arquitecturas que hoy entrenan los LLM también pueden **aprender la estructura de la materia**. Que un sistema pensado para cargas **regulares** (entrenamiento profundo) haya resuelto una carga **irregular** (química cuántica) con estas eficiencias habla de **madurez de software**, de **particionado de datos** y de un **trabajo fino en comunicación e I/O**.

## El perfil de la máquina: Sunway por dentro

Sunway “OceanLite” es el sucesor de **TaihuLight** y emplea chips **SW26010-Pro**, organizados en clústeres de núcleos con **memoria cercana** (“scratchpad”) en lugar de una jerarquía de cachés convencional. Decenas de miles de estos chips se interconectan en un sistema de **más de 40 millones de núcleos** que ha demostrado **rendimiento de exaescala** en distintos retos científicos. La **localidad de datos** y el control fino de la memoria encajan bien con el enfoque NNQS-Transformer cuando se diseña para esa topología.

Un detalle llamativo es el uso de **Julia** en el *stack* de software: un lenguaje de alto nivel que, combinado con código específico muy optimizado, permite **prototipar rápido** sin renunciar a **rendimiento cercano a C/Fortran**. Hace unos años esto sonaba a experimento; hoy es una pieza más en un entorno de **HPC productivo**.

## Dónde están los límites (ahora mismo)

Escalar la **matemática** era el primer muro; el segundo será **mover y gestionar los datos**. Estas simulaciones generan **volúmenes gigantescos** y exigen que **millones de núcleos compartan información** de forma constante. El cuello de botella se desplaza a **almacenamiento** y **red**, que deberán entregar datos **casi tan rápido como se computan**. El propio equipo apunta a esta frontera: sin I/O a la altura, la eficiencia teórica se quedará en el papel.

También falta ampliar el **catálogo de sistemas**: más allá de los 120 orbitales de espín, habrá que probar con **geometrías complejas**, **estados excitados** y **entornos** (solventes, superficies). El objetivo no es solo la escala, sino la **exactitud química** frente a métodos de referencia (por ejemplo, acoplado de cúmulos) en regímenes de fuerte correlación.

## Qué significa para la carrera IA-ciencia

El mensaje al ecosistema es doble. Para la **química y los materiales**, la IA no sustituye a la física cuántica: **la aproxima** con una relación **precisión/coste** cada vez más atractiva en supercomputadores modernos. Para el **HPC**, demuestra que el camino de la exaescala no solo sirve para ganar *benchmarks*, sino para **abrir ciencia nueva** cuando se alinean **algoritmo, arquitectura y software**.

A medio plazo, cabe esperar **colaboraciones** cruzadas: grupos de química aportando **conjuntos de validación y métricas**; equipos de HPC afinando **comunicación**, **programación heterogénea** y **almacenamiento**; y proveedores de memoria/red ofreciendo **topologías más listas para NNQS**. Si el triángulo se cierra, **materiales y fármacos** podrían beneficiarse antes de lo previsto.

## Contexto y precedentes

La idea de usar redes neuronales para funciones de onda no es nueva, pero su **salto de escala** sí lo es. La comunidad ya había presentado variantes **Transformer** para NNQS con **buenas métricas** y **escalabilidad** en problemas medianos; igualmente, el propio equipo Sunway había mostrado **simulaciones cuánticas** masivas (p. ej., circuitos aleatorios) con **eficiencia cercana al ideal**. Lo diferencial ahora es **juntar ambas cosas** —NNQS + Sunway— y demostrar **regularidad** donde antes había **irregularidad y cuellos**.

## Lo que viene

- **Más química real**: validaciones con conjuntos amplios y comparativas directas frente a métodos *ab initio* estándar.
- **I/O de nueva generación**: **redes más inteligentes** y **almacenamiento más rápido** para que el cómputo no espere a los datos.
- **Portabilidad**: reproducir estos resultados en otras arquitecturas exaescala (EE. UU., UE, Japón) para consolidar el enfoque como **herramienta de trabajo**, no solo como hito.

via: [vastdata](https://www.vastdata.com/sharedeverything/neural-networks-learn-quantum-chemistry-at-exascale) y [IEEE Explore](https://ieeexplore.ieee.org/abstract/document/11204692/authors#authors)