Este artículo aborda el problema de la caracterización eficiente de sistemas cuánticos a gran escala, como simuladores analógicos cuánticos y computadoras megacuánticas. Esto representa un desafío significativo en la ciencia cuántica, ya que el espacio de Hilbert de un sistema cuántico crece exponencialmente con el tamaño del sistema. Este artículo destaca que los avances recientes en inteligencia artificial (IA), que destaca en el reconocimiento de patrones de alta dimensión y la aproximación de funciones, se han convertido en herramientas poderosas para resolver este desafío. La investigación sobre la representación y caracterización de sistemas cuánticos escalables mediante IA ha sido extensa, abarcando desde fundamentos teóricos hasta implementaciones experimentales. Estos esfuerzos pueden clasificarse en tres paradigmas sinérgicos, que incluyen el aprendizaje automático (especialmente el aprendizaje profundo) y los modelos de lenguaje, según la integración de la IA. Este artículo analiza cómo cada paradigma de IA contribuye a dos desafíos fundamentales en la caracterización de sistemas cuánticos: la predicción de propiedades cuánticas y la generación de modelos sustitutos de estados cuánticos. Estos desafíos sustentan diversas aplicaciones, que van desde la autenticación y la evaluación comparativa cuánticas hasta la mejora de los algoritmos cuánticos y la comprensión de las fases de la materia fuertemente correlacionada. También analiza los desafíos clave, las cuestiones pendientes y las perspectivas futuras para la interfaz entre la IA y la ciencia cuántica.
