En este artículo, proponemos un novedoso algoritmo cuántico de Peter-Clark (qPC) para descubrir relaciones causales en datos reales con estructuras causales no lineales. A diferencia de los métodos de análisis causal existentes, que requieren suposiciones sobre la estructura subyacente del modelo, el algoritmo qPC explora las relaciones causales a partir de datos de observación extraídos de distribuciones aleatorias, basándose en pruebas de independencia condicional en el espacio de Hilbert kernel reproducible, caracterizado por circuitos cuánticos. Los resultados experimentales muestran que el algoritmo qPC supera a los algoritmos existentes, especialmente en muestras pequeñas, y permite una inferencia fiable al reducir eficazmente los falsos positivos mediante un novedoso enfoque de optimización basado en la Alineación Kernel-Target (KTA). Verificamos su eficacia mediante estudios de aplicación práctica con conjuntos de datos de precios de vivienda, enfermedades cardíacas y sistemas de señalización biológica en Boston.
