13 lenguajes y herramientas de programación cuántica imprescindibles para 2026

Los lenguajes de programación cuántica están emergiendo rápidamente como herramientas cruciales en la era incipiente de la computación cuántica. Esta nueva generación de lenguajes permite a desarrolladores e investigadores interactuar con qubits y diseñar algoritmos que pronto podrían superar a sus homólogos clásicos por órdenes de magnitud.

En 2025, se han introducido más de 37 lenguajes de programación cuántica distintos, cada uno adaptado a modelos, hardware y casos de uso específicos de la computación cuántica. Colectivamente, estos lenguajes reflejan los diversos enfoques en computación cuántica, desde sistemas basados en puertas y circuitos variacionales hasta modelos adiabáticos e híbridos clásico-cuánticos. [1]

A continuación, destaco los principales lenguajes de programación cuántica que permiten a los desarrolladores aprovechar eficazmente las peculiaridades de la mecánica cuántica para resolver problemas complejos.

¿Sabías que?

GitHub alberga más de 21.000 repositorios de software cuántico, reflejando un crecimiento del 200 % desde 2017. Estos repositorios han atraído contribuciones de más de 10.000 desarrolladores únicos, con commits de código superando colectivamente 1,2 millones de líneas. [2]

Los 13 lenguajes y herramientas cuánticas principales

13. Qunity

Lanzamiento inicial: 2022
Creado por: Investigadores independientes y contribuyentes open-source
Fortaleza única: Enfoque quantum-first y modelo de abstracción limpio
Mejor para: Investigadores que buscan un toolkit ligero sin vendor lock-in

Qunity es un lenguaje y framework de programación cuántica menos conocido pero visionario que combina la claridad de modelos de programación clásicos con los paradigmas únicos de la mecánica cuántica.

Está construido desde cero para ser un lenguaje nativo cuántico, imponiendo restricciones mecánicas cuánticas (como no-clonación y evolución unitaria) tanto a nivel de sistema de tipos como de lógica.

Aunque se inspira en lenguajes clásicos como C y Python, adapta la sintaxis y semántica para ser naturalmente compatible con principios de computación cuántica, como linealidad, reversibilidad, superposición y entrelazamiento. [3]

El diseño de Qunity es modular y pretende ser agnóstico al backend, con soporte para simuladores y capas de compatibilidad en desarrollo para apuntar a procesadores cuánticos reales en el futuro.

12. TKET

Lanzamiento inicial: 2019
Creado por: Quantinuum
Fortaleza única: Maneja inteligentemente restricciones de hardware
Mejor para: Optimización de circuitos agnóstica al hardware; herramientas de nivel producción

TKET actúa principalmente como un compilador optimizador de nivel intermedio y framework de ejecución que interfaz entre programas cuánticos de alto nivel y diversos targets de hardware cuántico.

TKET se centra en optimización de circuitos cuánticos, síntesis de puertas y enrutamiento de qubits. Transforma algoritmos cuánticos abstractos en instrucciones compatibles con hardware con profundidad mínima y tasas de error reducidas.

Su capacidad para manejar inteligentemente restricciones de hardware (como limitaciones de conectividad de qubits, fidelidades de puertas y sets de instrucciones nativas) le permite generar circuitos más eficientes con menor conteo de puertas y tiempos de ejecución más cortos.

En benchmarks independientes, TKET ha mostrado hasta un 40 % menos de conteo de puertas y un 25-30 % tiempos de ejecución más rápidos comparado con compiladores nativos en algunos casos de uso.

11. ProjectQ

Lanzamiento inicial: 2016
Creado por: ETH Zurich
Fortaleza única: Diseño modular orientado a compilador
Mejor para: Investigación en compiladores cuánticos y fines educativos

ProjectQ proporciona una plataforma de computación cuántica modular y extensible para investigadores, desarrolladores y educadores.

Escrito en Python, fue uno de los primeros SDKs cuánticos que enfatizó una arquitectura basada en compilador, donde los programas cuánticos se traducen a representaciones intermedias antes de ejecutarse en simuladores o hardware cuántico real.

ProjectQ enfatiza la modularidad, permitiendo a desarrolladores definir programas cuánticos en estilo Python, compilarlos usando pipelines personalizables y ejecutarlos en simuladores integrados o backends como IBM Quantum Experience. Además, el diseño centrado en compilador permite control fino sobre optimización, descomposición de puertas y traducción específica al target. [4]

También soporta emulación de circuitos cuánticos, simulación de función de onda, emulación de matriz unitaria y puede servir como campo de pruebas experimental para investigación en compiladores, corrección de errores cuánticos y estudios de optimización.

10. Quantum Computation Language (QCL)

Lanzamiento inicial: 2000
Creado por: Bernhard Ömer
Fortaleza única: Acceso claro y de bajo nivel al estado cuántico
Mejor para: Aprender estructura híbrida clásico-cuántica

QCL es uno de los primeros lenguajes de programación de alto nivel construidos específicamente para computación cuántica.

En una época donde la programación cuántica se hacía mayormente a nivel matemático o de circuitos, QCL introdujo sintaxis estructurada, variables, condicionales, bucles y funciones modulares —sentando esencialmente las bases para lenguajes cuánticos de alto nivel posteriores.

Separa computación clásica y cuántica, donde los registros clásicos gestionan el flujo de control, mientras que los registros cuánticos (quregs) almacenan y manipulan estados cuánticos. El lenguaje introdujo muchos de los constructores de programación ahora comunes para computación cuántica, como operadores unitarios, instrucciones de medida, computación reversible y qubits ancilla para uso temporal.

Aunque QCL no está ligado a hardware cuántico comercial, sigue siendo una herramienta valiosa en entornos académicos e investigación, particularmente para enseñanza y simulación de algoritmos cuánticos.

9. Strawberry Fields

Lanzamiento inicial: 2018
Creado por: Xanadu
Fortaleza única: Enfoque exclusivo en computación cuántica de variable continua (CV)
Mejor para: Simular y programar sistemas cuánticos fotónicos

Strawberry Fields es una librería de programación cuántica full-stack, open-source, adaptada para computación cuántica de variable continua (CV). Está específicamente diseñada para circuitos cuánticos fotónicos que usan estados cuánticos de luz (como estados comprimidos, coherentes y gaussianos) para realizar computaciones.

En su núcleo, Strawberry Fields aprovecha el lenguaje de ensamblaje cuántico Blackbird. Esto permite a desarrolladores diseñar, simular y optimizar circuitos cuánticos fotónicos usando tanto modelos basados en puertas como workflows de machine learning.

Puede usarse junto con PennyLane (otro proyecto de Xanadu) para facilitar computaciones híbridas cuántico-clásicas y aplicaciones de machine learning. La plataforma es adecuada para casos de uso en machine learning cuántico, química cuántica, criptografía cuántica CV e investigación en óptica cuántica. [5]

8. Ocean

Lanzamiento inicial: 2018
Creado por: D-Wave Systems
Fortaleza única: Diseñado para recocido cuántico; soporta solvers híbridos
Mejor para: Resolver problemas de optimización combinatoria

Ocean es un framework de programación cuántica open-source específicamente diseñado para ayudar a usuarios a desarrollar y optimizar problemas para recocedores cuánticos —un paradigma muy diferente de computadoras cuánticas basadas en puertas. [6]

No es un lenguaje de programación en el sentido tradicional, sino una toolchain construida en Python que traduce problemas definidos por el usuario (principalmente de optimización) a una forma resoluble por el hardware de recocido cuántico de D-Wave.

La arquitectura modular de Ocean la hace altamente extensible para desarrolladores e investigadores trabajando en solvers personalizados o heurísticas de optimización. Es ideal para abordar problemas de optimización combinatoria como routing de vehículos, optimización de carteras, planificación y tareas de machine learning.

Además, Ocean se integra perfectamente con el servicio cloud Leap de D-Wave, proporcionando a desarrolladores acceso inmediato a hardware y recursos cuánticos. En 2025, D-Wave anunció la disponibilidad general de su sistema Advantage2, con más de 4.400 qubits. Ocean se ha actualizado para soportar completamente este sistema de próxima generación.

7. QuTiP

Lanzamiento inicial: 2012
Creado por: Johannes Johansson, Paul Nation y colaboradores
Fortaleza única: Potencia de simulación centrada en física
Mejor para: Investigación teórica y modelado

QuTiP es un framework open-source integral que se centra en simular la física de sistemas cuánticos, particularmente en evolución en tiempo continuo, ecuaciones maestras y dinámicas no unitarias.

Escrito en Python y optimizado usando NumPy, SciPy y Cython, QuTiP es eficiente para computaciones numéricas. Permite a investigadores modelar y resolver ecuaciones de Schrödinger dependientes del tiempo, ecuaciones maestras de Lindblad y ecuaciones de movimiento de Heisenberg, centrales en mecánica cuántica. [7]

QuTiP también proporciona una suite de solvers, incluyendo mesolve para ecuaciones maestras de Lindblad, sesolve para ecuaciones de Schrödinger y mcsolve para simulaciones Monte Carlo. Estos solvers permiten el estudio de sistemas cuánticos cerrados y abiertos bajo diversas condiciones.

Estas capacidades lo hacen ampliamente usado en campos como óptica cuántica, termodinámica cuántica, QED de cavidad e investigación en qubits superconductores.

6. PennyLane

Lanzamiento inicial: 2018
Creado por: Xanadu
Fortaleza única: Integración con ecosistemas clásicos de machine learning
Mejor para: Machine learning cuántico; modelos híbridos clásico-cuánticos

PennyLane es una librería open-source de computación cuántica basada en Python que integra computación cuántica con workflows de machine learning, ofreciendo herramientas para diferenciación automática de circuitos cuánticos.

Puentea computación cuántica y optimización clásica aprovechando frameworks como PyTorch, TensorFlow y JAX. Esto permite a desarrolladores incrustar nodos cuánticos en modelos de machine learning clásicos.

PennyLane soporta diversos hardware y simuladores cuánticos a través de su sistema de plugins, permitiendo a desarrolladores ejecutar circuitos cuánticos en diferentes backends sin modificar su código. Esta flexibilidad la convierte en una herramienta valiosa tanto para investigación como para aplicaciones prácticas en computación cuántica. [8]

La librería también ofrece funcionalidades especializadas para química cuántica, como solvers Hartree-Fock diferenciables y herramientas para construir Hamiltonianos moleculares. Estas características permiten a investigadores realizar simulaciones de química cuántica con técnicas de optimización basadas en gradientes.

5. OpenQASM

Lanzamiento inicial: 2017
Creado por: IBM Research
Fortaleza única: Soporta neutralidad de hardware, facilita interoperabilidad
Mejor para: Definir circuitos y secuencias de puertas de bajo nivel

OpenQASM (Open Quantum Assembly Language) es una representación intermedia agnóstica al hardware para circuitos cuánticos que proporciona una sintaxis de estilo ensamblador de bajo nivel para operaciones de puertas cuánticas.

El lenguaje se centra particularmente en expresar circuitos cuánticos en formato legible por máquina y humano. Permite la descripción precisa de instrucciones a nivel de puerta, incluyendo asignación de qubits, aplicación de puertas cuánticas, mediciones, interacciones con registros clásicos y lógica condicional.

OpenQASM ha evolucionado hasta convertirse en un estándar ampliamente aceptado para expresar programas cuánticos de forma estructurada y declarativa. Investigaciones recientes se han centrado en habilitar la verificación y formalización de computación híbrida cuántico-clásica con OpenQASM 3, destacando el potencial del lenguaje para análisis y validación rigurosos de programas.

4. PyQuil

Lanzamiento inicial: 2017
Creado por: Rigetti Computing
Fortaleza única: Compilación paramétrica, capa de simulación realista
Mejor para: Ejecutar programas en hardware y simuladores de Rigetti

PyQuil es una librería open-source de programación cuántica construida para crear y ejecutar programas cuánticos usando el protocolo Quil (Quantum Instruction Language).

Escrito en Python, PyQuil sirve como herramienta principal para interactuar con la plataforma Forest de Rigetti y procesadores cuánticos Aspen, basados en arquitecturas de qubits superconductores. A diferencia de abstracciones basadas en Python en otros frameworks, Quil da a desarrolladores más transparencia sobre lo que realmente se ejecuta en el hardware cuántico, lo que es invaluable para depuración y ajuste de rendimiento. [9]

Está especialmente orientado a computación NISQ (Noisy Intermediate-Scale Quantum), proporcionando a desarrolladores una interfaz expresiva pero de bajo nivel para construir y simular circuitos cuánticos.

PyQuil ofrece una fuerte combinación de abstracción y optimización, junto con una capa de simulación realista (QVM) que imita de cerca el comportamiento del hardware. Los desarrolladores pueden compilar circuitos para que coincidan con las restricciones reales del hardware de Rigetti, como conectividad de qubits, sets de puertas nativas y perfiles de ruido.

Combinado con acceso a QPUs Aspen de Rigetti, esto hace de PyQuil una herramienta práctica y de alta fidelidad para investigación y testing.

3. Q#

Lanzamiento inicial: 2017
Creado por: Microsoft
Fortaleza única: Herramientas de simulación integradas, librerías cuánticas modulares
Mejor para: Desarrollo de algoritmos de grado empresarial

Q# (Q-sharp) es un lenguaje de programación cuántico específico de dominio que usa un sistema de tipos fuerte y exige separación estricta entre datos cuánticos y clásicos para minimizar errores de programación.

A diferencia de frameworks como Qiskit y Cirq construidos sobre lenguajes de propósito general como Python, Q# está diseñado desde cero específicamente para computación cuántica.

Q# destaca por su estructura formal, seguridad de tipos fuerte y escalabilidad a largo plazo. Cuenta con tipado estático fuerte y comprobación de errores en tiempo de compilación, reduciendo significativamente el riesgo de bugs. Una de sus fortalezas clave son las herramientas integradas de estimación de recursos, que permiten a desarrolladores no solo simular circuitos cuánticos sino también evaluar su coste en términos de qubits, conteo de puertas y profundidad de circuito.

Viene con una rica librería de operaciones cuánticas pre-construidas, como transformada de Fourier cuántica, amplificación de amplitud y búsqueda de Grover. Además, está profundamente integrado en la plataforma Azure Quantum de Microsoft, así como en Visual Studio, Visual Studio Code y Jupyter Notebooks. [10]

2. Cirq

Lanzamiento inicial: 2018
Creado por: Google AI Quantum Team
Fortaleza única: Orientado a hardware, control a nivel de precisión
Mejor para: Circuitos personalizados para dispositivos NISQ, simulaciones cuánticas

Cirq es un framework de programación cuántica open-source diseñado principalmente para soportar dispositivos NISQ (Noisy Intermediate-Scale Quantum). Ofrece a desarrolladores control fino sobre circuitos cuánticos, especialmente donde la topología de hardware y propiedades de ruido importan.

Cirq utiliza una arquitectura basada en momentos. Organiza operaciones en "Momentos" basados en tiempo, permitiendo mejor simulación de tiempos de ejecución y facilitando la incorporación de modelos realistas de ruido y decoherencia. [11]

A diferencia de frameworks de alto nivel que se centran en algoritmos cuánticos abstractos, Cirq enfatiza el control a nivel de puerta y planificación de circuitos. Esto permite a investigadores experimentar con optimizaciones conscientes del hardware y benchmark de operaciones cuánticas.

Cirq se usa a menudo como capa base de programación para TensorFlow Quantum. También es el lenguaje nativo para interactuar con los procesadores cuánticos superconductores de Google, como Sycamore y Bristlecone.

1. Qiskit

Lanzamiento inicial: 2017
Creado por: IBM Research
Fortaleza única: Integración vertical profunda con hardware cuántico de IBM
Mejor para: Diseño de circuitos, prototipado de algoritmos cuánticos, simulaciones híbridas

Qiskit es un lenguaje de programación cuántica open-source que empodera a desarrolladores e investigadores para involucrarse con computación cuántica desde perspectivas teórica y práctica, desde simular circuitos cuánticos hasta desplegarlos en procesadores cuánticos superconductores de IBM.

Construido en Python, Qiskit soporta el modelo basado en puertas de computación cuántica y ha sido integrado estrechamente con el hardware cuántico cloud de IBM.

La plataforma ha evolucionado más allá de un SDK básico hacia una pila integral que incluye librerías de algoritmos de alto nivel (como Qiskit Machine Learning, Nature, Optimization), constructores de circuitos de nivel medio e incluso control a nivel de pulso mediante Qiskit Pulse. Esta arquitectura en capas permite a desarrolladores crear, experimentar y optimizar programas cuánticos en cada nivel de abstracción.

Una de las características más innovadoras de Qiskit es su acceso en tiempo real a hardware cuántico real vía IBM Quantum Experience, que alberga procesadores cuánticos con 5, 16, 27 y 127+ qubits. Esto ha dado a miles de desarrolladores experiencia práctica con ruido cuántico real y limitaciones de dispositivos.

En los últimos años, Qiskit ha emergido como una de las plataformas más accesibles y ampliamente adoptadas en computación cuántica. Se ha instalado más de 6 millones de veces, con alrededor de 300.000 nuevas instalaciones cada mes. Con más de 2.000 forks y 8.000 contribuciones en GitHub, Qiskit también ha permitido la ejecución de más de 3 billones de circuitos cuánticos hasta la fecha. [12]

Leer más

• 21 datos más interesantes sobre computadoras cuánticas
• 15 procesadores cuánticos con nuevo paradigma computacional

Fuentes citadas y referencias adicionales

1. Felipe Ferreira, An exploratory study on the usage of quantum programming languages, ScienceDirect
2. Krishna Upadhyay, Analyzing the evolution and maintenance of quantum computing repositories, arXiv
3. Finn Voichick, A unified language for quantum and classical computing, arXiv
4. ProjectQ, An open-source software effort for quantum computing, arXiv
5. Documentation, PennyLane-Strawberry fields plugin, PennyLane
6. Documentation, How to optimize business problems using quantum-classical hybrid solvers, D-Wave
7. Neill Lambert, The quantum toolbox in Python, arXiv
8. Quantum Devices, PennyLane's quantum device ecosystem with 40+ integrated options, PennyLane
9. Documentation, pyQuil allows you to build and execute Quil programs using Python, pyQuil
10. Qsharp Overview, Introduction to the quantum programming language Q#, Microsoft
11. Reference, A time-slice of operations within a circuit, Google
12. Muhammad AbuGhanem, IBM quantum computers: evolution, performance, and future directions, Springer