Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Research in Computing Science

Historial y reversibilidad en el sublenguaje clásico QML

Nely Plata César, J. Raymundo Marcial‐Romero

Published Dec 31, 2018• 1 citation
Publisher

Abstract

Resumen.La presente investigación incorpora un historial de cálculos, ajusta el modelo operacional y define las reglas para aplicar reversibilidad en el lenguaje de programación cuántico QML.Sólo se abordarán las instrucciones clásicas del lenguaje mencionado.Esto será el preámbulo para incorporar historial y reversibilidad contemplando datos y control cuántico.

DOI
10.13053/rcs-147-12-28

Related papers

Fundamentos de lenguajes de programación cuántica y sus consecuencias en sistemas clásicos

Alejandro Díaz-Caro, Pablo E. Martínez López

La computación cuántica plantea un nuevo modelo de computación que incorpora formas inéditas de pensar los problemas. Conceptos claves para ello son el enredo cuántico, el paralelismo y el no clonado. Si bien estos conceptos no tienen un correlativo en la computación clásica, su estudio puede tener consecuencias en el estudio del comportamiento probabilista y no-determinista de programas clásicos. Asimismo, la simple observación de estas nuevas formas de pensar los problemas es fuente de inspiración para resolver problemas clásicos. Este proyecto se centra en el diseño de lenguajes de programación cuántica como fin en sí mismo, y como medio para el desarrollo de lenguajes de programación clásica con características novedosas.

•Jun 6, 2019•0 citations

Métodos de Codificación para QML

Samuel Lopera Torres, Daniel Sierra Sosa, Juan Guillermo Lalinde Pulido

La fusión de la computación cuántica con el aprendizaje automático está allanando el camino para el Aprendizaje Automático Cuántico (QML, por sus siglas en inglés), un campo con el potencial de redefinir las capacidades computacionales en sectores como la criptografía, el descubrimiento de fármacos y las finanzas. En el núcleo de QML se encuentra la codificación de datos clásicos en estados cuánticos, una tarea tanto fundamental como compleja. El proceso de codificación permite representar la información clásica aprovechando las propiedades únicas de los sistemas cuánticos, como la superposición y el entrelazamiento, lo que facilita la ejecución de tareas intensivas en computación con una rapidez y eficiencia potencialmente sin precedentes.

Revista SISTEMAS•Dec 18, 2024•0 citations

Lenguajes de Programación Cuánticos (LPC)

Prieto Idarraga, Brandon Nicolai

El siguiente documento abarca una investigacion sobre lenguajes de programacion cuanticos, empezando desde lenguajes de programacion cuanticos de bajo nivel, donde se usan compuertas cuanticas basicas para programar el algoritmo cuantico de Deutsch, luego se trasplanta al la computadora cuantica de IBM accesible en la nube, donde se explica su funcionamiento a nivel de software, y las librerias que la implementan, y se experimente implementado el algoritmo de Deutsch y verificando su funcionamiento, despues se hace un avance a lenguajes de programacion cuanticos imperativos, en este caso Q y QCL, los cuales estan implementados en C y C++ respectivamente, lo cual quiere decir que solamente permiten la emulacion de una computadora cuantica, se toma como base de nuevo el algoritmo de Deutsch, y se implemente en ambos lenguajes. Y como punto final se realiza la explicacion del compilador de lenguaje ensamblador cuantico construido usando javacc para el proyecto el cual traduce de un lenguaje ensamblador preestablecido y explicado en el documento a java.

•Jan 1, 2018•0 citations

Simulación de Circuitos Cuánticos

Carlos Garrido Junco

Este documento explica las diferencias entre diferentes simuladores cuánticos que se disponen actualmente. También se hace un breve repaso de la historia de la computación cuántica, narrando sus logros y su proyección a futuro. Como necesidad impiedosa, será necesario fundamentar la base matemática en la que se basan los computadores cuánticos y sus mecanismos físicos y cómo son posibles. Para comparar los diferentes simuladores mencionados en el texto, no solo se tiene en cuenta un mero punto de rendimiento comparando con dichos algoritmos, sino también la experiencia de usuario, la cuesta de aprendizaje de estos y sus aplicaciones a futuro en entornos reales.

•Jun 15, 2025•0 citations

Algoritmos de optimización en computación cuántica

Sergio Rodríguez Vidal

Los modelos de lenguaje más avanzados superan el billón de parámetros, y el consumo eléctrico anual en EE. UU. podría alcanzar cientos de TWh esta década, evidenciando el límite energético del hardware clásico y motivando la búsqueda de sustratos. La computación cuántica, al explotar el vasto espacio de Hilbert de los cúbits, promete redes neuronales cuánticas (QNNs) capaces de representar funciones mucho más complejas por parámetro. El proyecto "Hacia una Ventaja Cuántica en Arquitecturas Deep Learning" reduce la barrera de entrada mediante dos recursos gratuitos. Primero, un libro online (https://seroviicai.github.io/torch-quantum/book) condensa teoría cuántica y computacional esencial, análisis de capacidad con geometría informacional y técnicas modernas de optimización de QNNs en <100 páginas; ejemplos en CUDA-Q y PyTorch guían al lector desde álgebra de un solo cúbit hasta "benchmarks" completos. Segundo, la librería Torch-Quantum (https://github.com/SeroviICAI/torch-quantum/tree/main) convierte esas ideas en mapas de características, formas variacionales, modelos y "scripts" ejecutables sin modificaciones en simuladores CPU/GPU o en procesadores cuánticos en la nube como Amazon Braket. Guiada por los principios "Usabilidad sobre Rendimiento" y "Simple sobre Fácil", los experimentos mantenienen cada operación explícita y manipulable. Los experimentos con estas herramientas muestran que las QNNs alcanzan mayor dimensión efectiva (i.e. mayor expresividad) que redes clásicas con igual número de parámetros, logrando precisión casi perfecta en benchmarks pequeños como Iris y Wine tras pocas iteraciones, y estableciendo resultados estado-del-arte para modelos puramente cuánticos, incluyendo OptDigits. A mayor escala, los gradientes se encarecen bajo la regla de desplazamiento de parámetros y pueden desaparecer en "barren plateaus". El libro presenta estrategias de mitigación como retropropagaciones alternativas (e.g. métodos con tomografía de sombras y memoria cuántica), optimizadores de gradiente natural y entrenamiento por capas, animando al lector a perfeccionarlas. Al unir contexto, teoría y código, el proyecto ofrece una puerta única al avance colaborativo hacia el aprendizaje profundo cuántico.

•Sep 27, 2024•0 citations

A history and reversibility for quantum programming language QML.

Nely Plata César, J. Raymundo Marcial‐Romero, José Antonio Hernández Servín

•Jan 1, 2018•0 citations
Resumen.La presente investigación incorpora un historial de cálculos, ajusta el modelo operacional y define las reglas para aplicar reversibilidad en el lenguaje de programación cuántico QML.Sólo se abordarán las instrucciones clásicas del lenguaje mencionado.Esto será el preámbulo para incorporar historial y reversibilidad contemplando datos y control cuántico.
La computación cuántica plantea un nuevo modelo de computación que incorpora formas inéditas de pensar los problemas. Conceptos claves para ello son el enredo cuántico, el paralelismo y el no clonado. Si bien estos conceptos no tienen un correlativo en la computación clásica, su estudio puede tener consecuencias en el estudio del comportamiento probabilista y no-determinista de programas clásicos. Asimismo, la simple observación de estas nuevas formas de pensar los problemas es fuente de inspiración para resolver problemas clásicos. Este proyecto se centra en el diseño de lenguajes de programación cuántica como fin en sí mismo, y como medio para el desarrollo de lenguajes de programación clásica con características novedosas.
La fusión de la computación cuántica con el aprendizaje automático está allanando el camino para el Aprendizaje Automático Cuántico (QML, por sus siglas en inglés), un campo con el potencial de redefinir las capacidades computacionales en sectores como la criptografía, el descubrimiento de fármacos y las finanzas. En el núcleo de QML se encuentra la codificación de datos clásicos en estados cuánticos, una tarea tanto fundamental como compleja. El proceso de codificación permite representar la información clásica aprovechando las propiedades únicas de los sistemas cuánticos, como la superposición y el entrelazamiento, lo que facilita la ejecución de tareas intensivas en computación con una rapidez y eficiencia potencialmente sin precedentes.
El siguiente documento abarca una investigacion sobre lenguajes de programacion cuanticos, empezando desde lenguajes de programacion cuanticos de bajo nivel, donde se usan compuertas cuanticas basicas para programar el algoritmo cuantico de Deutsch, luego se trasplanta al la computadora cuantica de IBM accesible en la nube, donde se explica su funcionamiento a nivel de software, y las librerias que la implementan, y se experimente implementado el algoritmo de Deutsch y verificando su funcionamiento, despues se hace un avance a lenguajes de programacion cuanticos imperativos, en este caso Q y QCL, los cuales estan implementados en C y C++ respectivamente, lo cual quiere decir que solamente permiten la emulacion de una computadora cuantica, se toma como base de nuevo el algoritmo de Deutsch, y se implemente en ambos lenguajes. Y como punto final se realiza la explicacion del compilador de lenguaje ensamblador cuantico construido usando javacc para el proyecto el cual traduce de un lenguaje ensamblador preestablecido y explicado en el documento a java.
Este documento explica las diferencias entre diferentes simuladores cuánticos que se disponen actualmente. También se hace un breve repaso de la historia de la computación cuántica, narrando sus logros y su proyección a futuro. Como necesidad impiedosa, será necesario fundamentar la base matemática en la que se basan los computadores cuánticos y sus mecanismos físicos y cómo son posibles. Para comparar los diferentes simuladores mencionados en el texto, no solo se tiene en cuenta un mero punto de rendimiento comparando con dichos algoritmos, sino también la experiencia de usuario, la cuesta de aprendizaje de estos y sus aplicaciones a futuro en entornos reales.
Los modelos de lenguaje más avanzados superan el billón de parámetros, y el consumo eléctrico anual en EE. UU. podría alcanzar cientos de TWh esta década, evidenciando el límite energético del hardware clásico y motivando la búsqueda de sustratos. La computación cuántica, al explotar el vasto espacio de Hilbert de los cúbits, promete redes neuronales cuánticas (QNNs) capaces de representar funciones mucho más complejas por parámetro. El proyecto "Hacia una Ventaja Cuántica en Arquitecturas Deep Learning" reduce la barrera de entrada mediante dos recursos gratuitos. Primero, un libro online (https://seroviicai.github.io/torch-quantum/book) condensa teoría cuántica y computacional esencial, análisis de capacidad con geometría informacional y técnicas modernas de optimización de QNNs en <100 páginas; ejemplos en CUDA-Q y PyTorch guían al lector desde álgebra de un solo cúbit hasta "benchmarks" completos. Segundo, la librería Torch-Quantum (https://github.com/SeroviICAI/torch-quantum/tree/main) convierte esas ideas en mapas de características, formas variacionales, modelos y "scripts" ejecutables sin modificaciones en simuladores CPU/GPU o en procesadores cuánticos en la nube como Amazon Braket. Guiada por los principios "Usabilidad sobre Rendimiento" y "Simple sobre Fácil", los experimentos mantenienen cada operación explícita y manipulable. Los experimentos con estas herramientas muestran que las QNNs alcanzan mayor dimensión efectiva (i.e. mayor expresividad) que redes clásicas con igual número de parámetros, logrando precisión casi perfecta en benchmarks pequeños como Iris y Wine tras pocas iteraciones, y estableciendo resultados estado-del-arte para modelos puramente cuánticos, incluyendo OptDigits. A mayor escala, los gradientes se encarecen bajo la regla de desplazamiento de parámetros y pueden desaparecer en "barren plateaus". El libro presenta estrategias de mitigación como retropropagaciones alternativas (e.g. métodos con tomografía de sombras y memoria cuántica), optimizadores de gradiente natural y entrenamiento por capas, animando al lector a perfeccionarlas. Al unir contexto, teoría y código, el proyecto ofrece una puerta única al avance colaborativo hacia el aprendizaje profundo cuántico.