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

Convergencia entre la computación cuántica e inteligencia artificial

Cuervo Vanegas, Armando

Published Aug 28, 2025• 0 citations
Publisher

Abstract

Este documento desarrolla un análisis integral y profundamente técnico sobre la convergencia entre la computación cuántica y la inteligencia artificial, examinando los fundamentos físicos, algorítmicos y computacionales que están dando forma a un nuevo paradigma tecnológico. El texto expone de manera rigurosa los conceptos esenciales de qubits, superposición, entrelazamiento, algoritmos cuánticos de referencia y la evolución hacia la era NISQ, junto con una explicación detallada del aprendizaje automático moderno, sus limitaciones y la motivación para buscar aceleración cuántica. A partir de ese marco, se presenta un estudio completo de la inteligencia artificial cuántica (QAI), incluyendo arquitecturas híbridas, modelos nativos cuánticos, algoritmos variacionales, kernels cuánticos, aprendizaje supervisado y no supervisado cuántico, refuerzo cuántico, métodos generativos y optimización combinatoria mediante QAOA y recocido cuántico. El documento analiza aplicaciones sectoriales reales en salud, finanzas, energía, transporte, defensa y seguridad, así como estudios y casos documentados en laboratorios líderes como Google, IBM, RIKEN, NASA, USRA y múltiples startups especializadas. Profundiza en cómo la IA clásica potencia el desarrollo cuántico por medio de calibración autónoma, mitigación y corrección de errores, optimización experimental y descubrimiento automático de algoritmos. Finalmente, se abordan los desafíos técnicos, computacionales, éticos y teóricos que enfrenta la IA cuántica, incluyendo limitaciones del hardware NISQ, carga y extracción de datos, barren plateaus, ausencia de ventaja cuántica práctica demostrada y vacíos normativos emergentes. Dirigido a investigadores, ingenieros, decisores estratégicos y profesionales en ciencia de datos, computación cuántica, IA, ciberseguridad y prospectiva tecnológica que buscan comprender el estado del arte y las implicaciones geopolíticas y científicas de esta convergencia en rápido crecimiento.

DOI
10.5281/zenodo.17618704

Related papers

Algoritmos Cuánticos Variacionales: Teoría y Simulación

Rafael Blasco Lorenzo

La computación cuántica es un paradigma de computación basado en las propiedades de la mecánica cuántica. Su unidad básica de información es el qubit, que permite estar en una superposición de múltiples estados. Esta propiedad, entre otras, permite la representación y manipulación de información de maneras que presentan potenciales ventajas respecto de otros tipos de computación. Sin embargo los ordenadores cuánticos actuales están limitados por la cantidad de ruido que sufren sus qubits. Los algoritmos cuánticos variacionales son una familia de arquitecturas de algoritmos cuánticos que surgen como una oportunidad en esta situación ya que debido a sus propiedades son capaces de alcanzar buenos resultados a pesar del ruido. La efectividad de esta aproximación depende de diversos factores como la tarea a resolver, el circuito cuántico utilizado, la optimización clásica, etc. que deben ser adaptados en cada situación. El objetivo de este proyecto es comprender y estudiar esta familia de arquitecturas desde sus fundamentos teóricos, y posteriormente realizar simulaciones que pongan en práctica estos conceptos. Para ello en la primera sección se definen los principios teóricos de la computación cuántica, para luego definir la arquitectura común entre los algoritmos variacionales y finalmente concretar en tres implementaciones relevantes, que después de exponerse serán implementadas con herramientas software de simulación de computación cuántica.

•Jul 31, 2026•0 citations

Estado del arte en el desarrollo de algoritmos cuánticos de corrección de errores y sus aplicaciones prácticas

Ariana Celena Mendoza Suquilanda Mendoza Suquilanda, Deysi Maribel Soto Cañar Soto Cañar, Elvia Corina Tenechagua Ayora Tenechagua Ayora +1 more

La corrección cuántica de errores constituye una condición esencial para construir computadores cuánticos capaces de ejecutar algoritmos largos y fiables. A diferencia de la corrección clásica, debe proteger estados cuánticos sin medir directamente ni destruir la información codificada, mediante redundancia, mediciones de síndrome y decodificación. El objetivo de este artículo es revisar el estado del arte entre 2020 y 2026, considerando códigos de superficie, códigos cuánticos de baja densidad de paridad (qLDPC), códigos bosónicos, decodificadores y circuitos dinámicos, así como su relación con aplicaciones prácticas. Se desarrolló una revisión narrativa de literatura científica y fuentes institucionales, con énfasis en resultados experimentales recientes y en las limitaciones que separan las demostraciones de memoria lógica de la ejecución de algoritmos útiles a gran escala. La literatura muestra avances en operación por debajo del umbral, reducción de errores lógicos al aumentar la distancia del código, decodificación en tiempo real y arquitecturas alternativas que buscan reducir el costo físico. Sin embargo, persisten desafíos relacionados con errores correlacionados, fuga de estados computacionales, conectividad, latencia, recursos para puertas lógicas tolerantes a fallos y escalabilidad. Las aplicaciones más prometedoras incluyen simulación cuántica, química y materiales, optimización y criptografía, aunque la corrección de errores no demuestra por sí sola una ventaja práctica en esas tareas. Se concluye que el progreso debe evaluarse por la calidad de los qubits lógicos, el costo total de recursos y la ejecución fiable de circuitos completos, no solo por el número de qubits físicos.

InnovaSciT•Oct 10, 2026•0 citations

Redes neuronales cuánticas y sus desafíos en la teoría de errores

Manuel Esparcia Cantos

Este Trabajo de Fin de Grado tiene como propósito explorar y divulgar los avances más recientes en el fascinante campo de la computación cuántica, centrándose especialmente en su integración con el aprendizaje profundo. En concreto, se analizará el prometedor enfoque de las redes neuronales cuánticas (Quantum Neural Networks, QNN). La estructura del trabajo se organiza en cuatro bloques temáticos bien diferenciados que permiten abordar de forma progresiva los conceptos clave: En primer lugar, se explican los fundamentos de las Redes Neuronales Clásicas, donde se analizan conceptos como las funciones de activación, las funciones de pérdida, el algoritmo de retropropagación y el proceso completo de entrenamiento. En segundo lugar, nos adentraremos en los pilares de la computación cuántica. Estudiaremos elementos fundamentales como el qubit y las puertas cuánticas, componentes que permiten manipular estados cuánticos. A continuación, con ambas bases teóricas establecidas, abordaremos el diseño de una red neuronal cuántica, centrando la atención en los modelos basados en circuitos variacionales. Además del desarrollo teórico se incluirán ejemplos prácticos y detallados utilizando conjuntos de datos reales. Estos casos permitirán ilustrar de manera tangible cómo se aplica una red neuronal cuántica a problemas concretos, desde la preparación de los datos hasta la interpretación de resultados. Finalmente, se expondrán las principales limitaciones y desafíos que actualmente enfrentan las redes neuronales cuánticas, incluyendo aspectos como la corrección de errores.

•Jun 12, 2025•0 citations

Capitulo 1. Del algoritmo al qubit: explorando el impacto de la inteligencia artificial y la computación cuántica en la empresa digital.

Nora Gabriela Arroyo-Carranza

Este capítulo presenta una revisión documental de tipo cualitativo que analiza de forma crítica la convergencia entre la inteligencia artificial y la computación cuántica en el marco de la empresa digital contemporánea. A través de un análisis temático de literatura especializada publicada entre 2015 y 2025, la investigación examina la transición de los algoritmos deterministas clásicos hacia modelos de inteligencia artificial cuántica, destacando el uso de circuitos cuánticos variacionales y algoritmos híbridos para superar las limitaciones de la computación tradicional. El estudio sistematiza hallazgos en sectores estratégicos como la salud, la logística y la manufactura, evaluando casos reales mediante la escala de nivel de madurez tecnológica (TRL) e impacto potencial. Finalmente, el documento concluye que esta sinergia no solo representa un salto en la potencia de cálculo, sino que exige una reconfiguración de las competencias organizacionales, liderazgos multidisciplinarios y marcos éticos para gestionar la toma de decisiones en entornos de alta complejidad e incertidumbre.

Alfaomega Grupo Editor eBooks•Jan 1, 2025•0 citations

Atom SUSE Descubrimientos 2026 — Volumen VI: Inteligencia Artificial, Computación y Sistemas Complejos

ERICK OMAR SANTOS HERNANDEZ

SUSE Descubrimientos 2026 — Volumen VI: Inteligencia Artificial, Computación y Sistemas Complejos es un libro técnico de síntesis científica que examina la convergencia de la inteligencia artificial moderna, la computación cuántica, la teoría de sistemas complejos y la neurociencia computacional a través del Marco SUSE (Sistema Universal de Síntesis Expandida.La obra aborda de forma rigurosa los fundamentos históricos y arquitectónicos del aprendizaje profundo —desde el perceptrón y las redes convolucionales (CNN) hasta los modelos de transformers, la atención multi-cabeza y los modelos de difusión estocástica (DDPM)—[cite: 171, 176, 177, 181, 211]. Analiza el estado de la computación cuántica en 2026, destacando hitos como la demostración de ventaja cuántica verificable con qubits lógicos, los circuitos cuánticos variacionales (VQC) y el aprendizaje automático cuántico (QML)Asimismo, profundiza en la teoría de sistemas complejos (no-linealidad, atractor de Lorenz, caos determinístico, autómatas celulares y redes complejas) y examina el problema difícil de la consciencia mediante la Teoría de Información Integrada (IIT con la métrica \(\Phi\)) y la Global Workspace Theory (GWT) en arquitecturas artificiales[cite: 171, 172, 192, 197, 199]. Se comparan detalladamente las redes neuronales biológicas (modelo Hodgkin-Huxley) frente a las artificiales y neuromórficas, evaluando la eficiencia energética y los algoritmos de optimización avanzada como Adam, Lion y el aprendizaje por refuerzo profundo (RLHF) Finalmente, se discuten la IA generativa multimodal, la creatividad artificial, los sistemas multiagente bajo la teoría de juegos (Equilibrios de Nash y supraaditividad SUSE), así como los marcos de ética, alineación (Utility Alignment), gobernanza global de la IA y los escenarios de transición hacia la AGI y la ASI[cite: 172, 173, 211, 216, 221]. El volumen se conecta transversalmente con los demás tomos de la serie mediante la Ecuación Maestra Unificada \(\Psi_{\text{IA-SUSE}}\)El Marco SUSE y sus formalizaciones analíticas constituyen desarrollos conceptuales propios del autor, distinguiéndose de los resultados científicos y tecnológicos de las publicaciones examinadas.

•Nov 12, 2026•0 citations

Pedagogía cuántica: aplicaciones de computación cuántica en educación personalizada

Paola Alejandra Espinosa Cevallos

Este estudio exploró las aplicaciones potenciales de la computación cuántica en la educación personalizada, identificando oportunidades y desafíos teóricos en la integración de algoritmos cuánticos en sistemas de aprendizaje adaptativo. Mediante una revisión sistemática de la literatura publicada entre 2020 y 2024, se analizaron fuentes académicas relevantes sobre pedagogía cuántica, computación cuántica en educación y temas relacionados. Los resultados revelaron un impacto positivo de las tecnologías emergentes, particularmente la inteligencia artificial (IA), en la educación superior, mejorando la personalización del aprendizaje y el rendimiento académico. Se identificó una brecha significativa en la formación de profesores en física cuántica para educación secundaria, subrayando la necesidad de programas de desarrollo profesional específicos. El estudio concluyó que la integración de tecnologías como la IA y la computación cuántica tiene un gran potencial para optimizar la eficacia de los sistemas educativos personalizados. Sin embargo, se enfrentaron desafíos como la falta de formación docente adecuada y la necesidad de marcos pedagógicos específicos. Se propusieron futuras líneas de investigación, incluyendo estudios empíricos a largo plazo sobre el impacto de la pedagogía cuántica, el desarrollo de marcos pedagógicos para la integración de la computación cuántica en educación personalizada, y la exploración de la intersección entre IA y computación cuántica en contextos educativos.

Revista Científica Kosmos.•Dec 1, 2024•4 citations
Este documento desarrolla un análisis integral y profundamente técnico sobre la convergencia entre la computación cuántica y la inteligencia artificial, examinando los fundamentos físicos, algorítmicos y computacionales que están dando forma a un nuevo paradigma tecnológico. El texto expone de manera rigurosa los conceptos esenciales de qubits, superposición, entrelazamiento, algoritmos cuánticos de referencia y la evolución hacia la era NISQ, junto con una explicación detallada del aprendizaje automático moderno, sus limitaciones y la motivación para buscar aceleración cuántica. A partir de ese marco, se presenta un estudio completo de la inteligencia artificial cuántica (QAI), incluyendo arquitecturas híbridas, modelos nativos cuánticos, algoritmos variacionales, kernels cuánticos, aprendizaje supervisado y no supervisado cuántico, refuerzo cuántico, métodos generativos y optimización combinatoria mediante QAOA y recocido cuántico. El documento analiza aplicaciones sectoriales reales en salud, finanzas, energía, transporte, defensa y seguridad, así como estudios y casos documentados en laboratorios líderes como Google, IBM, RIKEN, NASA, USRA y múltiples startups especializadas. Profundiza en cómo la IA clásica potencia el desarrollo cuántico por medio de calibración autónoma, mitigación y corrección de errores, optimización experimental y descubrimiento automático de algoritmos. Finalmente, se abordan los desafíos técnicos, computacionales, éticos y teóricos que enfrenta la IA cuántica, incluyendo limitaciones del hardware NISQ, carga y extracción de datos, barren plateaus, ausencia de ventaja cuántica práctica demostrada y vacíos normativos emergentes. Dirigido a investigadores, ingenieros, decisores estratégicos y profesionales en ciencia de datos, computación cuántica, IA, ciberseguridad y prospectiva tecnológica que buscan comprender el estado del arte y las implicaciones geopolíticas y científicas de esta convergencia en rápido crecimiento.
La computación cuántica es un paradigma de computación basado en las propiedades de la mecánica cuántica. Su unidad básica de información es el qubit, que permite estar en una superposición de múltiples estados. Esta propiedad, entre otras, permite la representación y manipulación de información de maneras que presentan potenciales ventajas respecto de otros tipos de computación. Sin embargo los ordenadores cuánticos actuales están limitados por la cantidad de ruido que sufren sus qubits. Los algoritmos cuánticos variacionales son una familia de arquitecturas de algoritmos cuánticos que surgen como una oportunidad en esta situación ya que debido a sus propiedades son capaces de alcanzar buenos resultados a pesar del ruido. La efectividad de esta aproximación depende de diversos factores como la tarea a resolver, el circuito cuántico utilizado, la optimización clásica, etc. que deben ser adaptados en cada situación. El objetivo de este proyecto es comprender y estudiar esta familia de arquitecturas desde sus fundamentos teóricos, y posteriormente realizar simulaciones que pongan en práctica estos conceptos. Para ello en la primera sección se definen los principios teóricos de la computación cuántica, para luego definir la arquitectura común entre los algoritmos variacionales y finalmente concretar en tres implementaciones relevantes, que después de exponerse serán implementadas con herramientas software de simulación de computación cuántica.
La corrección cuántica de errores constituye una condición esencial para construir computadores cuánticos capaces de ejecutar algoritmos largos y fiables. A diferencia de la corrección clásica, debe proteger estados cuánticos sin medir directamente ni destruir la información codificada, mediante redundancia, mediciones de síndrome y decodificación. El objetivo de este artículo es revisar el estado del arte entre 2020 y 2026, considerando códigos de superficie, códigos cuánticos de baja densidad de paridad (qLDPC), códigos bosónicos, decodificadores y circuitos dinámicos, así como su relación con aplicaciones prácticas. Se desarrolló una revisión narrativa de literatura científica y fuentes institucionales, con énfasis en resultados experimentales recientes y en las limitaciones que separan las demostraciones de memoria lógica de la ejecución de algoritmos útiles a gran escala. La literatura muestra avances en operación por debajo del umbral, reducción de errores lógicos al aumentar la distancia del código, decodificación en tiempo real y arquitecturas alternativas que buscan reducir el costo físico. Sin embargo, persisten desafíos relacionados con errores correlacionados, fuga de estados computacionales, conectividad, latencia, recursos para puertas lógicas tolerantes a fallos y escalabilidad. Las aplicaciones más prometedoras incluyen simulación cuántica, química y materiales, optimización y criptografía, aunque la corrección de errores no demuestra por sí sola una ventaja práctica en esas tareas. Se concluye que el progreso debe evaluarse por la calidad de los qubits lógicos, el costo total de recursos y la ejecución fiable de circuitos completos, no solo por el número de qubits físicos.
Este Trabajo de Fin de Grado tiene como propósito explorar y divulgar los avances más recientes en el fascinante campo de la computación cuántica, centrándose especialmente en su integración con el aprendizaje profundo. En concreto, se analizará el prometedor enfoque de las redes neuronales cuánticas (Quantum Neural Networks, QNN). La estructura del trabajo se organiza en cuatro bloques temáticos bien diferenciados que permiten abordar de forma progresiva los conceptos clave: En primer lugar, se explican los fundamentos de las Redes Neuronales Clásicas, donde se analizan conceptos como las funciones de activación, las funciones de pérdida, el algoritmo de retropropagación y el proceso completo de entrenamiento. En segundo lugar, nos adentraremos en los pilares de la computación cuántica. Estudiaremos elementos fundamentales como el qubit y las puertas cuánticas, componentes que permiten manipular estados cuánticos. A continuación, con ambas bases teóricas establecidas, abordaremos el diseño de una red neuronal cuántica, centrando la atención en los modelos basados en circuitos variacionales. Además del desarrollo teórico se incluirán ejemplos prácticos y detallados utilizando conjuntos de datos reales. Estos casos permitirán ilustrar de manera tangible cómo se aplica una red neuronal cuántica a problemas concretos, desde la preparación de los datos hasta la interpretación de resultados. Finalmente, se expondrán las principales limitaciones y desafíos que actualmente enfrentan las redes neuronales cuánticas, incluyendo aspectos como la corrección de errores.
Este capítulo presenta una revisión documental de tipo cualitativo que analiza de forma crítica la convergencia entre la inteligencia artificial y la computación cuántica en el marco de la empresa digital contemporánea. A través de un análisis temático de literatura especializada publicada entre 2015 y 2025, la investigación examina la transición de los algoritmos deterministas clásicos hacia modelos de inteligencia artificial cuántica, destacando el uso de circuitos cuánticos variacionales y algoritmos híbridos para superar las limitaciones de la computación tradicional. El estudio sistematiza hallazgos en sectores estratégicos como la salud, la logística y la manufactura, evaluando casos reales mediante la escala de nivel de madurez tecnológica (TRL) e impacto potencial. Finalmente, el documento concluye que esta sinergia no solo representa un salto en la potencia de cálculo, sino que exige una reconfiguración de las competencias organizacionales, liderazgos multidisciplinarios y marcos éticos para gestionar la toma de decisiones en entornos de alta complejidad e incertidumbre.
SUSE Descubrimientos 2026 — Volumen VI: Inteligencia Artificial, Computación y Sistemas Complejos es un libro técnico de síntesis científica que examina la convergencia de la inteligencia artificial moderna, la computación cuántica, la teoría de sistemas complejos y la neurociencia computacional a través del Marco SUSE (Sistema Universal de Síntesis Expandida.La obra aborda de forma rigurosa los fundamentos históricos y arquitectónicos del aprendizaje profundo —desde el perceptrón y las redes convolucionales (CNN) hasta los modelos de transformers, la atención multi-cabeza y los modelos de difusión estocástica (DDPM)—[cite: 171, 176, 177, 181, 211]. Analiza el estado de la computación cuántica en 2026, destacando hitos como la demostración de ventaja cuántica verificable con qubits lógicos, los circuitos cuánticos variacionales (VQC) y el aprendizaje automático cuántico (QML)Asimismo, profundiza en la teoría de sistemas complejos (no-linealidad, atractor de Lorenz, caos determinístico, autómatas celulares y redes complejas) y examina el problema difícil de la consciencia mediante la Teoría de Información Integrada (IIT con la métrica Φ\PhiΦ) y la Global Workspace Theory (GWT) en arquitecturas artificiales[cite: 171, 172, 192, 197, 199]. Se comparan detalladamente las redes neuronales biológicas (modelo Hodgkin-Huxley) frente a las artificiales y neuromórficas, evaluando la eficiencia energética y los algoritmos de optimización avanzada como Adam, Lion y el aprendizaje por refuerzo profundo (RLHF) Finalmente, se discuten la IA generativa multimodal, la creatividad artificial, los sistemas multiagente bajo la teoría de juegos (Equilibrios de Nash y supraaditividad SUSE), así como los marcos de ética, alineación (Utility Alignment), gobernanza global de la IA y los escenarios de transición hacia la AGI y la ASI[cite: 172, 173, 211, 216, 221]. El volumen se conecta transversalmente con los demás tomos de la serie mediante la Ecuación Maestra Unificada ΨIA-SUSE\Psi_{\text{IA-SUSE}}ΨIA-SUSE​El Marco SUSE y sus formalizaciones analíticas constituyen desarrollos conceptuales propios del autor, distinguiéndose de los resultados científicos y tecnológicos de las publicaciones examinadas.
Este estudio exploró las aplicaciones potenciales de la computación cuántica en la educación personalizada, identificando oportunidades y desafíos teóricos en la integración de algoritmos cuánticos en sistemas de aprendizaje adaptativo. Mediante una revisión sistemática de la literatura publicada entre 2020 y 2024, se analizaron fuentes académicas relevantes sobre pedagogía cuántica, computación cuántica en educación y temas relacionados. Los resultados revelaron un impacto positivo de las tecnologías emergentes, particularmente la inteligencia artificial (IA), en la educación superior, mejorando la personalización del aprendizaje y el rendimiento académico. Se identificó una brecha significativa en la formación de profesores en física cuántica para educación secundaria, subrayando la necesidad de programas de desarrollo profesional específicos. El estudio concluyó que la integración de tecnologías como la IA y la computación cuántica tiene un gran potencial para optimizar la eficacia de los sistemas educativos personalizados. Sin embargo, se enfrentaron desafíos como la falta de formación docente adecuada y la necesidad de marcos pedagógicos específicos. Se propusieron futuras líneas de investigación, incluyendo estudios empíricos a largo plazo sobre el impacto de la pedagogía cuántica, el desarrollo de marcos pedagógicos para la integración de la computación cuántica en educación personalizada, y la exploración de la intersección entre IA y computación cuántica en contextos educativos.