El objetivo principal de este trabajo es identificar el estado fundamental en ciertos modelos de Ising con Campo Transversal, vinculados a problemas de optimización combinatoria cuadrática en Finanzas, en concreto Diversificación y Optimización de Carteras de Inversión. Dicho estado fundamental en el sistema físico representa la solución óptima del problema combinatorio. Para ello, se emplean técnicas de Computación Cuántica Adiabática, comparándolas con algoritmos clásicos.
El objetivo principal de este trabajo es identificar el estado fundamental en ciertos modelos de Ising con Campo Transversal, vinculados a problemas de optimización combinatoria cuadrática en Finanzas, en concreto Diversificación y Optimización de Carteras de Inversión. Dicho estado fundamental en el sistema físico representa la solución óptima del problema combinatorio. Para ello, se emplean técnicas de Computación Cuántica Adiabática, comparándolas con algoritmos clásicos.
La optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.
La computación cuántica es un campo de la informática que utiliza principios de la física cuántica para la resolución de problemas de manera más eficiente que la computación clásica, especialmente en áreas como la optimización. Por otro lado, la bioinformática es un campo que combina elementos de la biología y la informática para analizar grandes conjuntos de datos biológicos. Un ejemplo destacado de esta disciplina es la genómica, que incluye la generación de árboles filogenéticos, herramientas clave para entender la evolución biológica de especies. La reconstrucción de estos árboles representa un problema computacional muy complicado de resolver por su complejidad. Este trabajo explora si la computación cuántica puede ofrecer soluciones efectivas para abordar dicho problema. En este contexto, se ha estudiado el funcionamiento de la computación cuántica y de los algoritmos cuánticos de optimización, haciendo énfasis en Quantum annealing y en el algoritmo cuántico de optimización aproximada (QAOA). Basándose en estos enfoques, se ha desarrollado un algoritmo cuántico capaz de reconstruir filogenias mediante el corte de grafos. El algoritmo propuesto fue implementado y probado en hardware cuántico disponible actualmente, obteniendo resultados satisfactorios que demuestran su potencial para resolver problemas complejos en el área de la bioinformática.
El presente trabajo de integración curricular tiene como objetivo analizar y comparar el desempeño de un algoritmo de búsqueda clásico y de un cuántico, en específico el algoritmo de Grover, con el fin de analizar y contrastar la ventaja computacional teórica y asintótica que proporciona la computación cuántica frente a los algoritmos clásicos, considerando las limitaciones del hardware cuántico actual. Se analizan las bases teóricas de estos dos enfoques, su complejidad temporal y su comportamiento frente a conjuntos de datos de tamaño distinto. La metodología que se emplea es la simulación de ambos algoritmos, es experimental, ya que permite observar y realizar comparaciones de tiempo y eficiencia para la localización de un elemento objetivo. En el caso del algoritmo cuántico, se implementa el algoritmo de Grover mediante simuladores cuánticos, analizando el impacto del número de qubits y de las iteraciones en los resultados obtenidos. Los resultados muestran que para la búsqueda clásica la complejidad de tiempo es O(n) en cambio en el caso del algoritmo de Grover esta se reduce a O(√n) siendo una mejora interesante que se centra en un n grande. A pesar de esto, existen limitaciones en la implementación de ordenadores cuánticos en la actualidad. Por último, se concluyó que el algoritmo de Grover es una alternativa bastante interesante para resolver problemas de búsqueda no estructurada y se muestra el potencial de la computación cuántica como una tecnología emergente con aplicaciones en la ingeniería.
Este trabajo estudia la computación cuántica aplicada al problema 3-SAT. Se analiza si es posible evitar un consumo de recursos que crezca exponencialmente con el tamaño del problema. Para ello, se implementa y compara tanto el algoritmo de Grover como el Adiabático, explorando en ambos las ventajas y desventajas que presentan. Para el algoritmo de Grover se observa que solo es apto para resolver instancias aisladas, mientras que el adiabático permite estudiar la transición de fase característica del 3-SAT, cuyo análisis, indica, al menos para los casos estudiados, que el aumento de recursos no es exponencial.
Este trabajo se centra en el estudio de algoritmos de computación cuántica, con una introducción general al marco teórico de la computación cuántica, su naturaleza, estado actual y potencial en la resolución de problemas complejos. En particular, se aborda el uso de algoritmos cuánticos en tareas de optimización, un área de gran relevancia. Se analizarán problemas de optimización de funciones, enfocándonos en la optimización de diferentes tipos de potenciales. Para ello, se implementará el algoritmo QAOA (Quantum Approximate Optimization Algorithm), uno de los algoritmos cuánticos más representativos en este ámbito. Con el objetivo de contextualizar su rendimiento, se compararán sus resultados con los obtenidos mediante algoritmos clásicos de optimización como el método del descenso del gradiente y el método de Newton. El estudio incluirá tanto una comparación cuantitativa en términos de precisión, tiem- po de ejecución y calidad de la solución, como un análisis cualitativo de las diferencias entre enfoques clásicos y cuánticos. Asimismo, se examinará la influencia de los hiperparámetros de cada algoritmo sobre su rendimiento, con el propósito de identificar patrones o relaciones que permitan optimizar su configuración para distintos tipos de problemas.
1 Objectivos y contenidos básicos del trabajo. Esta tesis explora dos desafíos relacionados con la simulación de la ecuación no lineal de Schrodinger (NLSE) desde la perspectiva de la informática: (1) técnicas computacionales eficientes y algoritmos que explotan detalles de bajo nivel de CPUs y GPU modernas, y (2) visualización novedosa del solución mediante gráficos de computadora modernos con un motor de animación 3D. Ambos son problemas desafiantes cuya solución tendría un amplio impacto en otros campos de la ciencia computacional. Para un físico cuyo objetivo es estudiar el comportamiento de los procesos físicos descritos por NLSE, desarrollar software cuidadosamente diseñado y optimizado que gestione adecuadamente la CPU subyacente y el hardware de la GPU está más allá del alcance de sus objetivos. Para esto, se requieren conocimientos técnicos especializados de hardware multiproceso - dentro del ámbito de las ciencias de la computación - para que las rutinas de bajo nivel escritas cuidadosamente accedan a la memoria a fin de minimizar los requisitos de ancho de banda y contención. También se requiere altos conocimientos en informática para aprovechar las representaciones de animaciones 3D en la actualidad. Por lo tanto, es en esta interfaz entre la física computacional y la informática pura donde esta tesis pretende hacer contribuciones prácticas y fundamentales. Los objetivos específicos y las contribuciones de la tesis son los siguientes: Realizar simulaciones PDE no lineales con el método pseudo-espectral lo más rápido posible, disponible a través de un Kernel JIT personalizado: Desarrollar un código multihilo personalizado de bajo nivel optimizado para la GPU al que se pueda acceder como Kernel JIT de alto nivel basado en Numba, que utilice técnicas numéricas y de computación que se asignan directamente al hardware de CPU / GPU, específicamente para el problema de resolver PDE con los métodos pseudo-espectrales split-step . Desarrollar métodos que aceleren el cálculo para casos de NLSE que causan inestabilidades. Para esto se explorarán algoritmos numéricos que combinan el método pseudo-espectral con el método de malla adaptable. Se hará especial hincapié en el aspecto informático de dividir el problema de manera eficiente. Realizar nuevas visualizaciones para ondas cuánticas: desarrollar un conjunto de métodos novedosos para la visualización científica en la propagación de ondas mecánicas cuánticas, simuladas numéricamente con técnicas de animación en 3D. Se debe desarrollar una herramienta software que sea una extensión de un editor en 3D, que permita interactuar a través de fly-thrus con soluciones PDE simuladas y renderizadas, a través del motor 3D. Este trabajo también impactará directamente los resultados de un proyecto recientemente aceptado "Ondas no lineales y materia oscura emergente".