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

Aplicaciones de la Computación Cuántica Adiabática en problemas de selección de características

Martín Marcuello Frago, David González Rojas

Published Jan 1, 2025• 0 citations
OpenAlex

Abstract

Este TFG estudia cómo aplicar computación cuántica adiabática a la selección de características en aprendizaje automático, usando modelos QUBO. Mediante simulaciones clásicas, se analiza la evolución del sistema y el papel del gap adiabático, mostrando que esta técnica puede ofrecer soluciones eficientes incluso sin hardware cuántico.

Related papers

Reconstrucción de árboles filogenéticos mediante computación cuántica

Nicolás Fernández Otero

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.

•Feb 1, 2024•0 citations

Resolución del problema 3SAT mediante computación cuántica

Diego Vallejo Miranda, José Vicente García Esteve, Alberto Aleta Casas

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.

•Jan 1, 2026•0 citations

Convergencia entre la computación cuántica e inteligencia artificial

Cuervo Vanegas, Armando

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.

•Aug 28, 2025•0 citations

Estudio comparativo de soluciones algorítmicas bajo el contexto de la computacion clásica y computación cuántica : estudio comparativo de soluciones algorítmicas bajo el contexto de la computacion clásica y computación cuántica para problemas de busqueda

Ivan Dario Simbaña Farinango

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.

•May 28, 2026•0 citations

Implementación Cuántica de un Algoritmo Genético

Mauricio Solar, Vicente Figueroa, Francisco Manriquez +2 more

Este trabajo proporciona una visión generalizada del estado actual de los algoritmos genéticos cuánticos (QGAs), mostrando los avances realizados en esta área de investigación los últimos 24 años. Los QGAs combinan conceptos de la computación cuántica y los algoritmos genéticos clásicos (CGAs), lo que les permite abordar problemas complejos de optimización y búsqueda de manera eficiente. Se presentan los principales hallazgos y contribuciones de estos algoritmos cuánticos destacando las tendencias y los enfoques más prometedores, así como los desafíos y limitaciones que deben superarse. Se presentan nuevos enfoques y técnicas de implementación de QGAs, incluyendo operadores genéticos cuánticos y esquemas de codificación eficientes que contribuyen a mejorar el rendimiento y la convergencia de los algoritmos. Se comparan los QGAs y otros enfoques similares, como los CGAs y los algoritmos cuánticos puros, destacando las ventajas y desventajas relativas de los QGAs en comparación a sus versiones clásicas. Se muestra también una implementación de QGA utilizando la biblioteca Qiskit. Se presentan la selección de los métodos usados para la generación de la población inicial, el cruzamiento y la mutación de las distintas poblaciones de los circuitos cuánticos simulados en los experimentos realizados, ejemplificando las ventajas significativas que estos pueden traer en comparación con los enfoques clásicos.

Memoria Investigaciones en Ingeniería•Dec 13, 2024•2 citations

Computación Cuántica Adiabática para problemas de optimización en Finanzas

Guillermo Burges Bruna, David González Rojas

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.

•Jan 1, 2025•0 citations
Este TFG estudia cómo aplicar computación cuántica adiabática a la selección de características en aprendizaje automático, usando modelos QUBO. Mediante simulaciones clásicas, se analiza la evolución del sistema y el papel del gap adiabático, mostrando que esta técnica puede ofrecer soluciones eficientes incluso sin hardware cuántico.
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.
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 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.
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 proporciona una visión generalizada del estado actual de los algoritmos genéticos cuánticos (QGAs), mostrando los avances realizados en esta área de investigación los últimos 24 años. Los QGAs combinan conceptos de la computación cuántica y los algoritmos genéticos clásicos (CGAs), lo que les permite abordar problemas complejos de optimización y búsqueda de manera eficiente. Se presentan los principales hallazgos y contribuciones de estos algoritmos cuánticos destacando las tendencias y los enfoques más prometedores, así como los desafíos y limitaciones que deben superarse. Se presentan nuevos enfoques y técnicas de implementación de QGAs, incluyendo operadores genéticos cuánticos y esquemas de codificación eficientes que contribuyen a mejorar el rendimiento y la convergencia de los algoritmos. Se comparan los QGAs y otros enfoques similares, como los CGAs y los algoritmos cuánticos puros, destacando las ventajas y desventajas relativas de los QGAs en comparación a sus versiones clásicas. Se muestra también una implementación de QGA utilizando la biblioteca Qiskit. Se presentan la selección de los métodos usados para la generación de la población inicial, el cruzamiento y la mutación de las distintas poblaciones de los circuitos cuánticos simulados en los experimentos realizados, ejemplificando las ventajas significativas que estos pueden traer en comparación con los enfoques clásicos.