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 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.
[ES] Las redes neurales informadas por la física (PINN) son redes neurales que incorporan leyes físicas descritas por ecuaciones diferenciales en sus funciones de pérdida para guiar el proceso de aprendizaje hacia soluciones que sean más acordes con la física subyaciente, reduciendo de esta forma la cantidad de parámetros de aprendizaje para converger a una solución. Dicha aceleración del proceso de aprendizaje junto con la interpretabilidad física de los pesos de la red neuronal motiva el uso de las PINN para abordar problemas físicos altamente no lineales, como es el caso de ciertos procesos cuánticos caracterizados por la ecuación de Schrödinger o de Linblad. Las redes neuronales cuánticas informadas por la física (QPINN) por otro lado, muestran potencial en cuanto a la escalabilidad del número de parámetros a optimizar con respecto a la dimensionalidad de los datos requeridos, como fruto de la superposición cuántica. En este TFG, se explorará el uso específico de las QPINN para modelar fenómenos físicos que surgen en el proceso del transporte de estados cuánticos entre procesadores, y se evaluarán los resultados comparándolos con las PINN clásicas.
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.
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.
En este trabajo se estudia el uso de algoritmos cuánticos variacionales para la discriminación de estados cuánticos, mediante el entrenamiento de un clasificador cuántico simulado capaz de implementar esquemas de medición que aproximan mediciones óptimas. Este enfoque permite estudiar estrategias de medición desde una perspectiva híbrida clásico–cuántica, aprovechando las capacidades de los dispositivos NISQ y evitando la complejidad asociada a implementaciones experimentales directas. En una primera parte, se valida el desempeño del clasificador mediante la reproducción parcial de un esquema de redes neuronales cuánticas variacionales propuesto previamente en la literatura. Se analizan tanto el régimen de discriminación de mínimo error como el de discriminación inequívoca, comparando los resultados numéricos con las cotas teóricas obtenidas a partir del límite de Helstrom y de técnicas de programación semidefinida. En el régimen de discriminación inequívoca, el clasificador logra aproximarse de manera robusta a las cotas teóricas, incluso para conjuntos de entrenamiento reducidos. En una segunda parte, el clasificador se generaliza para abordar problemas más complejos que involucran familias de estados asociadas a la Medición Conjunta Elegante (EJM), así como a familias de estados de Popescu y de Werner, tanto en escenarios binarios como en multiclase. Los resultados muestran que, para estas familias, la discriminación inequívoca es imposible y que, en el régimen de mínimo error, el desempeño del clasificador se ve limitado por restricciones geométricas asociadas al rango y al soporte de los operadores de medición implementados.
En este informe se presenta el trabajo desarrollado como estudiante miembro del semillero de investigación en Información Cuántica y Computación Cuántica, y que fue presentado en eventos científicos como ponencias orales y posters. El trabajo está dividido en dos partes principales. En primer lugar, se llevó a cabo un análisis de distinguibilidad de estados cuánticos por medio de la comparación de la distancia traza y la fidelidad, como métricas en el campo de la información cuántica. Se discutió la dinámica de estados cuánticos de dos qubits mediante la evolución temporal de dichas métricas al considerar la acción de ruido de amortiguación de amplitud sobre un estado inicial. En segundo lugar, se estudió la técnica de los algoritmos cuánticos variacionales (VQAs) como un enfoque para mejorar la precisión de las computadoras cuánticas. Los VQAs aprovechan procesadores clásicos para entrenar circuitos cuánticos mediante redes neuronales y luego se miden utilizando un procesador cuántico. Se presentaron varios sistemas cuánticos simulados utilizando estos algoritmos, comparando la efectividad de la técnica al simular sistemas sin optimización y sistemas optimizados. Se examinó el comportamiento de la función de costo de cada circuito cuántico para diferentes dinámicas de los sistemas simulados. Para realizar las optimizaciones de los circuitos, se utilizó la biblioteca Pennylane en Python, la cual proporciona diversos optimizadores variacionales cuánticos.
Este trabajo presenta el diseño e implementación de modelos híbridos clásico-cuánticos para la predicción de ventas mediante la integración de redes neuronales LSTM y circuitos cuánticos, con el propósito de evaluar el impacto de la incorporación de procesamiento cuántico en tareas de predicción de series temporales, se utilizaron datos reales de ventas obtenidos de la plataforma Kaggle, planteando el problema como una tarea de predicción de ventas diarias a partir del comportamiento histórico de la serie. El proyecto se desarrolló en varias etapas que incluyeron el preprocesamiento de los datos, el diseño e implementación de un modelo LSTM clásico, la incorporación de tres arquitecturas híbridas basadas en Variational Quantum Circuits (VQC), Residual Hybrid y Quantum Long Short-Term Memory (QLSTM), y la comparación de su desempeño. Los modelos fueron implementados utilizando PyTorch y PennyLane, entrenados sobre los mismos conjuntos de datos y evaluados mediante las métricas de R cuadrado y el coeficiente de correlación de Pearson. Adicionalmente, las arquitecturas VQC y Residual Hybrid fueron ejecutadas en hardware cuántico de IBM, mientras que el modelo QLSTM fue evaluado mediante simulaciones con ruido utilizando Qiskit Aer. Los resultados obtenidos muestran que los modelos híbridos clásico-cuánticos constituyen una alternativa para explorar la integración de computación cuántica en tareas de predicción de series temporales, en los experimentos realizados, la arquitectura QLSTM obtuvo el mejor desempeño en la mayoría de los productos evaluados, obteniendo mejores resultados que las arquitecturas VQC y Residual Hybrid.