En el área de los sistemas cuánticos abiertos, es común encontrar experimentos \ny modelos teóricos en los que el sistema de interés es representado por un cubit \n(sistema de dos niveles) y el entorno por otro cubit pese a que un entorno realista \ndebería contener muchos más grados de libertad que el sistema con el que interactúa. \nNo obstante, la simulación de entornos mediante un cubit es usual en la óptica \ncuántica, como también lo es la realización de evoluciones de sistemas de dos cubits. \nLos procedimientos utilizados para caracterizar los estados cuánticos producidos \nen el laboratorio son conocidos como tomografía de estados cuánticos. Existen \nalgoritmos de tomografía para distintos tipos de sistemas. En esta tesis presentamos \nun dispositivo interferométrico que permite generar y hacer tomografía a un estado \npuro de un sistema de dos cubits: polarización y camino de propagación de la \nluz. Nuestra propuesta requiere 18 mediciones de intensidad para caracterizar cada \nestado. Ponemos a prueba nuestra propuesta en un experimento y contrastamos sus \nresultados con las predicciones teóricas.
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) 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-SUSEEl Marco SUSE y sus formalizaciones analíticas constituyen desarrollos conceptuales propios del autor, distinguiéndose de los resultados científicos y tecnológicos de las publicaciones examinadas.
Este proyecto tiene como objetivo explorar el potencial de los algoritmos cuánticos en la simulación de redes neuronales biológicas. Aprovechando la computación cuántica en la nube proporcionada por IBM Quantum, se integran técnicas avanzadas de inteligencia artificial (IA) para optimizar y mejorar los modelos neuronales. Se utilizan datos detallados de conectividad y expresión génica obtenidos del Allen Brain Atlas, procesados y limpiados para facilitar su uso en simulaciones cuánticas. Los resultados demuestran la capacidad de los algoritmos cuánticos para manejar la complejidad de las redes neuronales biológicas, proporcionando una herramienta poderosa para la investigación en neurociencia y biología. La computación cuántica ofrece ventajas significativas en términos de eficiencia y escalabilidad para la simulación de sistemas biológicos complejos. Este trabajo detalla los pasos realizados, los resultados obtenidos y las conclusiones derivadas del proceso, destacando el papel crucial de la IA en la optimización de los parámetros del circuito cuántico y en el análisis de los resultados de las simulaciones