En este trabajo se resolverá un problema de optimización de química cuántica con un algoritmo variacional cuántico VQE (Variational Quantum Eigensolver). En general, los problemas de optimización de química cuántica se caracterizan por ser de alta dimensionalidad y, por tanto, de ser costosos computacionalmente para los ordenadores clásicos. Por tanto se mostrará y explicará el potencial que tiene la computación cuántica no solo en estos problemas, sino también en los problemas de optimización en general, a través del cálculo de la energía fundamental de la molécula de Hidrógeno con este algoritmo. Este trabajo puede ser leído por cualquier persona que tenga nociones básicas de álgebra, ya que los fundamentos teóricos de la computación cuántica vienen enteramente explicados en él, así como los distintos conceptos físicos y matemáticos que se utilizarán en la práctica. Se darán nociones de Python para la implementación de la computación cuántica desde cualquier ordenador personal, así como dos códigos usables para reproducir lo realizado en este trabajo.
En este trabajo se resolverá un problema de optimización de química cuántica con un algoritmo variacional cuántico VQE (Variational Quantum Eigensolver). En general, los problemas de optimización de química cuántica se caracterizan por ser de alta dimensionalidad y, por tanto, de ser costosos computacionalmente para los ordenadores clásicos. Por tanto se mostrará y explicará el potencial que tiene la computación cuántica no solo en estos problemas, sino también en los problemas de optimización en general, a través del cálculo de la energía fundamental de la molécula de Hidrógeno con este algoritmo. Este trabajo puede ser leído por cualquier persona que tenga nociones básicas de álgebra, ya que los fundamentos teóricos de la computación cuántica vienen enteramente explicados en él, así como los distintos conceptos físicos y matemáticos que se utilizarán en la práctica. Se darán nociones de Python para la implementación de la computación cuántica desde cualquier ordenador personal, así como dos códigos usables para reproducir lo realizado en este trabajo.
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.
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.
En este trabajo se presenta una propuesta para parametrizar la ecuación de Dirac mediante computación cuántica. Esta ecuación, fundamental en la mecánica cuántica relativista, plantea importantes desafíos computacionales. Aprovechando las capacidades de paralelismo inherentes a los sistemas cuánticos, se construye un circuito cuántico capaz de representar los distintos operadores involucrados mediante herramientas como Qiskit y Pennylane. La metodología se basa en técnicas como la Trotterización y el Quantum Walk, que permiten aproximar la evolución temporal del sistema en términos de puertas lógicas cuánticas. Como aplicación concreta, se estima la energía del estado fundamental del átomo de hidrógeno. Los resultados obtenidos muestran un buen grado de consistencia con los valores teóricos y sirven como punto de partida para posibles extensiones a sistemas más complejos. Este enfoque no solo tiene interés académico, sino que también se vincula con los ODS 4, 7, 9 y 17, al fomentar la innovación, la educación avanzada y el uso eficiente de recursos tecnológicos.
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.
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".
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.