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

Generació de números aleatoris en FPGA per a simulacions integrades amb Stim de soroll quàntic.

Laura Sáez Megías

Published Oct 11, 2025• 0 citations
OpenAlex

Abstract

[ES] El presente Trabajo de Fin de Grado propone la aceleración por hardware del proceso de simulación de qubits afectados por errores probabilísticos, sin modificar el entorno de trabajo ni las herramientas habituales del usuario. Este enfoque está pensado para investigadores y desarrolladores que no están familiarizados con el diseño hardware, pero que requieren simulaciones más rápidas que las que permiten los métodos tradicionales en software. El sistema se implementa utilizando Vitis HLS para desarrollar un módulo hardware que posteriormente se integra en un diseño completo mediante Vivado y que se despliega sobre una FPGA PYNQ-Z1. Este tipo de simulación se apoya en herramientas como STIM, una librería ampliamente utilizada para la generación y simulación de modelos de error en circuitos cuánticos. El acelerador reproduce en hardware uno de los cuellos de botella en el flujo de trabajo con STIM: la generación masiva de errores aleatorios a partir de distribuciones probabilísticas. La interacción con el acelerador se realiza desde Jupyter Notebook, facilitando así su integración manteniendo intacta la forma habitual de trabajo.

Related papers

Optimización de Circuitos para la Preparación de Estados Lógicos en Códigos Polares Cuánticos

Handy Kurniawan, Carmen G. Almudéver, Francisco García-Herrero

La implementación de métodos eficientes para la corrección de errores cuánticos requiere la utilización de códigos de baja redundancia, cuya función es minimizar el número de qubits físicos necesarios por qubit lógico.Los códigos polares cuánticos son candidatos para este fin debido a que por definición pueden alcanzar la capacidad del canal mediante una codificación recursiva eficiente. Sin embargo, la fase de preparación del estado lógico constituye un cuello de botella, frecuentemente condicionado por un elevado sobrecoste de puertas y medidas. En el presente estudio, se expone una metodología para el código polar Q1 que mitiga el sobrecoste de recursos mediante una optimización del circuito en el número de puertas y medidas.La propuesta ha sido evaluada mediante el entorno de simulación Stim, utilizando modelos de ruido a nivel de circuito sobre una topología que presenta conectividad all-to-all.El análisis realizado revela que la optimización de este trabajo aumenta la tasa de preparación de estados lógicos exitosos mientras mantiene o reduce las tasas de error lógico. A modo de ejemplo, para N=16, las optimizaciones producen mejoras en ambos estados lógicos.Para el estado lógico |+>, la propuesta incrementa la tasa de preparación hasta en un 34%, y mejora las tasas de error lógico hasta en un 63% en comparación con los valores de referencia. De igual manera, se evidencia un incremento en la tasa de preparación de hasta el 42% y una reducción en la tasa de error lógico de hasta el 69% para el estado lógico |0>.

•Jun 30, 2026•0 citations

Desarrollo de un marco de trabajo de alto nivel para llevar a cabo la implementación de algoritmos de computación cuántica

Hernán Indíbil de la Cruz Calvo

La tesis se centra en el problema de la simulación de un computador cuántico teórico (libre de errores) y de propósito general, basado en el modelo de circuitos. El problema es del tipo NP, por lo que se ha abordado en primer lugar tratando de detectar los cuellos de botella existentes tanto en espacio como en tiempo y después realizando propuestas que los van reduciendo uno por uno. De esta forma, si bien sigue siendo imposible ejecutar una simulación demasiado grande en un tiempo razonable, ha sido posible reducir los recursos necesarios para hacer una misma simulación. Gran parte del trabajo realizado ha consistido en hacer modificaciones sobre las estructuras de datos utilizadas para modelar el problema desde su perspectiva matricial. El resultado se ha materializado a través de mejoras implementadas dentro de dos proyectos de software libre y de código abierto (Free/Libre and Open Source Software en inglés) (FLOSS): QSimov y Doki, centrados en permitir al usuario trabajar en computación cuántica con pocos recursos y tratando que el paso del diagrama de un circuito cuántico a su código sea lo más inmediato posible.

•Jan 1, 2025•0 citations

Memory Management in Software Quantum Computing Simulators

Gilberto Javier Díaz

La computación cuántica promete una potencia computacional sin precedentes al aprovechar principios mecánicos cuánticos como la superposición y el entrelazamiento. Sin embargo, el hardware cuántico actual está limitado por la cantidad de cúbits y las altas tasas de error, lo que dificulta la prueba de algoritmos cuánticos complejos a escala. Como resultado, los simuladores cuánticos basados en software que se ejecutan en computadoras clásicas se han convertido en herramientas esenciales para explorar algoritmos y rincipios cuánticos. Estos simuladores, aunque potentes, requieren recursos de memoria significativos debido al crecimiento exponencial de los tamaños de los estados cuánticos. Por ejemplo, representar un estado de N cúbits requiere 2^N números complejos, lo que supone una carga inmensa para los sistemas de memoria clásicos. Este trabajo investiga estrategias de gestión de memoria para optimizar el uso de recursos en simuladores de computación cuántica. Las técnicas exploradas incluyen la eliminación de estados, las estructuras de datos de estado completo, las optimizaciones de aplicaciones de puertas cuánticas, la compresión de datos y los enfoques de memoria distribuida. El objetivo es reducir el consumo de memoria al tiempo que se preserva la precisión de las simulaciones cuánticas. El estudio implementa estas estrategias en un simulador cuántico, proporcionando una comparación detallada de su rendimiento en varios algoritmos cuánticos. Los resultados resaltan las compensaciones entre la eficiencia computacional y el uso de la memoria, ofreciendo información sobre los enfoques más efectivos para escalar simulaciones cuánticas en hardware clásico.

•Feb 3, 2025•0 citations

Acceleració d'un descodificador LDPC quàntic de programació lineal basat en síndromes mitjançant la implementació de maquinari en FPGA utilitzant síntesi d'alt nivell.

Álvaro Cárcel-Montero

[ES] La computación cuántica aprovecha las propiedades físicas de los qubits, como la superposición y el entrelazamiento, para obtener mayor rendimiento y capacidad de cómputo. Sin embargo, los qubits son intrínsecamente inestables y se degradan con rapidez, lo cual se conoce como decoherencia. Dicho efecto hace que los qubits se vuelvan más sensibles al ruido ambiental. La corrección cuántica de errores (QEC) es fundamental para detectar y corregir errores en tiempo real, ya que los retrasos pueden provocar fallos irreversibles en los cálculos. El escaso margen de tiempo disponible exige algoritmos de descodificación de baja latencia. Esta tesis busca estudiar la viabilidad de la implementación del decodificador de programación lineal basada en síndromes (SB-LP) para códigos cuánticos de verificación de paridad de baja densidad (QLDPC) explorando diferentes enfoques que aceleran su funcionamiento en plataformas hardware adecuadas para la decodificación en tiempo real en sistemas de computación cuántica tolerantes a fallos utilizando síntesis de alto nivel (HLS) en el entorno AMD. En primer lugar, el algoritmo se implementará en MATLAB para una mejor comprensión del mismo. Posteriormente, se traducirá a una implementación de software en C/C++ como transición para, en última instancia, implementarlo en hardware optimizado, haciendo hincapié en el paralelismo y la segmentación para reducir la latencia de descodificación. Las optimizaciones clave incluyen la segmentación y el paralelismo basado en el flujo de datos para explotar las capacidades de la FPGA.

•Jan 7, 2026•0 citations

Reversibilidad en circuitos cuánticos aleatorios ruidosos

Emanuel Shai Comedi, Diego Tielas, Darío Javier Zamora +1 more

El problema de la flecha del tiempo y la reversibilidad son tópicos centrales de la historia de la Física. Con el advenimiento de las tecnologías cuánticas, se presenta la oportunidad de estudiar sistemas cuánticos individuales, vinculando los problemas mencionados con desafíos tecnológicos. Nuestro objetivo es investigar la irreversibilidad en procesadores cuánticos, en relación al estudio de distintos modelos de ruido. Para ello, generamos circuitos cuánticos aleatorios, seguido de sus circuitos inversos. Si el dispositivo considerado fuera ideal, deberíamos recuperar el estado inicial de la computadora cuántica (es decir, aquel en el que todos los n qubits involucrados en un circuito están en cero |000...⟩). Sin embargo, esto no es así en presencia de ruido. De esta forma, nos proponemos estudiar cómo se comporta la magnitud M = |⟨000...|f⟩|2 (donde |f⟩ es el estado final) para distintos tipos de ruido en circuitos cuánticos aleatorios. Esto puede pensarse como una estrategia similar a la que se utiliza para estudiar el eco de Loschmidt en sistemas de múltiples spines [2]. Usamos QISKIT [1] para calcular los valores de M asociados a dichos circuitos, utilizando simuladores de distintos prototipos de computadoras cuánticas, de forma tal de evaluar el solapamiento entre los estados finales y los iniciales, simulando mediciones de los estados finales. De esta forma, se obtienen histogramas que muestran las distribuciones de los valores de M asociados a los circuitos para distintos modelos de ruido. Los parámetros de las simulaciones son: el dispositivo cuántico simulado, el tipo de ruido, el número de qubits por circuito, y la profundidad del circuito (cantidad de capas de compuertas). De esta forma, se busca evaluar cómo se comporta la irreversibilidad en relación al ruido en distintas arquitecturas de procesadores cuánticos. Un objetivo a futuro es comparar los resultados obtenidos con lo que se obtendría con dinámicas No-Hermíticas [3].

•Jan 1, 2026•0 citations

Redes neuronales cuánticas y sus desafíos en la teoría de errores

Manuel Esparcia Cantos

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.

•Jun 12, 2025•0 citations
[ES] El presente Trabajo de Fin de Grado propone la aceleración por hardware del proceso de simulación de qubits afectados por errores probabilísticos, sin modificar el entorno de trabajo ni las herramientas habituales del usuario. Este enfoque está pensado para investigadores y desarrolladores que no están familiarizados con el diseño hardware, pero que requieren simulaciones más rápidas que las que permiten los métodos tradicionales en software. El sistema se implementa utilizando Vitis HLS para desarrollar un módulo hardware que posteriormente se integra en un diseño completo mediante Vivado y que se despliega sobre una FPGA PYNQ-Z1. Este tipo de simulación se apoya en herramientas como STIM, una librería ampliamente utilizada para la generación y simulación de modelos de error en circuitos cuánticos. El acelerador reproduce en hardware uno de los cuellos de botella en el flujo de trabajo con STIM: la generación masiva de errores aleatorios a partir de distribuciones probabilísticas. La interacción con el acelerador se realiza desde Jupyter Notebook, facilitando así su integración manteniendo intacta la forma habitual de trabajo.
La implementación de métodos eficientes para la corrección de errores cuánticos requiere la utilización de códigos de baja redundancia, cuya función es minimizar el número de qubits físicos necesarios por qubit lógico.Los códigos polares cuánticos son candidatos para este fin debido a que por definición pueden alcanzar la capacidad del canal mediante una codificación recursiva eficiente. Sin embargo, la fase de preparación del estado lógico constituye un cuello de botella, frecuentemente condicionado por un elevado sobrecoste de puertas y medidas. En el presente estudio, se expone una metodología para el código polar Q1 que mitiga el sobrecoste de recursos mediante una optimización del circuito en el número de puertas y medidas.La propuesta ha sido evaluada mediante el entorno de simulación Stim, utilizando modelos de ruido a nivel de circuito sobre una topología que presenta conectividad all-to-all.El análisis realizado revela que la optimización de este trabajo aumenta la tasa de preparación de estados lógicos exitosos mientras mantiene o reduce las tasas de error lógico. A modo de ejemplo, para N=16, las optimizaciones producen mejoras en ambos estados lógicos.Para el estado lógico |+>, la propuesta incrementa la tasa de preparación hasta en un 34%, y mejora las tasas de error lógico hasta en un 63% en comparación con los valores de referencia. De igual manera, se evidencia un incremento en la tasa de preparación de hasta el 42% y una reducción en la tasa de error lógico de hasta el 69% para el estado lógico |0>.
La tesis se centra en el problema de la simulación de un computador cuántico teórico (libre de errores) y de propósito general, basado en el modelo de circuitos. El problema es del tipo NP, por lo que se ha abordado en primer lugar tratando de detectar los cuellos de botella existentes tanto en espacio como en tiempo y después realizando propuestas que los van reduciendo uno por uno. De esta forma, si bien sigue siendo imposible ejecutar una simulación demasiado grande en un tiempo razonable, ha sido posible reducir los recursos necesarios para hacer una misma simulación. Gran parte del trabajo realizado ha consistido en hacer modificaciones sobre las estructuras de datos utilizadas para modelar el problema desde su perspectiva matricial. El resultado se ha materializado a través de mejoras implementadas dentro de dos proyectos de software libre y de código abierto (Free/Libre and Open Source Software en inglés) (FLOSS): QSimov y Doki, centrados en permitir al usuario trabajar en computación cuántica con pocos recursos y tratando que el paso del diagrama de un circuito cuántico a su código sea lo más inmediato posible.
La computación cuántica promete una potencia computacional sin precedentes al aprovechar principios mecánicos cuánticos como la superposición y el entrelazamiento. Sin embargo, el hardware cuántico actual está limitado por la cantidad de cúbits y las altas tasas de error, lo que dificulta la prueba de algoritmos cuánticos complejos a escala. Como resultado, los simuladores cuánticos basados en software que se ejecutan en computadoras clásicas se han convertido en herramientas esenciales para explorar algoritmos y rincipios cuánticos. Estos simuladores, aunque potentes, requieren recursos de memoria significativos debido al crecimiento exponencial de los tamaños de los estados cuánticos. Por ejemplo, representar un estado de N cúbits requiere 2^N números complejos, lo que supone una carga inmensa para los sistemas de memoria clásicos. Este trabajo investiga estrategias de gestión de memoria para optimizar el uso de recursos en simuladores de computación cuántica. Las técnicas exploradas incluyen la eliminación de estados, las estructuras de datos de estado completo, las optimizaciones de aplicaciones de puertas cuánticas, la compresión de datos y los enfoques de memoria distribuida. El objetivo es reducir el consumo de memoria al tiempo que se preserva la precisión de las simulaciones cuánticas. El estudio implementa estas estrategias en un simulador cuántico, proporcionando una comparación detallada de su rendimiento en varios algoritmos cuánticos. Los resultados resaltan las compensaciones entre la eficiencia computacional y el uso de la memoria, ofreciendo información sobre los enfoques más efectivos para escalar simulaciones cuánticas en hardware clásico.
[ES] La computación cuántica aprovecha las propiedades físicas de los qubits, como la superposición y el entrelazamiento, para obtener mayor rendimiento y capacidad de cómputo. Sin embargo, los qubits son intrínsecamente inestables y se degradan con rapidez, lo cual se conoce como decoherencia. Dicho efecto hace que los qubits se vuelvan más sensibles al ruido ambiental. La corrección cuántica de errores (QEC) es fundamental para detectar y corregir errores en tiempo real, ya que los retrasos pueden provocar fallos irreversibles en los cálculos. El escaso margen de tiempo disponible exige algoritmos de descodificación de baja latencia. Esta tesis busca estudiar la viabilidad de la implementación del decodificador de programación lineal basada en síndromes (SB-LP) para códigos cuánticos de verificación de paridad de baja densidad (QLDPC) explorando diferentes enfoques que aceleran su funcionamiento en plataformas hardware adecuadas para la decodificación en tiempo real en sistemas de computación cuántica tolerantes a fallos utilizando síntesis de alto nivel (HLS) en el entorno AMD. En primer lugar, el algoritmo se implementará en MATLAB para una mejor comprensión del mismo. Posteriormente, se traducirá a una implementación de software en C/C++ como transición para, en última instancia, implementarlo en hardware optimizado, haciendo hincapié en el paralelismo y la segmentación para reducir la latencia de descodificación. Las optimizaciones clave incluyen la segmentación y el paralelismo basado en el flujo de datos para explotar las capacidades de la FPGA.
El problema de la flecha del tiempo y la reversibilidad son tópicos centrales de la historia de la Física. Con el advenimiento de las tecnologías cuánticas, se presenta la oportunidad de estudiar sistemas cuánticos individuales, vinculando los problemas mencionados con desafíos tecnológicos. Nuestro objetivo es investigar la irreversibilidad en procesadores cuánticos, en relación al estudio de distintos modelos de ruido. Para ello, generamos circuitos cuánticos aleatorios, seguido de sus circuitos inversos. Si el dispositivo considerado fuera ideal, deberíamos recuperar el estado inicial de la computadora cuántica (es decir, aquel en el que todos los n qubits involucrados en un circuito están en cero |000...⟩). Sin embargo, esto no es así en presencia de ruido. De esta forma, nos proponemos estudiar cómo se comporta la magnitud M = |⟨000...|f⟩|2 (donde |f⟩ es el estado final) para distintos tipos de ruido en circuitos cuánticos aleatorios. Esto puede pensarse como una estrategia similar a la que se utiliza para estudiar el eco de Loschmidt en sistemas de múltiples spines [2]. Usamos QISKIT [1] para calcular los valores de M asociados a dichos circuitos, utilizando simuladores de distintos prototipos de computadoras cuánticas, de forma tal de evaluar el solapamiento entre los estados finales y los iniciales, simulando mediciones de los estados finales. De esta forma, se obtienen histogramas que muestran las distribuciones de los valores de M asociados a los circuitos para distintos modelos de ruido. Los parámetros de las simulaciones son: el dispositivo cuántico simulado, el tipo de ruido, el número de qubits por circuito, y la profundidad del circuito (cantidad de capas de compuertas). De esta forma, se busca evaluar cómo se comporta la irreversibilidad en relación al ruido en distintas arquitecturas de procesadores cuánticos. Un objetivo a futuro es comparar los resultados obtenidos con lo que se obtendría con dinámicas No-Hermíticas [3].
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.