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

Xarxes neuronals informades per la física quàntica per a modelar processos quàntics

Tristán Montañana García

Published Jul 10, 2025• 0 citations
OpenAlex

Abstract

[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.

Related papers

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

Control cuántico en dinámica coherente asistida por pinn y su resistencia a la disipación en dinámicas abiertas

Luis Miguel Fabra Martinez

Los sistemas cuánticos son altamente sensibles a las interacciones con el entorno, lo que los hace particularmente vulnerables a fenómenos como la decoherencia cuántica. Esta interacción altera su evolución temporal y da lugar a la dinámica de sistemas cuánticos abiertos, donde las características del entorno y la forma en que este se acopla al sistema determinan su comportamiento. El presente estudio, explora la dinámica controlada de un sistema cuántico coherente mediante la implementación de una técnica de aprendizaje automático que incorpora principios físicos en su proceso de entrenamiento, esta técnica conocida como PINN (Physics-Informed Neural Networks), permite predecir campos de control cuántico que guían la evolución del sistema hacia un estado cuántico objetivo. El propósito central de este trabajo es analizar el impacto de los procesos de decoherencia cuántica en la dinámica disipativa de un sistema de dos niveles tipo superconductor (transmón), asistido por un control coherente predicho por una Red Neuronal Informada por la Física (PINN). Inicialmente, la PINN se entrena para predecir un control óptimo que conduzca al sistema cuántico desde su estado excitado hasta su estado de mínima energía, dentro de un intervalo de tiempo finito en la dinámica cerrada. Posteriormente, se analiza la efectividad del sistema para alcanzar dicho estado objetivo, ante la influencia de los canales de desfase puro (pure dephasing) y amortiguación de amplitud (amplitude damping), tanto para el régimen Markoviano como en el no-Markoviano. Por tanto, en el análisis de la dinámica disipativa no-Markoviana, donde la interacción con el entorno es fuerte y los efectos de memoria desempeñan un papel crucial en la evolución del sistema, se incorporan tasas de disipación dependientes del tiempo para modelar la influencia de la temperatura y la intensidad de la fuerza de acoplamiento débil en la interacción sistema-entorno.

•Jul 19, 2025•0 citations

Modeling and inference of the mixing, decay and CP violation dynamics in the K⁰–K̄⁰ system using physics-informed neural networks (PINN) and hybrid classical-quantum models (QCPINN)

Juan David Hernández Flórez

En este trabajo se aplican Redes Neuronales Informadas por la Física (PINN) al sistema de kaones neutros K⁰–K̄⁰, gobernado por la ecuación de Wigner-Weisskopf, con el doble objetivo de resolver el problema directo —reproducir la dinámica de oscilación y decaimiento— e inferir los parámetros físicos del sistema a partir de datos ruidosos. Los datos de entrenamiento son probabilidades de oscilación generadas por circuitos cuánticos implementados en Qiskit de IBM. Adicionalmente, se implementa y evalúa un modelo híbrido clásico-cuántico (QCPINN) basado en un circuito variacional de 4 cúbits con ansatz en cascada. En el problema directo, la arquitectura PINN reconstruye la evolución temporal con errores relativos L2 inferiores al 1,8 % en el régimen unitario y al 2,1 % en el régimen fenomenológico con decaimiento, utilizando entre 21 y 50 puntos sintéticos. Una búsqueda sistemática de hiperparámetros mediante optimización bayesiana (Optuna) identificó la configuración óptima: cinco capas ocultas, 24 neuronas por capa y tasa de aprendizaje η = 1,75 × 10⁻³. La QCPINN iguala o supera esta precisión con solo 296 parámetros entrenables, frente a los 8 708–25 284 de la PINN, logrando una reducción de entre 29× y 85× sin pérdida de exactitud. En el problema inverso se abordan tres escenarios de complejidad creciente: recuperación de Δm con un error del 0,17 % en régimen unitario; inferencia conjunta de Δm, ΓS y ΓL con errores entre 0,03 % y 3,6 % en ausencia de ruido; y detección de la asimetría de violación de CP a través de |p/q| con un error del 0,14 % en condiciones ideales. La comparación sistemática con una línea base clásica —integrador numérico RK45/Radau anidado en L-BFGS-B— revela que el método clásico supera a la PINN en velocidad, precisión y robustez al ruido en la mayoría de las configuraciones; la única ventaja sostenida de la PINN se da en la inferencia de |p/q| sin ruido (0,14 % frente a 1,10 % del clásico). El experimento de generalización —entrenando solo con el 70 % inicial de la ventana temporal— confirma que el residuo físico embebido en la pérdida dota a ambos modelos de capacidad real de extrapolar la dinámica: la PINN alcanza un error del 0,34 % en la región sin datos del régimen disipativo y la QCPINN es competitiva en el régimen unitario (1,38 %).

•Jul 30, 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

Algoritmos y herramientas para representar y observar simulaciones de experimentos de física cuántica computacional

Edgar Figueiras Gómez

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".

•Dec 15, 2020•0 citations

Correlaciones e información cuántica con fotones

Lorena Rebón, A. Boette, N. Gigena +2 more

En un principio, la Teoría de la Información fue concebida en forma abstracta, en base a una formulación matemática. Sin embargo, la habilidad y eficiencia para procesar o transmitir información dependerá en última instancia del sistema físico elegido para codificar esa información. Es así que, al codificar la información en las propiedades físicas de sistemas cuyo comportamiento se describe por las leyes de la mecánica cuántica, se abren nuevas posibilidades que son irrealizables clásicamente. Entre ellas, la posibilidad de generar algoritmos cuánticos para ciertos cálculos que requieren un número de pasos significativamente menor que cualquier algoritmo clásico, reduciendo su complejidad. Entre las características fundamentales de la mecánica cuántica que posibilitan estos desarrollos, sobresalen el principio de superposición y el entrelazamiento cuántico. Una de las implementaciones más accesibles para la comunicación cuántica y el procesamiento cuántico de la información emplea fotones individuales como portadores de la información. Estos pueden viajar entre dos estaciones distantes siendo poco afectados por el ruido que introduce el entorno. Además, poseen varios grados de libertad en los cuales es posible codificar la información y pueden manipularse con un alto grado de control utilizando tecnología estándar. En este trabajo se describen algunas aplicaciones de la implementación fotónica, realizadas en colaboración con el Laboratorio de Procesado de Imágenes (LPI) del Depto. de Física de la UBA. En primer lugar, se describe la determinación experimental de medidas de correlaciones cuánticas en estados no puros de un par de fotones correlacionados en polarización, mediante técnicas de tomografía de estados cuánticos. Luego se describe la utilización de moduladores espaciales de luz programables para entrelazar la polarización con grados de libertad espaciales, y así poder simular los denominados estados historia de evoluciones temporales cuánticas. Se muestra que este último proveeun esquema eficientepara el cálculo de promedios temporales de observables del sistema.

V Jornadas de Investigación, Transferencia y Extensión de la Facultad de Ingeniería (La Plata, 2019)•Apr 1, 2019•0 citations
[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 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.
Los sistemas cuánticos son altamente sensibles a las interacciones con el entorno, lo que los hace particularmente vulnerables a fenómenos como la decoherencia cuántica. Esta interacción altera su evolución temporal y da lugar a la dinámica de sistemas cuánticos abiertos, donde las características del entorno y la forma en que este se acopla al sistema determinan su comportamiento. El presente estudio, explora la dinámica controlada de un sistema cuántico coherente mediante la implementación de una técnica de aprendizaje automático que incorpora principios físicos en su proceso de entrenamiento, esta técnica conocida como PINN (Physics-Informed Neural Networks), permite predecir campos de control cuántico que guían la evolución del sistema hacia un estado cuántico objetivo. El propósito central de este trabajo es analizar el impacto de los procesos de decoherencia cuántica en la dinámica disipativa de un sistema de dos niveles tipo superconductor (transmón), asistido por un control coherente predicho por una Red Neuronal Informada por la Física (PINN). Inicialmente, la PINN se entrena para predecir un control óptimo que conduzca al sistema cuántico desde su estado excitado hasta su estado de mínima energía, dentro de un intervalo de tiempo finito en la dinámica cerrada. Posteriormente, se analiza la efectividad del sistema para alcanzar dicho estado objetivo, ante la influencia de los canales de desfase puro (pure dephasing) y amortiguación de amplitud (amplitude damping), tanto para el régimen Markoviano como en el no-Markoviano. Por tanto, en el análisis de la dinámica disipativa no-Markoviana, donde la interacción con el entorno es fuerte y los efectos de memoria desempeñan un papel crucial en la evolución del sistema, se incorporan tasas de disipación dependientes del tiempo para modelar la influencia de la temperatura y la intensidad de la fuerza de acoplamiento débil en la interacción sistema-entorno.
En este trabajo se aplican Redes Neuronales Informadas por la Física (PINN) al sistema de kaones neutros K⁰–K̄⁰, gobernado por la ecuación de Wigner-Weisskopf, con el doble objetivo de resolver el problema directo —reproducir la dinámica de oscilación y decaimiento— e inferir los parámetros físicos del sistema a partir de datos ruidosos. Los datos de entrenamiento son probabilidades de oscilación generadas por circuitos cuánticos implementados en Qiskit de IBM. Adicionalmente, se implementa y evalúa un modelo híbrido clásico-cuántico (QCPINN) basado en un circuito variacional de 4 cúbits con ansatz en cascada. En el problema directo, la arquitectura PINN reconstruye la evolución temporal con errores relativos L2 inferiores al 1,8 % en el régimen unitario y al 2,1 % en el régimen fenomenológico con decaimiento, utilizando entre 21 y 50 puntos sintéticos. Una búsqueda sistemática de hiperparámetros mediante optimización bayesiana (Optuna) identificó la configuración óptima: cinco capas ocultas, 24 neuronas por capa y tasa de aprendizaje η = 1,75 × 10⁻³. La QCPINN iguala o supera esta precisión con solo 296 parámetros entrenables, frente a los 8 708–25 284 de la PINN, logrando una reducción de entre 29× y 85× sin pérdida de exactitud. En el problema inverso se abordan tres escenarios de complejidad creciente: recuperación de Δm con un error del 0,17 % en régimen unitario; inferencia conjunta de Δm, ΓS y ΓL con errores entre 0,03 % y 3,6 % en ausencia de ruido; y detección de la asimetría de violación de CP a través de |p/q| con un error del 0,14 % en condiciones ideales. La comparación sistemática con una línea base clásica —integrador numérico RK45/Radau anidado en L-BFGS-B— revela que el método clásico supera a la PINN en velocidad, precisión y robustez al ruido en la mayoría de las configuraciones; la única ventaja sostenida de la PINN se da en la inferencia de |p/q| sin ruido (0,14 % frente a 1,10 % del clásico). El experimento de generalización —entrenando solo con el 70 % inicial de la ventana temporal— confirma que el residuo físico embebido en la pérdida dota a ambos modelos de capacidad real de extrapolar la dinámica: la PINN alcanza un error del 0,34 % en la región sin datos del régimen disipativo y la QCPINN es competitiva en el régimen unitario (1,38 %).
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].
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".
En un principio, la Teoría de la Información fue concebida en forma abstracta, en base a una formulación matemática. Sin embargo, la habilidad y eficiencia para procesar o transmitir información dependerá en última instancia del sistema físico elegido para codificar esa información. Es así que, al codificar la información en las propiedades físicas de sistemas cuyo comportamiento se describe por las leyes de la mecánica cuántica, se abren nuevas posibilidades que son irrealizables clásicamente. Entre ellas, la posibilidad de generar algoritmos cuánticos para ciertos cálculos que requieren un número de pasos significativamente menor que cualquier algoritmo clásico, reduciendo su complejidad. Entre las características fundamentales de la mecánica cuántica que posibilitan estos desarrollos, sobresalen el principio de superposición y el entrelazamiento cuántico. Una de las implementaciones más accesibles para la comunicación cuántica y el procesamiento cuántico de la información emplea fotones individuales como portadores de la información. Estos pueden viajar entre dos estaciones distantes siendo poco afectados por el ruido que introduce el entorno. Además, poseen varios grados de libertad en los cuales es posible codificar la información y pueden manipularse con un alto grado de control utilizando tecnología estándar. En este trabajo se describen algunas aplicaciones de la implementación fotónica, realizadas en colaboración con el Laboratorio de Procesado de Imágenes (LPI) del Depto. de Física de la UBA. En primer lugar, se describe la determinación experimental de medidas de correlaciones cuánticas en estados no puros de un par de fotones correlacionados en polarización, mediante técnicas de tomografía de estados cuánticos. Luego se describe la utilización de moduladores espaciales de luz programables para entrelazar la polarización con grados de libertad espaciales, y así poder simular los denominados estados historia de evoluciones temporales cuánticas. Se muestra que este último proveeun esquema eficientepara el cálculo de promedios temporales de observables del sistema.