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

Optimización de la trayectoria de ascenso de aeronaves A320 mediante reducción de dimensionalidad y computación cuántica

Marco Aurelio Erazo Rosero

Published Jan 1, 2024• 0 citations
OpenAlex

Abstract

En este trabajo se aborda el problema físico de la trayectoria de ascenso del A320 y su modelo maten ático de optimización, partiendo del planteamiento original de Airbus en el documento Airbus Quantum Computing Challenge. El problema busca minimizar la cantidad ϕ (consumo de combustible penalizado por el tiempo), compuesta por ecuaciones altamente no lineales dependientes de múltiples incógnitas. Analizado inicialmente como un sistema acoplado de 364 variables, se demuestra su simplificación mediante la evaluación del jacobiano de las ecuaciones dinámicas para distinguir grados de libertad de parámetros temporales, logrando una formulación analítica de ϕ reducida a 104 variables independientes. El éxito en la reducción permite los planteamientos posteriores y plasmarla en un solo script para el trabajo computacional. La obtenida es una función en variables continuas, cuyos altos tiempos de resolución clásica hace pertinente el uso de computación cuántica; para este hardware se justifica el reemplazo de variables continuas por binarias construyendo un modelo de Optimización Cuadrática Binaria sin Restricciones (QUBO) en variables reducidas; la función binaria análoga contiene la información original pero de naturaleza matemática diferente. Se comparan los comportamientos de optimizadores clásicos (evolución diferencial) y el método cuántico (mediante un simulador de recocido cuántico como propuesta para el hardware requerido) para cada función, tanto en variables continuas como discretas. Finalmente se muestra una comparativa de parámetros e indicadores de dificultad (como tiempo y variabilidad) que dan cuenta de la fortaleza de la perspectiva cuántica por su principio de búsqueda de un óptimo global, exponiendo la debilidad del optimizador clásico y su caída sistemática en mínimos locales. Se describe además una optimización alterna hecha con métodos clásicos de la función completa de 104 variables continuas, finalizando con la postulación del resultado obtenido: un candidato físicamente factible a óptimo local de −58706.51 kg para el problema general planteado bajo cumplimiento estricto de las restricciones operacionales.

Related papers

Diseño y validación de un modelo QUBO-QAOA para la recuperación de aeronaves ante disrupciones

Jorge García-Parreño Veguillas

La gestión de disrupciones en la operación aérea constituye un problema de elevada complejidad combinatoria, especialmente cuando una avería o indisponibilidad de aeronave obliga a reprogramar vuelos en ventanas temporales reducidas. Este trabajo estudia la aplicación de técnicas de computación cuántica variacional al problema de recuperación de aeronaves, mediante el diseño y validación de un modelo QUBO-QAOA aplicado a una versión simplificada del problema. En primer lugar, se analiza el contexto operativo de las operaciones irregulares en aerolíneas y se revisan los principales enfoques clásicos empleados en la recuperación de recursos, incluyendo métodos exactos, heurísticos y formulaciones basadas en redes espaciotemporales. A partir de este marco, se formula un modelo de recuperación de flota basado en variables binarias de asignación, retraso y cancelación, incorporando restricciones de unicidad y continuidad temporal. El modelo se expresa inicialmente como un problema de optimización combinatoria con restricciones y posteriormente se transforma en una formulación QUBO, apta para su mapeo a un Hamiltoniano de Ising. El caso de uso teórico planteado alcanza 444 variables binarias, una escala no abordable mediante simulación clásica de estado completo con los recursos disponibles. Por ello, la validación experimental se realiza sobre una instancia reducida de 15 variables, diseñada para conservar los elementos esenciales de la formulación y permitir una comparación rigurosa frente a una referencia clásica exacta. La implementación se desarrolla en Qiskit, utilizando QAOA, primitivas de estimación y muestreo, un optimizador clásico COBYLA y un proceso posterior de filtrado de soluciones factibles. Los resultados muestran que el flujo QUBO-QAOA, combinado con muestreo y posprocesado clásico, recupera el óptimo global del caso reducido, validado mediante enumeración exhaustiva. El trabajo no pretende demostrar ventaja cuántica práctica, sino verificar la viabilidad metodológica de formular, mapear e implementar una abstracción temporal del problema de recuperación de aeronaves en un marco híbrido cuántico-clásico. Finalmente, se discuten las limitaciones asociadas a la escala del problema, la simulación clásica, el hardware NISQ y la dependencia del posprocesado clásico, así como posibles líneas futuras de extensión hacia modelos más completos.

•Sep 24, 2025•0 citations

Estudio de la eficiencia y comportamiento de QAOA frente a algoritmos clásicos en problemas de optimización.

Alberto Martínez Gallardo

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.

•Jun 1, 2025•0 citations

Implementation of NP problems in quantum computers based on neutral atoms

Javier Peña Riosalido

RESUMEN: La computación cuántica con átomos neutros se posiciona como una plataforma prometedora para la optimización combinatoria, gracias a su escalabilidad, a su flexibilidad geométrica y a la posibilidad de operar en modo analógico, en el que el sistema evoluciona de forma continua bajo la aplicación de un Hamiltoniano controlado por pulsos láser. En este trabajo se presentan los fundamentos de la plataforma, prestando especial atención al Hamiltoniano de Rydberg, que permite codificar restricciones lógicas de forma nativa en la geometría del registro atómico. Se introduce también el planteamiento de problemas de optimización a través de Hamiltonianos de Ising y su formulación QUBO. Por último, se exponen el teorema adiabático y el algoritmo cuántico adiabático (QAA), las bases de su implementación. Estos conceptos se aplican a la resolución del Minimal Maximal Matching (MMM), un problema NP-duro sobre grafos escogido para estudiar las capacidades y limitaciones de la plataforma. Tras formularlo en formato QUBO, se mapea al Hamiltoniano de Rydberg y se resuelve mediante el emulador cuántico Bloqade. La metodología se evalúa sobre un catálogo de grafos, analizando la dependencia de la probabilidad de éxito con el tiempo de barrido, la escala energética y las constantes de penalización. Finalmente, se discuten las dos principales limitaciones encontradas, el truncamiento de la matriz QUBO y la restricción geométrica del "embedding" 2D.

•Jan 1, 2026•0 citations

Algoritmos de optimización en computación cuántica

Sergio Rodríguez Vidal

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.

•Sep 27, 2024•0 citations

Optimización de carteras financieras con formulación QUBO

Timothée Emmanuel Roger Marie Maspétiol

Este trabajo explora la aplicación de la computación cuántica a la optimización de carteras financieras. A partir del modelo clásico de Markowitz, se formula el problema de selección de activos como un problema QUBO (Quadratic Unconstrained Binary Optimization) y se resuelve mediante el algoritmo QAOA (Quantum Approximate Optimization Algorithm) sobre un simulador cuántico ideal. Se comparan tres implementaciones sobre acciones del S&P 500: una construcción heurística manual en Excel, una optimización algorítmica clásica completa en Python (12 activos seleccionados sobre el universo S&P 500 mediante un score multicriterio), y un pipeline híbrido clásico-cuántico en tres etapas (preselección de 25 candidatos por decorrelación, selección cuántica vía QAOA, optimización Markowitz final de los pesos continuos). Las tres implementaciones se evalúan mediante un protocolo de walk-forward backtesting (in-sample 2019-2022, out-of-sample 2022-2025) frente al benchmark SPY. Los resultados muestran que QAOA recupera la solución óptima exacta, validada previamente por enumeración combinatoria de los 5 200 300 subconjuntos posibles, en el 20% de las ejecuciones a profundidad p=3, lo que valida la viabilidad de la cadena Markowitz - QUBO - QAOA. La cartera del pipeline híbrido obtiene un Sharpe in-sample de 1,54 pero una performance out-of-sample de 0,15, inferior al benchmark SPY (0,38), con una tasa de degradación del 90,4% comparable a la del enfoque Markowitz clásico (89,8%). Esta convergencia confirma que el cuello de botella estructural reside en la estimación clásica de los parámetros y no en el algoritmo cuántico. El trabajo concluye que la ventaja cuántica efectiva requiere problemas de mayor escala y restricciones cualitativas más complejas que las consideradas aquí.

•Sep 10, 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
En este trabajo se aborda el problema físico de la trayectoria de ascenso del A320 y su modelo maten ático de optimización, partiendo del planteamiento original de Airbus en el documento Airbus Quantum Computing Challenge. El problema busca minimizar la cantidad ϕ (consumo de combustible penalizado por el tiempo), compuesta por ecuaciones altamente no lineales dependientes de múltiples incógnitas. Analizado inicialmente como un sistema acoplado de 364 variables, se demuestra su simplificación mediante la evaluación del jacobiano de las ecuaciones dinámicas para distinguir grados de libertad de parámetros temporales, logrando una formulación analítica de ϕ reducida a 104 variables independientes. El éxito en la reducción permite los planteamientos posteriores y plasmarla en un solo script para el trabajo computacional. La obtenida es una función en variables continuas, cuyos altos tiempos de resolución clásica hace pertinente el uso de computación cuántica; para este hardware se justifica el reemplazo de variables continuas por binarias construyendo un modelo de Optimización Cuadrática Binaria sin Restricciones (QUBO) en variables reducidas; la función binaria análoga contiene la información original pero de naturaleza matemática diferente. Se comparan los comportamientos de optimizadores clásicos (evolución diferencial) y el método cuántico (mediante un simulador de recocido cuántico como propuesta para el hardware requerido) para cada función, tanto en variables continuas como discretas. Finalmente se muestra una comparativa de parámetros e indicadores de dificultad (como tiempo y variabilidad) que dan cuenta de la fortaleza de la perspectiva cuántica por su principio de búsqueda de un óptimo global, exponiendo la debilidad del optimizador clásico y su caída sistemática en mínimos locales. Se describe además una optimización alterna hecha con métodos clásicos de la función completa de 104 variables continuas, finalizando con la postulación del resultado obtenido: un candidato físicamente factible a óptimo local de −58706.51 kg para el problema general planteado bajo cumplimiento estricto de las restricciones operacionales.
La gestión de disrupciones en la operación aérea constituye un problema de elevada complejidad combinatoria, especialmente cuando una avería o indisponibilidad de aeronave obliga a reprogramar vuelos en ventanas temporales reducidas. Este trabajo estudia la aplicación de técnicas de computación cuántica variacional al problema de recuperación de aeronaves, mediante el diseño y validación de un modelo QUBO-QAOA aplicado a una versión simplificada del problema. En primer lugar, se analiza el contexto operativo de las operaciones irregulares en aerolíneas y se revisan los principales enfoques clásicos empleados en la recuperación de recursos, incluyendo métodos exactos, heurísticos y formulaciones basadas en redes espaciotemporales. A partir de este marco, se formula un modelo de recuperación de flota basado en variables binarias de asignación, retraso y cancelación, incorporando restricciones de unicidad y continuidad temporal. El modelo se expresa inicialmente como un problema de optimización combinatoria con restricciones y posteriormente se transforma en una formulación QUBO, apta para su mapeo a un Hamiltoniano de Ising. El caso de uso teórico planteado alcanza 444 variables binarias, una escala no abordable mediante simulación clásica de estado completo con los recursos disponibles. Por ello, la validación experimental se realiza sobre una instancia reducida de 15 variables, diseñada para conservar los elementos esenciales de la formulación y permitir una comparación rigurosa frente a una referencia clásica exacta. La implementación se desarrolla en Qiskit, utilizando QAOA, primitivas de estimación y muestreo, un optimizador clásico COBYLA y un proceso posterior de filtrado de soluciones factibles. Los resultados muestran que el flujo QUBO-QAOA, combinado con muestreo y posprocesado clásico, recupera el óptimo global del caso reducido, validado mediante enumeración exhaustiva. El trabajo no pretende demostrar ventaja cuántica práctica, sino verificar la viabilidad metodológica de formular, mapear e implementar una abstracción temporal del problema de recuperación de aeronaves en un marco híbrido cuántico-clásico. Finalmente, se discuten las limitaciones asociadas a la escala del problema, la simulación clásica, el hardware NISQ y la dependencia del posprocesado clásico, así como posibles líneas futuras de extensión hacia modelos más completos.
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.
RESUMEN: La computación cuántica con átomos neutros se posiciona como una plataforma prometedora para la optimización combinatoria, gracias a su escalabilidad, a su flexibilidad geométrica y a la posibilidad de operar en modo analógico, en el que el sistema evoluciona de forma continua bajo la aplicación de un Hamiltoniano controlado por pulsos láser. En este trabajo se presentan los fundamentos de la plataforma, prestando especial atención al Hamiltoniano de Rydberg, que permite codificar restricciones lógicas de forma nativa en la geometría del registro atómico. Se introduce también el planteamiento de problemas de optimización a través de Hamiltonianos de Ising y su formulación QUBO. Por último, se exponen el teorema adiabático y el algoritmo cuántico adiabático (QAA), las bases de su implementación. Estos conceptos se aplican a la resolución del Minimal Maximal Matching (MMM), un problema NP-duro sobre grafos escogido para estudiar las capacidades y limitaciones de la plataforma. Tras formularlo en formato QUBO, se mapea al Hamiltoniano de Rydberg y se resuelve mediante el emulador cuántico Bloqade. La metodología se evalúa sobre un catálogo de grafos, analizando la dependencia de la probabilidad de éxito con el tiempo de barrido, la escala energética y las constantes de penalización. Finalmente, se discuten las dos principales limitaciones encontradas, el truncamiento de la matriz QUBO y la restricción geométrica del "embedding" 2D.
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.
Este trabajo explora la aplicación de la computación cuántica a la optimización de carteras financieras. A partir del modelo clásico de Markowitz, se formula el problema de selección de activos como un problema QUBO (Quadratic Unconstrained Binary Optimization) y se resuelve mediante el algoritmo QAOA (Quantum Approximate Optimization Algorithm) sobre un simulador cuántico ideal. Se comparan tres implementaciones sobre acciones del S&P 500: una construcción heurística manual en Excel, una optimización algorítmica clásica completa en Python (12 activos seleccionados sobre el universo S&P 500 mediante un score multicriterio), y un pipeline híbrido clásico-cuántico en tres etapas (preselección de 25 candidatos por decorrelación, selección cuántica vía QAOA, optimización Markowitz final de los pesos continuos). Las tres implementaciones se evalúan mediante un protocolo de walk-forward backtesting (in-sample 2019-2022, out-of-sample 2022-2025) frente al benchmark SPY. Los resultados muestran que QAOA recupera la solución óptima exacta, validada previamente por enumeración combinatoria de los 5 200 300 subconjuntos posibles, en el 20% de las ejecuciones a profundidad p=3, lo que valida la viabilidad de la cadena Markowitz - QUBO - QAOA. La cartera del pipeline híbrido obtiene un Sharpe in-sample de 1,54 pero una performance out-of-sample de 0,15, inferior al benchmark SPY (0,38), con una tasa de degradación del 90,4% comparable a la del enfoque Markowitz clásico (89,8%). Esta convergencia confirma que el cuello de botella estructural reside en la estimación clásica de los parámetros y no en el algoritmo cuántico. El trabajo concluye que la ventaja cuántica efectiva requiere problemas de mayor escala y restricciones cualitativas más complejas que las consideradas aquí.
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.