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

Ingeniare. Revista chilena de ingeniería

Optimización cuántica para planificación minera con capacidad flexible: Implementación de QAOA con variables de holgura

Bairon Rojas-Castro, Aldo Quelopana

Published Sep 4, 2026• 0 citations
Publisher

Abstract

Este trabajo presenta un estudio exploratorio y preliminar sobre la aplicación de un algoritmo cuántico variacional para resolver problemas de planificación minera a cielo abierto con capacidad de extracción flexible. El objetivo principal es evaluar la viabilidad técnica de la formulación propuesta y su resolución mediante QAOA, más que comparar su rendimiento frente a métodos clásicos o cubrir un amplio rango de instancias. Se desarrolla una formulación Quadratic Unconstrained Binary Optimization (QUBO) que incorpora variables de holgura para modelar restricciones de capacidad del tipo “menor o igual”, permitiendo operaciones por debajo de la capacidad máxima sin penalizaciones. La metodología emplea el Quantum Approximate Optimization Algorithm (QAOA) para optimizar la selección de bloques maximizando la ganancia económica de la extracción mientras respeta restricciones de precedencia geológica y límites operativos flexibles. El enfoque se valida mediante un caso de estudio en un yacimiento sintético de cobre de 18 bloques resuelto en un simulador cuántico, demostrando la capacidad del algoritmo cuántico para manejar la complejidad adicional introducida por las variables auxiliares. Esta investigación establece fundamentos para aplicar computación cuántica a problemas de planificación minera con mayor flexibilidad operativa.

DOI
10.64966/ingeniare.v34.01

Related papers

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

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

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

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

Optimization of memory management in quantum simulators through data compression without loss of precision

Daniel González Buendía, Javier Andrés Sarmiento Salazar

La simulación clásica de circuitos cuánticos sigue siendo un recurso indispensable para diseñar, validar y analizar algoritmos cuánticos. No obstante, en los simuladores de estado completo su alcance práctico queda limitado por el crecimiento exponencial de la memoria requerida para almacenar el vector de estado. En respuesta a esta restricción, el presente trabajo estudia la compresión sin pérdida como mecanismo de gestión de memoria en simuladores cuánticos tipo Schrödinger, con el objetivo de reducir la huella de almacenamiento sin introducir alteraciones numéricas en la simulación. La propuesta comprende la selección de un simulador base y de una biblioteca de compresión adecuada, el diseño de una arquitectura de almacenamiento por bloques con descompresión selectiva y caché LRU, su implementación en TMFQSfullstate mediante Blosc2 y su evaluación experimental frente a una ejecución de referencia sin compresión y a una estrategia con pérdida controlada basada en ZFP. La validación se realizó con circuitos representativos de comportamientos contrastantes de compresibilidad, en particular Grover y la transformada cuántica de Fourier, para instancias entre 20 y 25 qubits. Los resultados muestran que la estrategia sin pérdida basada en Blosc logra reducciones significativas de memoria en escenarios favorables, especialmente en Grover, manteniendo coincidencia exacta con la referencia no comprimida y error absoluto máximo nulo en todos los casos evaluados. También evidencian que la eficacia de la compresión depende de la estructura del estado cuántico y del patrón de acceso al vector, por lo que no puede asumirse un beneficio uniforme entre algoritmos. En conjunto, el trabajo demuestra que la compresión sin pérdida es una alternativa viable para ampliar la capacidad práctica de simulación cuando la memoria es la restricción dominante y el estado conserva regularidades aprovechables.

•May 26, 2026•0 citations

Algoritmos cuánticos para la resolución del problema de satisfacibilidad booleana

María Prieto Gil

Este Trabajo Fin de Grado tiene como objetivo el estudio de la computación cuántica y el desarrollo de un algoritmo cuántico para la resolución de una variante del problema de satisfacibilidad booleana. La computación cuántica es una rama de investigación que está actualmente en sus inicios. Basa su funcionamiento en fenómenos de la física cuántica, que permite realizar cálculos de forma paralelizable. El interés por este campo surge por la capacidad que podrían alcanzar los ordenadores cuánticos de resolver problemas computacionalmente más rápido que los ordenadores clásicos. Tras la comprensión de los principios básicos de la computación cuántica se han estudiado en detalle algunos de los algoritmos cuánticos más conocidos, centrándose en el algoritmo de Grover. Finalmente se ha podido llevar a cabo el desarrollo de un algoritmo para resolver una variante del problema de satisfacibilidad booleana, el problema ‘Exactly-1 3-SAT’, que basa su funcionamiento en el algoritmo de Grover. Se han desarrollado tres posibles implementaciones de este algoritmo y se han realizado pruebas tanto en un simulador, como en un ordenador cuántico real. El problema ‘Exactly-1 3-SAT’ es un problema perteneciente a la clase de complejidad NP-completo, cuya resolución de forma cuántica reduce el tiempo de computación notablemente con respecto a la forma clásica.

•Jun 1, 2019•0 citations
Este trabajo presenta un estudio exploratorio y preliminar sobre la aplicación de un algoritmo cuántico variacional para resolver problemas de planificación minera a cielo abierto con capacidad de extracción flexible. El objetivo principal es evaluar la viabilidad técnica de la formulación propuesta y su resolución mediante QAOA, más que comparar su rendimiento frente a métodos clásicos o cubrir un amplio rango de instancias. Se desarrolla una formulación Quadratic Unconstrained Binary Optimization (QUBO) que incorpora variables de holgura para modelar restricciones de capacidad del tipo “menor o igual”, permitiendo operaciones por debajo de la capacidad máxima sin penalizaciones. La metodología emplea el Quantum Approximate Optimization Algorithm (QAOA) para optimizar la selección de bloques maximizando la ganancia económica de la extracción mientras respeta restricciones de precedencia geológica y límites operativos flexibles. El enfoque se valida mediante un caso de estudio en un yacimiento sintético de cobre de 18 bloques resuelto en un simulador cuántico, demostrando la capacidad del algoritmo cuántico para manejar la complejidad adicional introducida por las variables auxiliares. Esta investigación establece fundamentos para aplicar computación cuántica a problemas de planificación minera con mayor flexibilidad operativa.
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.
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 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.
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.
La simulación clásica de circuitos cuánticos sigue siendo un recurso indispensable para diseñar, validar y analizar algoritmos cuánticos. No obstante, en los simuladores de estado completo su alcance práctico queda limitado por el crecimiento exponencial de la memoria requerida para almacenar el vector de estado. En respuesta a esta restricción, el presente trabajo estudia la compresión sin pérdida como mecanismo de gestión de memoria en simuladores cuánticos tipo Schrödinger, con el objetivo de reducir la huella de almacenamiento sin introducir alteraciones numéricas en la simulación. La propuesta comprende la selección de un simulador base y de una biblioteca de compresión adecuada, el diseño de una arquitectura de almacenamiento por bloques con descompresión selectiva y caché LRU, su implementación en TMFQSfullstate mediante Blosc2 y su evaluación experimental frente a una ejecución de referencia sin compresión y a una estrategia con pérdida controlada basada en ZFP. La validación se realizó con circuitos representativos de comportamientos contrastantes de compresibilidad, en particular Grover y la transformada cuántica de Fourier, para instancias entre 20 y 25 qubits. Los resultados muestran que la estrategia sin pérdida basada en Blosc logra reducciones significativas de memoria en escenarios favorables, especialmente en Grover, manteniendo coincidencia exacta con la referencia no comprimida y error absoluto máximo nulo en todos los casos evaluados. También evidencian que la eficacia de la compresión depende de la estructura del estado cuántico y del patrón de acceso al vector, por lo que no puede asumirse un beneficio uniforme entre algoritmos. En conjunto, el trabajo demuestra que la compresión sin pérdida es una alternativa viable para ampliar la capacidad práctica de simulación cuando la memoria es la restricción dominante y el estado conserva regularidades aprovechables.
Este Trabajo Fin de Grado tiene como objetivo el estudio de la computación cuántica y el desarrollo de un algoritmo cuántico para la resolución de una variante del problema de satisfacibilidad booleana. La computación cuántica es una rama de investigación que está actualmente en sus inicios. Basa su funcionamiento en fenómenos de la física cuántica, que permite realizar cálculos de forma paralelizable. El interés por este campo surge por la capacidad que podrían alcanzar los ordenadores cuánticos de resolver problemas computacionalmente más rápido que los ordenadores clásicos. Tras la comprensión de los principios básicos de la computación cuántica se han estudiado en detalle algunos de los algoritmos cuánticos más conocidos, centrándose en el algoritmo de Grover. Finalmente se ha podido llevar a cabo el desarrollo de un algoritmo para resolver una variante del problema de satisfacibilidad booleana, el problema ‘Exactly-1 3-SAT’, que basa su funcionamiento en el algoritmo de Grover. Se han desarrollado tres posibles implementaciones de este algoritmo y se han realizado pruebas tanto en un simulador, como en un ordenador cuántico real. El problema ‘Exactly-1 3-SAT’ es un problema perteneciente a la clase de complejidad NP-completo, cuya resolución de forma cuántica reduce el tiempo de computación notablemente con respecto a la forma clásica.