En este trabajo realizamos un estudio de una propuesta cuántica para construir un Support Vector Machine (SVM). El cual es uno de los métodos más robustos dentro de Machine learning (ML), para este fin, estudiamos toda la teoría de ML relacionada con SVMs: Paradigma de aprendizaje, clasificación con hiperplanos, cuantificación del error y regularización de conjuntos de hipótesis. Así como el tratamiento de los kernels, el corazón de los SVMs. En paralelo, realizamos un estudio de las bases necesarias de la computación cuántica (QC) para implementar SVM cuánticos. Trabajamos desde qubits, con énfasis en el fenómeno de superposición, hasta algoritmos para estimación de fase, exponenciar operadores e invertir matrices arbitrarias. Juntamos las dos líneas con el estudio detallado del SVM cuántico como fue propuesto por Rebentrost [et al.]. Finalmente, proponemos una extensión a esta formulación para incluir un kernel gaussiano
En este trabajo realizamos un estudio de una propuesta cuántica para construir un Support Vector Machine (SVM). El cual es uno de los métodos más robustos dentro de Machine learning (ML), para este fin, estudiamos toda la teoría de ML relacionada con SVMs: Paradigma de aprendizaje, clasificación con hiperplanos, cuantificación del error y regularización de conjuntos de hipótesis. Así como el tratamiento de los kernels, el corazón de los SVMs. En paralelo, realizamos un estudio de las bases necesarias de la computación cuántica (QC) para implementar SVM cuánticos. Trabajamos desde qubits, con énfasis en el fenómeno de superposición, hasta algoritmos para estimación de fase, exponenciar operadores e invertir matrices arbitrarias. Juntamos las dos líneas con el estudio detallado del SVM cuántico como fue propuesto por Rebentrost [et al.]. Finalmente, proponemos una extensión a esta formulación para incluir un kernel gaussiano
Resumen.En estas notas se exponen con detalle y de manera autocontenida las herramientas básicas de la teoría de los espacios de Hilbert complejos de dimensión infinita, que son necesarias para un primer estudio, matemáticamente riguroso, de la mecánica cuántica.En la última parte incluimos una introducción axiomática a la mecánica cuántica y una breve exposición del modelo del oscilador armónico y de la teoría de estados cuánticos Gaussianos. IntroducciónLa mecánica cuántica es la rama de la física que estudia los fenómenos físicos que ocurren en escalas de longitudes muy pequeñas.El calificativo "cuántico" surge de, en contraste con la mecánica clásica, considerar algunas cantidades que toman solamente valores discretos i.e., en "paquetes" o quantum-quanta en latín.Aún cuando hay muchas nociones de la mecánica cuántica que aún suscitan controversia, esta teoría se aplica exitosamente para describir el comportamiento de sistema físicos y sus predicciones son consistentes con los experimentos.Los sistemas físicos que estudia la mecánica cuántica, exhiben propiedades ondulatorias que se pueden describir mediante una ecuación de onda, por ejemplo, la bien conocida "ecuación de Schrödinger", que describe la evolución temporal de una partícula subatómica con masa, en el contexto no relativista.En estas notas trabajamos con el formalismo de matrices de densidad, que permite describir estados que son mezclas de estados puros.En consecuencia, este enfoque resulta ser una herramienta poderosa para describir sistemas cuánticos más generales, por ejemplo, acoplamientos (ensambles) de muchos sistemas cuánticos idénticos.El material que se presenta en este trabajo está dividido en cuatro secciones compuestas de la siguiente manera: la sección 1 contiene una selección de resultados de índole geométrico y analítico de la teoría de espacios de Hilbert: ortogonalidad y descomposición ortogonal, convexidad, operadores lineales, norma de operadores y funcionales lineales.La sección 2 se concentra en la clase de los operadores compactos, particularmente en los operadores de la clase de traza y de manera especial, en los operadores de Hilbert-Schmidt.Es relevante mencionar que los estados cuánticos se representan mediante operadores positivos de traza uno.La sección 3 se dedica al estudio de operadores no acotados que pueden no estar densamente definidos en un espacio de Hilbert.Abordamos también el estudio de operadores cerrados y cerrables, el adjunto de un operador y una introducción a la teoría espectral de operadores.Una parte esencial de esta sección son los operadores simétricos e isométricos, los cuales exhiben similitudes en sus propiedades geométricas y espectrales.Cabe señalar que las observables físicas se representan por operadores simétricos típicamente no acotados.Por último, en la sección 4 se discuten brevemente postulados de la mecánica cuántica en el marco del formalismo de matrices de densidad, se revisa el modelo del oscilador armónico cuántico y se ofrece una introducción a los estados cuánticos Gaussianos.Al final de cada sección incluimos una selección de problemas que sirven para complementar estas notas.El lector interesado puede profundizar en el estudio de resultados aquí expuestos, desde los más básicos hasta los más avanzados, en la literatura clásica de operadores lineales, por ejemplo en [1,2,3,4,13,20].
En este trabajo se aborda, estudia y analiza la supremacía cuántica, y en particular, la propuesta de supremacía del grupo de investigación de Google, en la que desarrollaron un procesador cuántico que pudiera realizar una tarea específica. Para lograr una compresión profunda y detallada, se estudian los inicios y los conceptos más relevantes de la computación cuántica. También, se abordan las bases de la teoría de complejidad, que permite comprender el contexto y la relevancia de la supremacía cuántica. En cuanto al punto central, el experimento de Google, se explica la tarea realizada: el muestreo de la distribución de salida de una instancia de un circuito cuántico aleatorio. Así mismo, se explica el diseño particular de Google, con 53 qubits superconductores transmon, a los que se les aplican compuertas de uno y dos qubits, para construir un circuito de profundidad 20, que se ejecuta un millón de veces y así, determinar la distribución de salida. Adicionalmente, se abordan brevemente los algoritmos utilizados para realizar la simulación, uno basado en la simulación del vector de estados completo en la versión de Schrödinger y en el otro, se usa la integral de camino de Feynman. También, se estudia la Cross Entropy Benchmarking, que es un método que mide la fidelidad del resultado cuántico con respecto a lo esperado. Además, se presentan y estudian los procesos y cálculos de Google, por medio de los cuales se encuentra que la tarea tarda unos 200 segundos en el dispositivo cuántico, con una fidelidad de 0,2% y se estima que a la versión clásica le tomaría unos 10.000 años realizar la misma tarea. Por último, se analizan los resultados obtenidos y su impacto, mientras se abordan algunas opiniones de otros autores. En particular, de las posiciones presentadas, es relevante la de IBM, quienes al realizar la misma simulación de Google pero mejorando la implementación de los algoritmos, estimaron la tarea en un simulador clásico tomaría tan solo 2,5 días.
Este documento desarrolla un análisis integral y profundamente técnico sobre la convergencia entre la computación cuántica y la inteligencia artificial, examinando los fundamentos físicos, algorítmicos y computacionales que están dando forma a un nuevo paradigma tecnológico. El texto expone de manera rigurosa los conceptos esenciales de qubits, superposición, entrelazamiento, algoritmos cuánticos de referencia y la evolución hacia la era NISQ, junto con una explicación detallada del aprendizaje automático moderno, sus limitaciones y la motivación para buscar aceleración cuántica. A partir de ese marco, se presenta un estudio completo de la inteligencia artificial cuántica (QAI), incluyendo arquitecturas híbridas, modelos nativos cuánticos, algoritmos variacionales, kernels cuánticos, aprendizaje supervisado y no supervisado cuántico, refuerzo cuántico, métodos generativos y optimización combinatoria mediante QAOA y recocido cuántico. El documento analiza aplicaciones sectoriales reales en salud, finanzas, energía, transporte, defensa y seguridad, así como estudios y casos documentados en laboratorios líderes como Google, IBM, RIKEN, NASA, USRA y múltiples startups especializadas. Profundiza en cómo la IA clásica potencia el desarrollo cuántico por medio de calibración autónoma, mitigación y corrección de errores, optimización experimental y descubrimiento automático de algoritmos. Finalmente, se abordan los desafíos técnicos, computacionales, éticos y teóricos que enfrenta la IA cuántica, incluyendo limitaciones del hardware NISQ, carga y extracción de datos, barren plateaus, ausencia de ventaja cuántica práctica demostrada y vacíos normativos emergentes. Dirigido a investigadores, ingenieros, decisores estratégicos y profesionales en ciencia de datos, computación cuántica, IA, ciberseguridad y prospectiva tecnológica que buscan comprender el estado del arte y las implicaciones geopolíticas y científicas de esta convergencia en rápido crecimiento.
La computación cuántica tiene una base teórica de más de tres décadas que muestra aceleraciones polinómicas y exponenciales sobre los algoritmos clásicos. Los procesadores que se construyen hoy, sin embargo, son ruidosos, pequeños y de conectividad limitada, aún lejos de aprovechar esa ventaja en problemas de escala real. Este trabajo es un estudio experimental que mide qué tan profunda es esa brecha para cuatro algoritmos cuánticos fundamentales: Bernstein–Vazirani, Simon, Grover sobre instancias de k-SAT y la estimación cuántica de fase. Para cada algoritmo se construyó una contraparte clásica de referencia y se evaluaron, por cada tamaño de entrada, todas las combinaciones posibles de tres modelos de ruido (error de lectura, despolarizante y relajación térmica) con tres topologías de hardware (ideal, lineal de 20 qubits y heavy-hex de 127 qubits, esta última inspirada en el chip ibm_brisbane). El estudio se hizo enteramente en simulación porque permite controlar de forma independiente cada parámetro del ruido y de la conectividad, condición necesaria para hacer comparaciones limpias entre escenarios. Cada uno de los 39 escenarios resultantes por tamaño se repitió 25 veces y los resultados se reportan con intervalo de confianza al 95 % calculado con la t de Student. Toda la infraestructura (algoritmos, generador de instancias, modelos de ruido, scripts de análisis e interfaz gráfica para exploración interactiva) queda reproducible y abierta. Los hallazgos principales son tres. Primero, la ventaja teórica sobrevive en los algoritmos de poca profundidad como Bernstein–Vazirani, mientras que en Grover y en la estimación de fase el ruido deteriora rápidamente el speedup a medida que crece el número de iteraciones. Segundo, el tipo de ruido importa tanto como su nivel: el error de lectura es el menos agresivo porque no se acumula con la profundidad del circuito, mientras que el despolarizante es el más severo. Tercero, la topología influye de forma indirecta pero significativa porque condiciona la cantidad de compuertas SWAP que el compilador debe insertar y, por esa vía, aumenta la profundidad efectiva del circuito. El framework, los datos y los análisis quedan disponibles para quien quiera prototipar pruebas de algoritmos cuánticos en la era NISQ sin depender de tiempo en hardware real.
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.
La computación cuántica ha emergido como un paradigma revolucionario con el potencial de mejorar significativamente la resolución de problemas computacionales complejos. El algoritmo K-Means es ampliamente utilizado en la minería de datos para la clasificación y segmentación de grandes volúmenes de información. Sin embargo, su desempeño se ve afectado por problemas de escalabilidad y sensibilidad a la inicialización de centroides. Esta investigación explora la implementación de técnicas de computación cuántica para optimizar el algoritmo KMeans, proponiendo un modelo híbrido que combina elementos de la mecánica cuántica, como la superposición y el entrelazamiento, con la lógica del aprendizaje automático clásico. Se desarrolla una implementación del algoritmo cuántico en un entorno de simulación utilizando Qiskit, evaluando su rendimiento en comparación con K-Means clásico mediante métricas como la precisión y la cohesión de los clústeres. Los resultados muestran que el modelo cuántico logra una mejora en la eficiencia computacional y en la calidad de los clústeres, reduciendo el impacto de la inicialización aleatoria y optimizando la convergencia del proceso de agrupamiento. Finalmente, se presentan las limitaciones y desafíos de la computación cuántica aplicada a problemas de clasificación, destacando la necesidad de avances en hardware y algoritmos para lograr implementaciones prácticas a gran escala.