El proyecto de investigación en curso, que aquí se presenta, propone estudiar las aplicaciones de la Computación Cuántica (QC) y la Inteligencia Artificial (IA) utilizando los simuladores de la Plataforma Cloud de IBM-Q en el campo de las Finanzas y el Trading Algorítmico para los Mercados Financieros. Con el fin de realizar avances y mejoras en las aproximaciones actuales se diseñará un modelo híbrido de ambas tecnologías que permita codificar algoritmos de Machine Learning en computadoras cuánticas, siempre manteniendo el criterio comparativo entre aproximaciones tradicionales y cuánticas, para (1) la administración de carteras de inversión y el análisis de riesgo; y (2) el procesamiento y análisis de datos alternativos, como por ejemplo redes sociales, earnings conference calls o noticias financieras.
El proyecto de investigación en curso, que aquí se presenta, propone estudiar las aplicaciones de la Computación Cuántica (QC) y la Inteligencia Artificial (IA) utilizando los simuladores de la Plataforma Cloud de IBM-Q en el campo de las Finanzas y el Trading Algorítmico para los Mercados Financieros. Con el fin de realizar avances y mejoras en las aproximaciones actuales se diseñará un modelo híbrido de ambas tecnologías que permita codificar algoritmos de Machine Learning en computadoras cuánticas, siempre manteniendo el criterio comparativo entre aproximaciones tradicionales y cuánticas, para (1) la administración de carteras de inversión y el análisis de riesgo; y (2) el procesamiento y análisis de datos alternativos, como por ejemplo redes sociales, earnings conference calls o noticias financieras.
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 optimización de carteras de inversión representa un desafío para el inversor al momento de seleccionar la combinación correcta de acciones a efectos de maximizar los retornos esperados y minimizar los riesgos. Es así que en contraste con el paradigma de la computación tradicional, la computación cuántica no sólo acelera de manera sustancial el proceso de las computadoras tradicionales si no que optimiza la performance del método que determina cuáles acciones deben ser incluidas en las carteras de inversión y cuáles no. En este trabajo presentamos un estudio de comparación y referencia entre el resultado obtenido por tres diferentes metodologías de optimización de cartera: a) aproximación clásica, b) aproximación cuántica, c) un híbrido entre la aproximación cuántica incorporando criterios de Inteligencia Artificial. Para el primero de los casos utilizamos el modelo de Markowitz, el cual es un algoritmo clásico para determinar carteras eficientes, para nuestra aproximación cuántica hemos trabajado con un algoritmo de optimización cuántico llamado Variational Quantum Eigensolver (VQE) y por último hemos intentado mejorar este último criterio de optimización con un índice de sentimiento calculado con procesamiento de lenguaje natural (NLP) y una métrica de forecasting multivariado basado en Machine Learning.
Este proyecto tiene como objetivo explorar el potencial de los algoritmos cuánticos en la simulación de redes neuronales biológicas. Aprovechando la computación cuántica en la nube proporcionada por IBM Quantum, se integran técnicas avanzadas de inteligencia artificial (IA) para optimizar y mejorar los modelos neuronales. Se utilizan datos detallados de conectividad y expresión génica obtenidos del Allen Brain Atlas, procesados y limpiados para facilitar su uso en simulaciones cuánticas. Los resultados demuestran la capacidad de los algoritmos cuánticos para manejar la complejidad de las redes neuronales biológicas, proporcionando una herramienta poderosa para la investigación en neurociencia y biología. La computación cuántica ofrece ventajas significativas en términos de eficiencia y escalabilidad para la simulación de sistemas biológicos complejos. Este trabajo detalla los pasos realizados, los resultados obtenidos y las conclusiones derivadas del proceso, destacando el papel crucial de la IA en la optimización de los parámetros del circuito cuántico y en el análisis de los resultados de las simulaciones
La investigación se realiza con el objetivo de relacionar la computación clásica y la computación cuántica, así como determinar cuáles serán las implicaciones que podríamos ver en un futuro. Como consecuencia, surgen las preguntas: ¿Será la computación clásica eventualmente reemplazada por su contraparte cuántica? ¿Vendrá esta tecnología a revolucionar totalmente el viejo paradigma de las computadoras clásicas o tendrá una aplicación específica en ciertas industrias y se complementará con las computadoras actuales? En este artículo responderemos a ambas preguntas por medio de la ejecución de varios algoritmos de prueba cuyos resultados son la base de nuestro análisis. Cabe destacar que este artículo no se basa en simulaciones, sino en ejecuciones reales de algoritmos cuánticos en una computadora cuántica de 15-qubits.
Este estudio exploró las aplicaciones potenciales de la computación cuántica en la educación personalizada, identificando oportunidades y desafíos teóricos en la integración de algoritmos cuánticos en sistemas de aprendizaje adaptativo. Mediante una revisión sistemática de la literatura publicada entre 2020 y 2024, se analizaron fuentes académicas relevantes sobre pedagogía cuántica, computación cuántica en educación y temas relacionados. Los resultados revelaron un impacto positivo de las tecnologías emergentes, particularmente la inteligencia artificial (IA), en la educación superior, mejorando la personalización del aprendizaje y el rendimiento académico. Se identificó una brecha significativa en la formación de profesores en física cuántica para educación secundaria, subrayando la necesidad de programas de desarrollo profesional específicos. El estudio concluyó que la integración de tecnologías como la IA y la computación cuántica tiene un gran potencial para optimizar la eficacia de los sistemas educativos personalizados. Sin embargo, se enfrentaron desafíos como la falta de formación docente adecuada y la necesidad de marcos pedagógicos específicos. Se propusieron futuras líneas de investigación, incluyendo estudios empíricos a largo plazo sobre el impacto de la pedagogía cuántica, el desarrollo de marcos pedagógicos para la integración de la computación cuántica en educación personalizada, y la exploración de la intersección entre IA y computación cuántica en contextos educativos.
Este trabajo presenta el diseño e implementación de modelos híbridos clásico-cuánticos para la predicción de ventas mediante la integración de redes neuronales LSTM y circuitos cuánticos, con el propósito de evaluar el impacto de la incorporación de procesamiento cuántico en tareas de predicción de series temporales, se utilizaron datos reales de ventas obtenidos de la plataforma Kaggle, planteando el problema como una tarea de predicción de ventas diarias a partir del comportamiento histórico de la serie. El proyecto se desarrolló en varias etapas que incluyeron el preprocesamiento de los datos, el diseño e implementación de un modelo LSTM clásico, la incorporación de tres arquitecturas híbridas basadas en Variational Quantum Circuits (VQC), Residual Hybrid y Quantum Long Short-Term Memory (QLSTM), y la comparación de su desempeño. Los modelos fueron implementados utilizando PyTorch y PennyLane, entrenados sobre los mismos conjuntos de datos y evaluados mediante las métricas de R cuadrado y el coeficiente de correlación de Pearson. Adicionalmente, las arquitecturas VQC y Residual Hybrid fueron ejecutadas en hardware cuántico de IBM, mientras que el modelo QLSTM fue evaluado mediante simulaciones con ruido utilizando Qiskit Aer. Los resultados obtenidos muestran que los modelos híbridos clásico-cuánticos constituyen una alternativa para explorar la integración de computación cuántica en tareas de predicción de series temporales, en los experimentos realizados, la arquitectura QLSTM obtuvo el mejor desempeño en la mayoría de los productos evaluados, obteniendo mejores resultados que las arquitecturas VQC y Residual Hybrid.