Exploramos técnicas de Machine Learning y conceptos de Computación Cuántica que podrían aplicarse en Física de Altas Energías desde una perspectiva fenomenológica y teórica. En este marco, mostramos las principales herramientas para explorar las extensiones del Modelo Estándar, el proceso de decaimiento y el espacio de parámetros. Con este conjunto de herramientas, queremos explorar los límites y definir las regiones de exclusión, estos resultados podrían ser interesantes para la próxima generación de colisionadores y podrían resultar útiles en la comprensión de los fenómenos. We explore Machine Learning techniques and Quantum Computing concepts that could be applied in High Energy Physics considering a phenomenological and theoretical view. In this framework, we show the main tools to explore the Standard Model extensions, decay process and the parameter space. With this set of tools, we want to explore the bounds and define exclusion regions, this results might be interesting for the next generation of colliders and could prove to be useful in the understanding of phenomena.
Exploramos técnicas de Machine Learning y conceptos de Computación Cuántica que podrían aplicarse en Física de Altas Energías desde una perspectiva fenomenológica y teórica. En este marco, mostramos las principales herramientas para explorar las extensiones del Modelo Estándar, el proceso de decaimiento y el espacio de parámetros. Con este conjunto de herramientas, queremos explorar los límites y definir las regiones de exclusión, estos resultados podrían ser interesantes para la próxima generación de colisionadores y podrían resultar útiles en la comprensión de los fenómenos. We explore Machine Learning techniques and Quantum Computing concepts that could be applied in High Energy Physics considering a phenomenological and theoretical view. In this framework, we show the main tools to explore the Standard Model extensions, decay process and the parameter space. With this set of tools, we want to explore the bounds and define exclusion regions, this results might be interesting for the next generation of colliders and could prove to be useful in the understanding of phenomena.
Este trabajo explora la aplicación de métodos de aprendizaje automático en la metrología cuántica, integrando técnicas clásicas y avanzadas para superar los límites impuestos por la mecánica cuántica en la medición. Se revisan fundamentos teóricos y prácticos de modelos como la regresión lineal, redes neuronales, métodos de kernel y procesos gaussianos, y se analizan sus aplicaciones en sistemas atómicos y moleculares. En particular, se abordan problemas como el cambio de fase en el modelo de Ising y la interpolación de superficies de energía potencial en la molécula H3O+, demostrando que la integración de ML con conceptos cuánticos puede mejorar la precisión y robustez de las mediciones. Los resultados presentados ofrecen perspectivas y herramientas para la interpretación de datos en física y química modernas.
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 es un paradigma de computación basado en las propiedades de la mecánica cuántica. Su unidad básica de información es el qubit, que permite estar en una superposición de múltiples estados. Esta propiedad, entre otras, permite la representación y manipulación de información de maneras que presentan potenciales ventajas respecto de otros tipos de computación. Sin embargo los ordenadores cuánticos actuales están limitados por la cantidad de ruido que sufren sus qubits. Los algoritmos cuánticos variacionales son una familia de arquitecturas de algoritmos cuánticos que surgen como una oportunidad en esta situación ya que debido a sus propiedades son capaces de alcanzar buenos resultados a pesar del ruido. La efectividad de esta aproximación depende de diversos factores como la tarea a resolver, el circuito cuántico utilizado, la optimización clásica, etc. que deben ser adaptados en cada situación. El objetivo de este proyecto es comprender y estudiar esta familia de arquitecturas desde sus fundamentos teóricos, y posteriormente realizar simulaciones que pongan en práctica estos conceptos. Para ello en la primera sección se definen los principios teóricos de la computación cuántica, para luego definir la arquitectura común entre los algoritmos variacionales y finalmente concretar en tres implementaciones relevantes, que después de exponerse serán implementadas con herramientas software de simulación de computación cuántica.
Este libro ofrece las herramientas fundamentales para comprender los conceptos de la computación cuántica de altas dimensiones. Comienza con una introducción a la computación cuántica en la que se explican fenómenos cómo la superposición cuántica, la de coherencia, el paralelismo cuántico y el entrelazamiento cuántico. El lector irá familiarizándose rápidamente con el uso de qubits para entender luego las ideas y el álgebra lineal que soporta el ámbito multidimensional de la computación cuántica. Una de las temáticas de mayor importancia es el desarrollo matemático de las principales compuertas cuánticas de dos dimensiones y cómo estas son extrapoladas a múltiples dimensiones. Se explica la generalización unificada de compuertas cuánticas de altas dimensiones que se obtuvo de la investigación de los autores donde se destaca la relación encontrada entre el operador adjunto de Weyl y las compuertas de Pauli de altas dimensiones, y la propuesta de una ecuación generalizada que describe la transformada cuántica de Fourier de altas dimensiones. El lector podrá conocer también de qué manera pudo llevarse a cabo la implementación en código de cada una de estas compuertas en QuantumSkynet, un novedoso simulador de computación cuántica de altas dimensiones basado en la nube. Al final se muestran los resultados obtenidos de la simulación de dos circuitos cuánticos sobre QuantumSkynet: el algoritmo de Deutsch-Jozsa y el Algoritmo de Estimación de Fase Cuántica para sus versiones en altas dimensiones. El texto está diseñado de tal manera que diferentes tipos de lectores puedan comprenderlo, ya sea que cuenten o no con conocimientos previos de mecánica cuántica.
La computación cuántica es un nuevo paradigma de computación que se presenta como un sistema basado en la máquina de Turing en el que se emplean fenómenos físicos fundamentales, como el entrelazamiento cuántico, la superposición cuántica o el teleportación cuántica (enlaces EPR), para transportar y/o transformar los datos. Al ser una máquina de Turing fundamental, el computador cuántico presenta los siguientes elementos esenciales para la construcción de circuitos: 1) el qubit como elemento mínimo de transmisión de información y 2) las puertas cuánticas como elementos mínimos de transformación de información. Con estos elementos podemos teóricamente generar cualquier algoritmo, al igual que lo puede hacer un computador clásico basado en la máquina de Turing, y así la atención se centra en ver que ejecuciones en computación cuántica poseen ventajas respecto a la computación clásica. Hasta la formulación del algoritmo de Shor, la ventaja en la ejecución de los algoritmos cuánticos frente a los algoritmos clásicos no se percibía claramente, lo que convertía a la computación cuántica en una mera anécdota en la historia de la computación. Fueron la superposición y el entrelazamiento cuánticos en la ejecución de ciertos procesos, lo que mostró el gran potencial de este paradigma, aumentando el interés de empresas privadas por las tecnologías cuánticas. En la actualidad nos encontramos en el amanecer de la computación cuántica y así, de forma similar a los enormes ordenadores de válvulas de vacío de los 70, los computadores cuánticos son difíciles de encontrar, pero, a diferencia de los 70, Internet y la conectividad humana actual permiten que una enorme comunidad volcada en la computación cuántica avance a pasos agigantados. Cientos de miles de usuarios colaboran en pos del conocimiento, ejecutando numerosos algoritmos en un pequeño número de computadores que requieren de una temperatura extremadamente baja (aproximadamente -273ºC) que garantice un funcionamiento fiable. Hoy por hoy, el algoritmo de Shor es solo uno más de los muchos algoritmos de los que se sabe o sospecha que tienen ventaja en entornos cuánticos, convirtiendo el paradigma cuántico en sistemas de computación que sin duda en un futuro cercano jugarán un papel esencial en el desarrollo de la humanidad. Es por ello, que muchos investigadores emplean el paradigma cuántico en la resolución de problemas en una de las áreas de computación más revolucionarias, la Inteligencia Artificial. A pesar de los avances de la Inteligencia Artificial en procesadores clásicos, los investigadores sospechan que el dominio de la superposición cuántica y el entrelazamiento cuántico pueden cambiar todo el panorama y las ideas preconcebidas sobre la Inteligencia Artificial y el Aprendizaje Automático. En este escenario, el presente trabajo comprueba la capacidad de la computación cuántica en un contexto de aprendizaje automático. Para ello, analiza las principales diferencias entre computación clásica y cuántica, describiendo el funcionamiento de esta última. El trabajo se centra en un algoritmo supervisado muy extendido por sus buenos resultados, el Support Vector Machine (SVM), del que se explican los fundamentos para analizar las capacidades y limitaciones del algoritmo en los entornos clásico y cuántico. Se aplica el SVM en un problema de clasificación real, utilizando una base de datos médicos sobre cáncer de mama. Los resultados muestras la superioridad en capacidad de discriminación de la versión cuántica frente a la clásica. Abstract: Quantum computing represents a new paradigm of computing. It is presented as a system based on Turing´s data machine embedded in different physics fundaments than a classical machine. These fundamental phenomena are also known as quantum phenomena, from entanglement and quantum superposition through quantum teleportation (EPR links). As a fundamental Turing machine, the quantum computer presents the essential elements for the construction of circuits: 1) the qubit as the minimum element of information transmission and 2) the quantum gates as element of minimum information transformation. With these elements, we can generate any algorithm, as well as a classic computer based on a Turing machine can do. By supposedly being able to execute any algorithm in a quantum computer, the objective becomes not to see what it is executable, but what executions have advantages over a classical computation. Until Shor's algorithm, scholars did not conceive a high level of advantage in the execution of quantum algorithms against classical ones, leaving the quantum computer as an anecdote in the history of computing. When the advantages of quantum superposition and entanglement in the execution of certain processes were discovered, new possibilities and advantages were opened up to this computing paradigm, increasing the interest of private companies for this type of technology. Today, we are at the dawn of quantum computing, similar to the huge vacuum valve computers of the 70s, quantum computers are hard to find. However, unlike the '70s, the Internet and current human connectivity allows for a huge community dedicated to quantum computing to advance this technology. Hundreds of thousands of users collaborate in the pursuit of knowledge, trying to execute numerous algorithms or processes in these computers. Currently Shor's algorithm is just one of the many algorithms known or suspected to have an advantage in quantum environments, converting the quantum paradigm into a computing model to be taken into account and, with high probability, in the future play an essential role in the development of humanity. That is why many researchers use this innovative way to solve problems in one of the most revolutionary areas of computing, Artificial Intelligence. Despite the advances in Artificial Intelligence in classical processors, researchers suspect that the domain of quantum superposition and entanglement can change the whole landscape and preconceptions about Artificial Intelligence and Machine Learning. In this scenario, the present project tests the capacity of quantum computing in an automatic learning context. Due to this automatic learning context, this project analyses the main differences between classical and quantum computing while describing the operation of the latter. The work focuses on a supervised algorithm quite widespread for its good results, the Support Vector Machine (SVM), explaining its fundaments and analysing the capabilities and limitations of the algorithm in classical and quantum environments. The SVM is applied to a real classification problem, using a medical database on breast cancer. The results show the superiority in discrimination capability.
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].