La fusión de la computación cuántica con el aprendizaje automático está allanando el camino para el Aprendizaje Automático Cuántico (QML, por sus siglas en inglés), un campo con el potencial de redefinir las capacidades computacionales en sectores como la criptografía, el descubrimiento de fármacos y las finanzas. En el núcleo de QML se encuentra la codificación de datos clásicos en estados cuánticos, una tarea tanto fundamental como compleja. El proceso de codificación permite representar la información clásica aprovechando las propiedades únicas de los sistemas cuánticos, como la superposición y el entrelazamiento, lo que facilita la ejecución de tareas intensivas en computación con una rapidez y eficiencia potencialmente sin precedentes.
La fusión de la computación cuántica con el aprendizaje automático está allanando el camino para el Aprendizaje Automático Cuántico (QML, por sus siglas en inglés), un campo con el potencial de redefinir las capacidades computacionales en sectores como la criptografía, el descubrimiento de fármacos y las finanzas. En el núcleo de QML se encuentra la codificación de datos clásicos en estados cuánticos, una tarea tanto fundamental como compleja. El proceso de codificación permite representar la información clásica aprovechando las propiedades únicas de los sistemas cuánticos, como la superposición y el entrelazamiento, lo que facilita la ejecución de tareas intensivas en computación con una rapidez y eficiencia potencialmente sin precedentes.
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 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.
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.
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.
Este proyecto de titulación se centra en la aplicación de la computación cuántica a través del entorno Qiskit, con el objetivo de analizar la seguridad criptográfica en relación con la comparación entre cifrados clásicos y cuánticos. El análisis se desarrolla mediante el estudio del espacio de búsqueda de claves en esquemas criptográficos simétricos, considerando escenarios de tamaño reducido que permiten evaluar su comportamiento bajo modelos de cómputo clásico y cuántico. Para el enfoque cuántico, se emplea el algoritmo de Grover, el cual es implementado en un simulador cuántico mediante la construcción de circuitos que incluyen la inicialización en superposición uniforme, el oráculo de fase para marcar el estado objetivo y el operador de difusión encargado de la amplificación de amplitudes. Las simulaciones se ejecutan para diferentes cantidades de iteraciones, lo que permite analizar la evolución de la probabilidad de éxito en función del tamaño del espacio de búsqueda y del número de repeticiones del algoritmo. Las ejecuciones se realizan utilizando una semilla fija, lo que garantiza la reproducibilidad de los resultados y facilita la comparación entre los valores teóricos y los obtenidos mediante simulación. Se registran las probabilidades asociadas al estado marcado, así como el crecimiento del tamaño del circuito cuántico conforme aumenta el número de iteraciones. Los escenarios analizados corresponden a registros de tres y cuatro qubits, lo que permite un análisis detallado del comportamiento del algoritmo. Finalmente, se incorpora la comparación con la búsqueda clásica en los mismos espacios de búsqueda, permitiendo establecer una referencia directa entre ambos enfoques y evidenciar la ventaja del algoritmo de Grover en términos de eficiencia.
El presente trabajo de titulación aborda la aplicación de la computación cuántica en el ámbito de la seguridad criptográfica, mediante la implementación del simulador de circuitos cuánticos Qiskit Aer, con un esquema mínimo de autenticación, desafío y respuesta. El objetivo es analizar cómo los principios fundamentales de la mecánica cuántica pueden emplearse para validar la identidad de un usuario con un nivel de seguridad superior a los métodos clásicos. El estudio se fundamenta en fenómenos como la superposición, entrelazamiento, medición y el principio de indeterminación de Heisenberg en conjunto con la ley de la normalización. Asegurando que cualquier intento de observación o interferencia externa modifique el sistema, haciendo detectable la presencia de un intruso, tomando como respaldo las propiedades y leyes de la física dentro de la computación cuántica. En la primera sección, se estudian los sistemas criptográficos actuales con la finalidad de comparar con los métodos de encriptación cuántica. Para verificar las principales ventajas y cambios que se tiene en cada método. En la segunda sección, se procede a realizar pruebas mediante el simulador de circuitos cuánticos Qiskit, con la finalidad de realizar envíos para lograr una comunicación de datos de manera segura. En la tercera sección, se establece un umbral de decisión, para comparar los resultados de la encriptación cuántica frente a un escenario con un intruso dentro la comunicación con la finalidad de revisar la tasa de aciertos de ambos escenarios y sus porcentajes de aciertos. Finalmente, exponer los resultados simulados, demostrando el funcionamiento del enfoque cuántico, para fortalecer los mecanismos de la información direccionada a la seguridad criptográfica.