El presente artículo propone el Modelo de Superposición Cuántica de Valor (SQV) como una alternativa innovadora para abordar la ambivalencia en las decisiones de consumo, superando las limitaciones de los modelos de utilidad esperada y la Prospect Theory. El objetivo principal fue demostrar que las preferencias no son entidades fijas, sino estados probabilísticos dinámicos que se colapsan en una elección observada al interactuar con un contexto particular. Para alcanzar este propósito, se aplicó un enfoque teórico-exploratorio acompañado de simulaciones computacionales, comparando el desempeño del SQV frente a un modelo clásico de elección racional en escenarios caracterizados por efectos de dominancia asimétrica y atracción. Los resultados muestran que el modelo cuántico logra replicar con mayor exactitud patrones empíricos, reflejados en divergencias de Jensen–Shannon y log-verosimilitudes negativas más bajas en comparación con los enfoques tradicionales. Estos hallazgos corroboran que el valor económico no constituye una magnitud lineal ni estática, sino un fenómeno emergente y contextual, en sintonía con descubrimientos recientes en econofísica y neuroeconomía. En consecuencia, el marco SQV ofrece un vínculo formal entre las ciencias del comportamiento y la teoría cuántica de decisiones, con aplicaciones prácticas en la fijación dinámica de precios, el diseño de experiencias para usuarios y el desarrollo de algoritmos de recomendación en mercados digitales complejos.
El presente artículo propone el Modelo de Superposición Cuántica de Valor (SQV) como una alternativa innovadora para abordar la ambivalencia en las decisiones de consumo, superando las limitaciones de los modelos de utilidad esperada y la Prospect Theory. El objetivo principal fue demostrar que las preferencias no son entidades fijas, sino estados probabilísticos dinámicos que se colapsan en una elección observada al interactuar con un contexto particular. Para alcanzar este propósito, se aplicó un enfoque teórico-exploratorio acompañado de simulaciones computacionales, comparando el desempeño del SQV frente a un modelo clásico de elección racional en escenarios caracterizados por efectos de dominancia asimétrica y atracción. Los resultados muestran que el modelo cuántico logra replicar con mayor exactitud patrones empíricos, reflejados en divergencias de Jensen–Shannon y log-verosimilitudes negativas más bajas en comparación con los enfoques tradicionales. Estos hallazgos corroboran que el valor económico no constituye una magnitud lineal ni estática, sino un fenómeno emergente y contextual, en sintonía con descubrimientos recientes en econofísica y neuroeconomía. En consecuencia, el marco SQV ofrece un vínculo formal entre las ciencias del comportamiento y la teoría cuántica de decisiones, con aplicaciones prácticas en la fijación dinámica de precios, el diseño de experiencias para usuarios y el desarrollo de algoritmos de recomendación en mercados digitales complejos.
Este proyecto propone un enfoque innovador para la caracterización conductual de interacciones orales en centros de contacto, mediante modelos supervisados asistidos por circuitos cuánticos variacionales. El objetivo es clasificar atributos como las emociones, veracidad, el nivel de estrés y la identidad del hablante, a partir de señales acústicas. Se plantea como hipótesis que el uso de modelos híbridos cuántico-clásicos permite mejorar la precisión de clasificación en comparación con modelos tradicionales. La justificación radica en la necesidad de sistemas más eficientes para el análisis emocional y conductual en lenguaje oral. Se desarrolló un prototipo experimental que emplea un dataset simulados de conversaciones en call centers, procesados mediante técnicas fonéticas como MFCC. Se aplicaron métodos de reducción de dimensionalidad (PCA) y codificación de datos clásicos en circuitos cuánticos parametrizables. La arquitectura se basa en entrenamiento supervisado de modelos VQC utilizando optimización por desplazamiento de parámetros. Se emplearon bibliotecas como PennyLane y openSMILE en el procesamiento y entrenamiento. Como resultado preliminar, se observó que el modelo cuántico obtuvo una precisión comparable a los modelos clásicos como SVM y Random Forest en tareas de clasificación multiclase. Estos resultados son alentadores, ya que colocan a los circuitos cuánticos variacionales como una alternativa importante a la hora de abordar problemas complejos relacionados con el tratamiento del habla. Se concluye que la computación cuántica aplicada al aprendizaje automático ofrece ventajas prometedoras en contextos de análisis vocal, y representa una línea de investigación con alto potencial para el futuro del procesamiento del lenguaje oral.
La tesis presenta un nuevo modelo de procesamiento de la información basado en un paradigma que se denomina “Mapas Cognitivos Artificiales implementados sobre Espacios Topológicos Cuánticos”. La representación matemática de dicho modelo se realiza sobre un álgebra geométrica que inicialmente se implementa sobre dispositivos FPGA. El modelo de procesamiento descrito se instancia en una aplicación que es la base de una nueva infraestructura de mercados financieros denominada Quantum Market. El modelo de Mapas Cognitivos Artificiales para la representación de la información en el que nos basamos es el paradigma más avanzado de computación Neuro-Cuántica existente. La computación Neuro-Cuántica implementa aspectos de los sistemas nerviosos biológicos como copias analógicas o digitales en dispositivos analógicos o circuitos electrónicos. Las ventajas clave de la computación Neuro-Cuántica en comparación con los enfoques tradicionales son la eficiencia energética, la velocidad de aprendizaje y ejecución, la solidez frente a fallas locales y la capacidad de aprender en continuo a diferencia del aprendizaje de maquina al uso que diferencia las fases de aprendizaje de la de ejecución del algoritmo. La idea es desarrollar dispositivos artificiales que puedan llegar a “pensar” de forma creativa, reconocer personas u objetos que nunca han visto y de alguna manera adaptarse para actuar. Del marco de los conjuntos de datos, hasta cierto punto estáticos, que manejan las redes neuronales, hasta los objetos completamente dinámicos como base de los Mapas Cognitivos Artificiales. La tesis realiza una demostración práctica de la potencialidad del nuevo modelo en una nueva infraestructura de mercado financiero.
El presente trabajo de integración curricular tiene como objetivo analizar y comparar el desempeño de un algoritmo de búsqueda clásico y de un cuántico, en específico el algoritmo de Grover, con el fin de analizar y contrastar la ventaja computacional teórica y asintótica que proporciona la computación cuántica frente a los algoritmos clásicos, considerando las limitaciones del hardware cuántico actual. Se analizan las bases teóricas de estos dos enfoques, su complejidad temporal y su comportamiento frente a conjuntos de datos de tamaño distinto. La metodología que se emplea es la simulación de ambos algoritmos, es experimental, ya que permite observar y realizar comparaciones de tiempo y eficiencia para la localización de un elemento objetivo. En el caso del algoritmo cuántico, se implementa el algoritmo de Grover mediante simuladores cuánticos, analizando el impacto del número de qubits y de las iteraciones en los resultados obtenidos. Los resultados muestran que para la búsqueda clásica la complejidad de tiempo es O(n) en cambio en el caso del algoritmo de Grover esta se reduce a O(√n) siendo una mejora interesante que se centra en un n grande. A pesar de esto, existen limitaciones en la implementación de ordenadores cuánticos en la actualidad. Por último, se concluyó que el algoritmo de Grover es una alternativa bastante interesante para resolver problemas de búsqueda no estructurada y se muestra el potencial de la computación cuántica como una tecnología emergente con aplicaciones en la ingeniería.
La computación cuántica promete una potencia computacional sin precedentes al aprovechar principios mecánicos cuánticos como la superposición y el entrelazamiento. Sin embargo, el hardware cuántico actual está limitado por la cantidad de cúbits y las altas tasas de error, lo que dificulta la prueba de algoritmos cuánticos complejos a escala. Como resultado, los simuladores cuánticos basados en software que se ejecutan en computadoras clásicas se han convertido en herramientas esenciales para explorar algoritmos y rincipios cuánticos. Estos simuladores, aunque potentes, requieren recursos de memoria significativos debido al crecimiento exponencial de los tamaños de los estados cuánticos. Por ejemplo, representar un estado de N cúbits requiere 2^N números complejos, lo que supone una carga inmensa para los sistemas de memoria clásicos. Este trabajo investiga estrategias de gestión de memoria para optimizar el uso de recursos en simuladores de computación cuántica. Las técnicas exploradas incluyen la eliminación de estados, las estructuras de datos de estado completo, las optimizaciones de aplicaciones de puertas cuánticas, la compresión de datos y los enfoques de memoria distribuida. El objetivo es reducir el consumo de memoria al tiempo que se preserva la precisión de las simulaciones cuánticas. El estudio implementa estas estrategias en un simulador cuántico, proporcionando una comparación detallada de su rendimiento en varios algoritmos cuánticos. Los resultados resaltan las compensaciones entre la eficiencia computacional y el uso de la memoria, ofreciendo información sobre los enfoques más efectivos para escalar simulaciones cuánticas en hardware clásico.
La computación cuántica surge como un paradigma de procesamiento de información radicalmente distinto al clásico, al apoyarse en fenómenos propios de la mecánica cuántica —como la superposición y el entrelazamiento— para operar con cubits en lugar de bits. Los recientes avances en el desarrollo de computadores cuánticos han despertado un creciente interés entre estudiantes, docentes, investigadores y profesionales de la informática clásica. Estos se enfrentan a desafíos únicos, no solo por la incipiente madurez de la tecnología cuántica, sino también por la necesidad de ampliar su formación en varios frentes. Comprender el álgebra y la física subyacentes, abordar nuevas nociones de complejidad computacional y explorar dominios de aplicación en los que la computación clásica tiene poca presencia son algunos de los principales retos que deben afrontar. En respuesta a estos retos surge una oferta de literatura y de propuestas educativas que, además de dinámica, es muy variada en enfoque y nivel de complejidad. Definir y sostener un recorrido de aprendizaje ajustado a las expectativas y bases de cada individuo constituye un primer desafío, a veces inexpugnable. En este artículo se presentan avances en pos de entender mejor dicho desafío, tomando como base las experiencias de dos estudiantes avanzados de grado de informática que abordaron el tema mediante estrategias y fuentes de consulta distintas.Dicho análisis busca extraer lecciones sobre los métodos de apropiación de conocimientos en este campo emergente de la informática, con especial énfasis en estudiantes provenientes de la computación tradicional.
La corrección cuántica de errores constituye una condición esencial para construir computadores cuánticos capaces de ejecutar algoritmos largos y fiables. A diferencia de la corrección clásica, debe proteger estados cuánticos sin medir directamente ni destruir la información codificada, mediante redundancia, mediciones de síndrome y decodificación. El objetivo de este artículo es revisar el estado del arte entre 2020 y 2026, considerando códigos de superficie, códigos cuánticos de baja densidad de paridad (qLDPC), códigos bosónicos, decodificadores y circuitos dinámicos, así como su relación con aplicaciones prácticas. Se desarrolló una revisión narrativa de literatura científica y fuentes institucionales, con énfasis en resultados experimentales recientes y en las limitaciones que separan las demostraciones de memoria lógica de la ejecución de algoritmos útiles a gran escala. La literatura muestra avances en operación por debajo del umbral, reducción de errores lógicos al aumentar la distancia del código, decodificación en tiempo real y arquitecturas alternativas que buscan reducir el costo físico. Sin embargo, persisten desafíos relacionados con errores correlacionados, fuga de estados computacionales, conectividad, latencia, recursos para puertas lógicas tolerantes a fallos y escalabilidad. Las aplicaciones más prometedoras incluyen simulación cuántica, química y materiales, optimización y criptografía, aunque la corrección de errores no demuestra por sí sola una ventaja práctica en esas tareas. Se concluye que el progreso debe evaluarse por la calidad de los qubits lógicos, el costo total de recursos y la ejecución fiable de circuitos completos, no solo por el número de qubits físicos.