En este trabajo se examina las ventajas y beneficios que puede ofrecer la computación cuántica a los métodos que utiliza la meteorología, centrándose en su aplicación a la predicción numérica del clima (NWP, por sus siglas en inglés de Numerical Weather Prediction). Se abordan los desafíos actuales y el potencial que la computación cuántica presenta para optimizar procesos en la meteorología, como la predicción por conjuntos, los algoritmos de aprendizaje automático cuántico, y el procesamiento de grandes volúmenes de datos.Aunque la tecnología cuántica aplicada a la meteorología aún enfrenta desafíos significativos, ofrece oportunidades prometedoras en áreas críticas de predicción y análisis meteorológico, importantes en el contexto actual del cambio climático.Por este motivo, se muestra una implementación básica del algoritmo clásico del método Runge-Kutta que se utiliza para la integración temporal de ecuaciones diferenciales en simulaciones meteorológicas de gran escala. El algoritmo clásico se compara con una versión cuántica de baja complejidad considerando 4 variables, demostrándose la factibilidad del uso de herramientas cuánticas en la meteorología.
En este trabajo se examina las ventajas y beneficios que puede ofrecer la computación cuántica a los métodos que utiliza la meteorología, centrándose en su aplicación a la predicción numérica del clima (NWP, por sus siglas en inglés de Numerical Weather Prediction). Se abordan los desafíos actuales y el potencial que la computación cuántica presenta para optimizar procesos en la meteorología, como la predicción por conjuntos, los algoritmos de aprendizaje automático cuántico, y el procesamiento de grandes volúmenes de datos.Aunque la tecnología cuántica aplicada a la meteorología aún enfrenta desafíos significativos, ofrece oportunidades prometedoras en áreas críticas de predicción y análisis meteorológico, importantes en el contexto actual del cambio climático.Por este motivo, se muestra una implementación básica del algoritmo clásico del método Runge-Kutta que se utiliza para la integración temporal de ecuaciones diferenciales en simulaciones meteorológicas de gran escala. El algoritmo clásico se compara con una versión cuántica de baja complejidad considerando 4 variables, demostrándose la factibilidad del uso de herramientas cuánticas en la meteorología.
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.
Este trabajo se centra en el estudio de algoritmos de computación cuántica, con una introducción general al marco teórico de la computación cuántica, su naturaleza, estado actual y potencial en la resolución de problemas complejos. En particular, se aborda el uso de algoritmos cuánticos en tareas de optimización, un área de gran relevancia. Se analizarán problemas de optimización de funciones, enfocándonos en la optimización de diferentes tipos de potenciales. Para ello, se implementará el algoritmo QAOA (Quantum Approximate Optimization Algorithm), uno de los algoritmos cuánticos más representativos en este ámbito. Con el objetivo de contextualizar su rendimiento, se compararán sus resultados con los obtenidos mediante algoritmos clásicos de optimización como el método del descenso del gradiente y el método de Newton. El estudio incluirá tanto una comparación cuantitativa en términos de precisión, tiem- po de ejecución y calidad de la solución, como un análisis cualitativo de las diferencias entre enfoques clásicos y cuánticos. Asimismo, se examinará la influencia de los hiperparámetros de cada algoritmo sobre su rendimiento, con el propósito de identificar patrones o relaciones que permitan optimizar su configuración para distintos tipos de problemas.
La computación cuántica es un campo innovador en las ciencias de computación e información que actualmente se encuentra en vías de desarrollo con algoritmos e infraestructuras cada vez más elaborados. Este tipo de computación, en concreto la computación cuántica universal de puertas, posee un gran potencial de cálculo y, a lo largo de todo el proyecto, se detallan las características y propiedades que la hacen una computación alternativa y ventajosa frente a la computación clásica en problemas de cálculos masivos. Además de incluir la información más relevante sobre el contexto histórico de la mecánica cuántica, por la cual la computación cuántica se ha podido desarrollar, se introducen los conceptos principales de esta para la construcción de algoritmos con el paradigma de programación cuántico universal, analizando, a su vez, las ventajas que supone la utilización de dicho paradigma. También, se estudia el estado actual de la computación cuántica referente a tecnologías como los entornos de programación cuántica y las infraestructuras de máquinas cuánticas existentes de empresas relevantes como IBM o Microsoft. Una vez introducidos los conceptos fundamentales sobre computación cuántica, se detalla la construcción del algoritmo cuántico Quantum Counting con el cual se cuenta el número de soluciones de una determinada función objetivo abstracta, adaptable a muchos problemas reales, demostrando una ventaja cuántica frente a los algoritmos clásicos más eficientes que realizan el mismo trabajo. Análogamente, se investiga y se desarrolla un algoritmo cuántico muy reciente, más simple y eficiente que el Quantum Counting clásico, denominado Simpler Quantum Counting, el cual facilita la ejecución en ordenadores cuánticos reales por la reducción sustancial del número de operadores controlados. Estos dos algoritmos, el clásico y el simplificado, son ejecutados en simuladores y máquinas cuánticas utilizando funciones prueba con el correspondiente análisis de resultados. Finalmente, se enumeran una serie de aplicaciones prácticas del Quantum Counting útiles para la implementación de otros algoritmos cuánticos como el Quantum Amplitude Estimation o el algoritmo de Grover, además de otras utilidades en campos como la inteligencia artificial o problemas de explosión combinatoria, en los que la computación cuántica supone ventajas en cuanto a complejidad computacional. Abstract: Quantum computing is a breakthrough field in information and computation science whose quantum software and hardware are in a constant development process improving increasingly its possibilities. This type of computation, specifically the universal quantum gates computation, holds a great potential of calculation and its features and properties are explained all along the project, demonstrating the advantages against classical computation when it comes to massive calculation problems. Firstly, fundamental concepts of universal quantum computation are introduced focusing on algorithm construction using the quantum gate programming paradigm which advantages are analyzed. Also, an historic context of quantum mechanics is given to trace the evolution that brought quantum computing to reality. Moreover, quantum computing state-of-art is studied researching recent technologies as quantum programming environments and physical quantum devices of outstanding corporations as IBM or Microsoft. Once all fundamental concepts of quantum computing are explained, the construction of a quantum algorithm called Quantum Counting is detailed, whose purpose is to find the number of solutions of a given abstract function adaptable to real life problems. The quantum advantage of this algorithm is demonstrated by comparing it to the best classical algorithms with the same purpose. Then, a simplified version of the Quantum Counting algorithm is studied and implemented, named as Simpler Quantum Counting. It is a brand new quantum algorithm which reduces the number of controlled operators in its related quantum circuit easing, consequently, its physical execution in quantum machines. These two quantum algorithms, the classical version and the simplified one, are run in quantum simulators and physical quantum computers including their corresponding results and discussions. At last, several useful applications of the Quantum Counting are listed and presented as future jobs. Some of them are associated with other quantum algorithms implementation as Quantum Amplitude Estimation or Grover’s algorithm and the rest are aimed to artificial intelligence or combinatorial explosion problems where quantum computing is advantageous in terms of computational complexity.
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 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.