(English) The development of quantum computers promises to drastically reduce the time required to solve certain computational problems. Among their most promising applications is the field of machine learning. However, significant uncertainty remains in this area. In particular, it is still unclear under which learning scenarios quantum algorithms will outperform their classical counterparts. This thesis aims to deepen our understanding of when quantum speed-ups can be expected in machine learning tasks. Specifically, we examine the connection between learning speed-ups and the more extensively studied phenomenon of quantum computational speed-up. We conclude that, in cases where the training set can be classically generated, the two are equivalent concepts, and we provide examples of such functions based on the prime factorization problem. Importantly, quantum machine learning is not only concerned with improving classical learning algorithms using quantum computation but also with learning from quantum data. In this context, we investigate a learning scenario in which the inputs to the target functions are quantum states, thereby generalizing the classical supervised learning framework. To this end, we first focus on the problem of quantum hypothesis testing, which can serve as a subroutine for both the problems of evaluating a function and learning a function. Specifically, we derive several sequential methods for solving the problem of quantum hypothesis testing, along with a lower bound on the resources required. This lower bound immediately implies corresponding lower bounds for the problems of learning and evaluating functions. Additionally, we develop a learning method based on the classical shadows technique. Finally, after exploring how quantum processes can aid learning tasks, we examine how classical learning techniques can, in turn, enhance quantum computing. In particular, we study how classical machine learning methods can be used to mitigate the effects of noise in quantum devices, with a focus on quantum error mitigation. Specifically, novel feature maps are proposed for the technique known as Clifford data regression. First, a theoretical justification for these feature maps is provided, followed by an analysis and a subsequent evaluation of their performance through numerical experiments. It is concluded that, for some of the proposed feature maps, a performance improvement is indeed achieved. (Català) El desenvolupament dels ordinadors quàntics promet reduir dràsticament el temps necessari per a resoldre certs problemes computacionals. Entre les seues aplicacions més prometedores hi és l’aprenentatge automàtic. Tanmateix, encara persisteix una gran incertesa en aquest àmbit. En particular, encara no està clar en quins escenaris d’aprenentatge els algorismes quàntics superaran els seus homòlegs clàssics. Aquesta tesi té com a objectiu aprofundir en la nostra comprensió de quan es poden esperar acceleracions quàntiques en les tasques d’aprenentatge automàtic. En concret, examinem la connexió entre l’avantatge quàntic en l’aprenentatge i el fenomen més estudiat de l’avantatge quàntic computacional. Concloem que, en els casos en què el conjunt d’entrenament pot generar-se clàssicament, tots dos són conceptes equivalents, i proporcionem exemples d’aquestes funcions basats en el problema de la factorització. És important destacar que l’aprenentatge automàtic quàntic no només se centra a millorar els algorismes d’aprenentatge clàssic mitjançant la computació quàntica, sinó també a aprendre de dades quàntiques. En aquest context, investiguem un escenari d’aprenentatge en què les entrades a les funcions objectiu són estats quàntics, generalitzant així el marc clàssic d’aprenentatge supervisat. Per això, ens centrem primer en el problema de quantum hypothesis testing, que pot servir com a subrutina tant per a l’avaluació com per a l’aprenentatge de funcions. En concret, dissenyem diversos mètodes seqüencials per resoldre el problema de quantum hypothesis testing, juntament amb una cota inferior per als recursos necessaris. Aquesta cota inferior implica immediatament cotes inferiors corresponents per a l’aprenentatge i l’avaluació de funcions. A més, desenvolupem un mètode d’aprenentatge basat en la tècnica de classical shadows. Finalment, després d’explorar com els processos quàntics poden facilitar l’aprenentatge, examinem com les tècniques clàssiques d’aprenentatge poden, al seu torn, millorar la computació quàntica. En particular, estudiem com es poden utilitzar els mètodes clàssics d’aprenentatge automàtic per mitigar els efectes del soroll en dispositius quàntics, centrant-nos en la mitigació d’errors quàntics. En concret, es proposen nous vectors d’atributs per a la tècnica coneguda com a regressió de dades de Clifford. En primer lloc, es proporciona una justificació teòrica d’aquests vectors d’atributs, seguida d’una anàlisi i una posterior avaluació del seu rendiment mitjançant experiments numèrics. Es conclou que, per a alguns dels vectors d’atributs proposats, s’aconsegueix una millora del rendiment. (Español) El desarrollo de las computadoras cuánticas promete reducir drásticamente el tiempo necesario para resolver ciertos problemas computacionales. Entre sus aplicaciones más prometedoras se encuentra el aprendizaje automático. Sin embargo, todavía persiste una gran incertidumbre en este ámbito. En particular, aún no está claro en qué escenarios de aprendizaje los algoritmos cuánticos superarán a sus homólogos clásicos. Esta tesis tiene como objetivo profundizar nuestra comprensión de cuándo se pueden esperar aceleraciones cuánticas en las tareas de aprendizaje automático. En concreto, examinamos la conexión entre la ventaja cuántica en el aprendizaje y el fenómeno más estudiado de la ventaja cuántica computacional. Concluimos que, en los casos en que el conjunto de entrenamiento puede generarse clásicamente, ambos son conceptos equivalentes, y proporcionamos ejemplos de dichas funciones basados en el problema de factorización. Es importante destacar que el aprendizaje automático cuántico no solo se centra en mejorar los algoritmos de aprendizaje clásico mediante computación cuántica, sino también en aprender de datos cuánticos. En este contexto, investigamos un escenario de aprendizaje en el que las entradas a las funciones objetivo son estados cuánticos, generalizando así el marco clásico de aprendizaje supervisado. Para ello, nos centramos primero en el problema de quantum hypothesis testing, que puede servir como subrutina tanto para la evaluación como para el aprendizaje de funciones. En concreto, diseñamos varios métodos secuenciales para resolver el problema de quantum hypothesis testing, junto con una cota inferior para los recursos necesarios. Esta cota inferior implica inmediatamente cotas inferiores correspondientes para el aprendizaje y la evaluación de funciones. Además, desarrollamos un método de aprendizaje basado en la técnica de classical shadows. Finalmente, tras explorar cómo los procesos cuánticos pueden facilitar el aprendizaje, examinamos cómo las técnicas clásicas de aprendizaje pueden, a su vez, mejorar la computación cuántica. En particular, estudiamos cómo se pueden utilizar los métodos clásicos de aprendizaje automático para mitigar los efectos del ruido en dispositivos cuánticos, centrándonos en la mitigación de errores cuánticos. En concreto, se proponen nuevos vectores de atributos para la técnica conocida como regresión de datos de Clifford. En primer lugar, se proporciona una justificación teórica de estos vectores de atributos, seguida de un análisis y una posterior evaluación de su rendimiento mediante experimentos numéricos. Se concluye que, para algunos de los vectores de atributos propuestos, se logra una mejora del rendimiento.
(English) The development of quantum computers promises to drastically reduce the time required to solve certain computational problems. Among their most promising applications is the field of machine learning. However, significant uncertainty remains in this area. In particular, it is still unclear under which learning scenarios quantum algorithms will outperform their classical counterparts. This thesis aims to deepen our understanding of when quantum speed-ups can be expected in machine learning tasks. Specifically, we examine the connection between learning speed-ups and the more extensively studied phenomenon of quantum computational speed-up. We conclude that, in cases where the training set can be classically generated, the two are equivalent concepts, and we provide examples of such functions based on the prime factorization problem. Importantly, quantum machine learning is not only concerned with improving classical learning algorithms using quantum computation but also with learning from quantum data. In this context, we investigate a learning scenario in which the inputs to the target functions are quantum states, thereby generalizing the classical supervised learning framework. To this end, we first focus on the problem of quantum hypothesis testing, which can serve as a subroutine for both the problems of evaluating a function and learning a function. Specifically, we derive several sequential methods for solving the problem of quantum hypothesis testing, along with a lower bound on the resources required. This lower bound immediately implies corresponding lower bounds for the problems of learning and evaluating functions. Additionally, we develop a learning method based on the classical shadows technique. Finally, after exploring how quantum processes can aid learning tasks, we examine how classical learning techniques can, in turn, enhance quantum computing. In particular, we study how classical machine learning methods can be used to mitigate the effects of noise in quantum devices, with a focus on quantum error mitigation. Specifically, novel feature maps are proposed for the technique known as Clifford data regression. First, a theoretical justification for these feature maps is provided, followed by an analysis and a subsequent evaluation of their performance through numerical experiments. It is concluded that, for some of the proposed feature maps, a performance improvement is indeed achieved. (Català) El desenvolupament dels ordinadors quàntics promet reduir dràsticament el temps necessari per a resoldre certs problemes computacionals. Entre les seues aplicacions més prometedores hi és l’aprenentatge automàtic. Tanmateix, encara persisteix una gran incertesa en aquest àmbit. En particular, encara no està clar en quins escenaris d’aprenentatge els algorismes quàntics superaran els seus homòlegs clàssics. Aquesta tesi té com a objectiu aprofundir en la nostra comprensió de quan es poden esperar acceleracions quàntiques en les tasques d’aprenentatge automàtic. En concret, examinem la connexió entre l’avantatge quàntic en l’aprenentatge i el fenomen més estudiat de l’avantatge quàntic computacional. Concloem que, en els casos en què el conjunt d’entrenament pot generar-se clàssicament, tots dos són conceptes equivalents, i proporcionem exemples d’aquestes funcions basats en el problema de la factorització. És important destacar que l’aprenentatge automàtic quàntic no només se centra a millorar els algorismes d’aprenentatge clàssic mitjançant la computació quàntica, sinó també a aprendre de dades quàntiques. En aquest context, investiguem un escenari d’aprenentatge en què les entrades a les funcions objectiu són estats quàntics, generalitzant així el marc clàssic d’aprenentatge supervisat. Per això, ens centrem primer en el problema de quantum hypothesis testing, que pot servir com a subrutina tant per a l’avaluació com per a l’aprenentatge de funcions. En concret, dissenyem diversos mètodes seqüencials per resoldre el problema de quantum hypothesis testing, juntament amb una cota inferior per als recursos necessaris. Aquesta cota inferior implica immediatament cotes inferiors corresponents per a l’aprenentatge i l’avaluació de funcions. A més, desenvolupem un mètode d’aprenentatge basat en la tècnica de classical shadows. Finalment, després d’explorar com els processos quàntics poden facilitar l’aprenentatge, examinem com les tècniques clàssiques d’aprenentatge poden, al seu torn, millorar la computació quàntica. En particular, estudiem com es poden utilitzar els mètodes clàssics d’aprenentatge automàtic per mitigar els efectes del soroll en dispositius quàntics, centrant-nos en la mitigació d’errors quàntics. En concret, es proposen nous vectors d’atributs per a la tècnica coneguda com a regressió de dades de Clifford. En primer lloc, es proporciona una justificació teòrica d’aquests vectors d’atributs, seguida d’una anàlisi i una posterior avaluació del seu rendiment mitjançant experiments numèrics. Es conclou que, per a alguns dels vectors d’atributs proposats, s’aconsegueix una millora del rendiment. (Español) El desarrollo de las computadoras cuánticas promete reducir drásticamente el tiempo necesario para resolver ciertos problemas computacionales. Entre sus aplicaciones más prometedoras se encuentra el aprendizaje automático. Sin embargo, todavía persiste una gran incertidumbre en este ámbito. En particular, aún no está claro en qué escenarios de aprendizaje los algoritmos cuánticos superarán a sus homólogos clásicos. Esta tesis tiene como objetivo profundizar nuestra comprensión de cuándo se pueden esperar aceleraciones cuánticas en las tareas de aprendizaje automático. En concreto, examinamos la conexión entre la ventaja cuántica en el aprendizaje y el fenómeno más estudiado de la ventaja cuántica computacional. Concluimos que, en los casos en que el conjunto de entrenamiento puede generarse clásicamente, ambos son conceptos equivalentes, y proporcionamos ejemplos de dichas funciones basados en el problema de factorización. Es importante destacar que el aprendizaje automático cuántico no solo se centra en mejorar los algoritmos de aprendizaje clásico mediante computación cuántica, sino también en aprender de datos cuánticos. En este contexto, investigamos un escenario de aprendizaje en el que las entradas a las funciones objetivo son estados cuánticos, generalizando así el marco clásico de aprendizaje supervisado. Para ello, nos centramos primero en el problema de quantum hypothesis testing, que puede servir como subrutina tanto para la evaluación como para el aprendizaje de funciones. En concreto, diseñamos varios métodos secuenciales para resolver el problema de quantum hypothesis testing, junto con una cota inferior para los recursos necesarios. Esta cota inferior implica inmediatamente cotas inferiores correspondientes para el aprendizaje y la evaluación de funciones. Además, desarrollamos un método de aprendizaje basado en la técnica de classical shadows. Finalmente, tras explorar cómo los procesos cuánticos pueden facilitar el aprendizaje, examinamos cómo las técnicas clásicas de aprendizaje pueden, a su vez, mejorar la computación cuántica. En particular, estudiamos cómo se pueden utilizar los métodos clásicos de aprendizaje automático para mitigar los efectos del ruido en dispositivos cuánticos, centrándonos en la mitigación de errores cuánticos. En concreto, se proponen nuevos vectores de atributos para la técnica conocida como regresión de datos de Clifford. En primer lugar, se proporciona una justificación teórica de estos vectores de atributos, seguida de un análisis y una posterior evaluación de su rendimiento mediante experimentos numéricos. Se concluye que, para algunos de los vectores de atributos propuestos, se logra una mejora del rendimiento.
(English) In this thesis, I focused on introducing tools to quantify the performance of quantum computing algorithms and their applications. The main focus is on two of the most popular application areas of quantum computing, quantum machine learning and quantum chemistry. To this end, I analyze the properties of quantum machine learning models by following statistical method techniques, which can help us build our understanding of the capabilities of such quantum models. Moreover, I introduce the teacher-student scheme as a computational tool to benchmark the performance of different quantum models and their training capabilities. Until large-scale benchmarking is available, these tools can help us understand the potential of quantum machine learning and guide the research in the right direction. Next, in recent years substantial effort have been devoted to the development of quantum algorithms for quantum chemistry applications. I introduce tools to assess the utility of various combinations of quantum chemistry algorithms. I perform extensive numerical simulations on computationally affordable systems of intermediate size to explore how quantum methods can accelerate tasks of quantum chemistry. These works set a foundation from which to further explore the requirements to achieve quantum advantage in quantum chemistry. Finally, I discuss how research in quantum computing has tended to fall into one of two camps: near-term intermediate scale quantum (NISQ) and fault-tolerant quantum computing (FTQC). Through a quantum chemistry application, I explore how to use quantum computers in transition between these two eras, namely the early fault-tolerant quantum computing (EFTQC) regime. (Català) En aquesta tesi, m'he centrat en la presentació d'eines per quantificar el rendiment dels algorismes de computació quàntica i les seves aplicacions. L'enfocament principal és en dues de les àrees d'aplicació més populars de la computació quàntica, l'aprenentatge automàtic quàntic i la química quàntica. Per a això, analitzo les propietats dels models d'aprenentatge automàtic quàntic seguint tècniques estadístiques, que poden ajudar-nos a construir el nostre coneixement sobre les capacitats d'aquests models quàntics. A més, introdueixo l'esquema mestre-alumne com a eina computacional per avaluar el rendiment de diferents models quàntics i les seves capacitats de formació. Fins que estigui disponible una avaluació a gran escala, aquestes eines ens poden ajudar a comprendre el potencial de l'aprenentatge automàtic quàntic i guiar la recerca en la direcció correcta. A continuació, en els últims anys s'ha dedicat un esforç substancial al desenvolupament d'algorismes quàntics per a aplicacions de química quàntica. Presento eines per avaluar la utilitat de diverses combinacions d'algorismes de química quàntica. Realitzo simulacions numèriques extenses en sistemes de mida intermèdia computacionalment assequibles per explorar com els mètodes quàntics poden accelerar tasques de química quàntica. Aquestes obres estableixen una base des de la qual explorar més els requisits per aconseguir avantatge quàntic en la química quàntica. Finalment, discuteixo com la recerca en computació quàntica ha tendit a caure en un dels dos camps: la computació quàntica d'escala intermèdia a curt termini (NISQ) i la computació quàntica tolerant a falles (FTQC). Mitjançant una aplicació de química quàntica, exploro com utilitzar ordinadors quàntics en la transició entre aquestes dues èpoques, coneguda com el règim de computació quàntica tolerant a falles inicial (EFTQC). (Español) En esta tesis, me enfoqué en presentar herramientas para cuantificar el rendimiento de los algoritmos de computación cuántica y sus aplicaciones. El principal enfoque está en dos de las áreas de aplicación más populares de la computación cuántica, el aprendizaje automático cuántico y la química cuántica. Con este fin, analizo las propiedades de los modelos de aprendizaje automático cuántico siguiendo técnicas de métodos estadísticos, que pueden ayudarnos a construir nuestra comprensión de las capacidades de dichos modelos cuánticos. Además, presento el esquema de maestro-alumno como una herramienta computacional para evaluar el rendimiento de diferentes modelos cuánticos y sus capacidades de entrenamiento. Hasta que esté disponible la evaluación comparativa a gran escala, estas herramientas pueden ayudarnos a comprender el potencial del aprendizaje automático cuántico y guiar la investigación en la dirección correcta. A continuación, en los últimos años se ha dedicado un esfuerzo sustancial al desarrollo de algoritmos cuánticos para aplicaciones de química cuántica. Introduzco herramientas para evaluar la utilidad de diversas combinaciones de algoritmos de química cuántica. Realizo extensas simulaciones numéricas en sistemas computacionalmente asequibles de tamaño intermedio para explorar cómo los métodos cuánticos pueden acelerar las tareas de química cuántica. Estos trabajos establecen una base desde la cual explorar más a fondo los requisitos para lograr una ventaja cuántica en la química cuántica. Finalmente, discuto cómo la investigación en computación cuántica tiende a caer en una de dos categorías: computación cuántica de escala intermedia a corto plazo (NISQ) y computación cuántica tolerante a fallos (FTQC). A través de una aplicación de química cuántica, exploro cómo utilizar las computadoras cuánticas en la transición entre estas dos épocas, es decir, el régimen de computación cuántica tolerante a fallos temprano (EFTQC).
In this dissertation, we study the intersection of quantum computing and supervised machine learning algorithms, which means that we investigate quantum algorithms for supervised machine learning that operate on classical data. This area of research falls under the umbrella of quantum machine learning, a research area of computer science which has recently received wide attention. In particular, we investigate to what extent quantum computers can be used to accelerate supervised machine learning algorithms. The aim of this is to develop a clear understanding of the promises and limitations of the current state of the art of quantum algorithms for supervised machine learning, but also to define directions for future research in this exciting field. We start by looking at supervised quantum machine learning (QML) algorithms through the lens of statistical learning theory. In this framework, we derive novel bounds on the computational complexities of a large set of supervised QML algorithms under the requirement of optimal learning rates. Next, we give a new bound for Hamiltonian simulation of dense Hamiltonians, a major subroutine of most known supervised QML algorithms, and then derive a classical algorithm with nearly the same complexity. We then draw the parallels to recent "quantum-inspired" results, and will explain the implications of these results for quantum machine learning applications. Looking for areas which might bear larger advantages for QML algorithms, we finally propose a novel algorithm for Quantum Boltzmann machines, and argue that quantum algorithms for quantum data are one of the most promising applications for QML with potentially exponential advantage over classical approaches.
(English) Understanding the cause and effect relationships behind observed correlations is central to how we reason and interact with the world. Causal relationships help us make sense of the patterns we observe and predict what interventions in nature might lead to a desired outcome. These patterns can be mathematically framed as the joint probability distribution of a set of classical random variables which capture information gathered from the environment. This information may range from abstract data, like survey response statistics, to physical events, such as the probability of triggering a photon detector. A fundamental question is that of causal compatibility: Are the observed correlations compatible with a given causal explanation? A causal explanation can be expressed in terms of causal models, which can be systematically studied with the tools provided by the field of causal inference. Causal models consist of observable random variables with known probability distributions and latent variables with unknown distributions which, together, explain observed correlations through causal influences, that is, functional relationships between the values of these variables. Quantum theory---one of the most accurate theories at a fundamental level---is inherently probabilistic. Measurement results are, therefore, represented as random variables. This naturally leads to causal analysis: Which cause and effect relationships can explain observed measurement statistics in a quantum experiment? One of the simplest quantum experiments is that of two distant parties performing space-like separated, independently chosen measurements on a shared quantum state. In 1964, John Bell showed that in this experiment quantum theory predicts correlations that defy any classical common-cause explanation through a result known as Bell's Theorem. This phenomenon is known as Bell nonlocality. This thesis aims to operationally characterize the fundamental differences between classical and quantum theories within causal scenarios beyond Bell's common-cause scenario. Such an understanding may eventually help integrate quantum phenomena into a coherent, conceptually clear framework of causality. Towards this goal, we explore how classical and quantum causal models diverge in operational tasks in specific causal scenarios. We focus on simple scenarios that go beyond Bell's, while seeking to discover new forms of quantum advantage that are fundamentally different from traditional Bell nonlocality. Our goal is to link these new forms of quantum advantage to different nonclassical features of quantum theory and study their potential applications. A critical component of this research is testing for the causal compatibility of specific correlations with a given causal model. As such, an important part of this thesis is dedicated to expanding and refining the scope of current methods for testing causal compatibility. (Català) Entendre les relacions de causa i efecte darrere de les correlacions observades és central per a la nostra manera de raonar i interactuar amb el món. Les relacions de causa i efecte ens ajuden a donar sentit als patrons que observem i predir quines intervencions en la naturalesa podrien portar a un resultat desitjat. Aquests patrons es poden emmarcar matemàticament com la distribució de probabilitat conjunta d'un conjunt de variables aleatòries clàssiques que capturen informació recollida de l'entorn. Aquesta informació pot variar des de dades abstractes, com estadístiques de respostes d'enquestes, fins a esdeveniments físics, com la probabilitat d'activar un fotodetector. Una pregunta fonamental és la de la compatibilitat causal: Són les correlacions observades compatibles amb una explicació causal donada? Una explicació causal pot expressar-se en termes de models causals, els quals poden ser estudiats sistemàticament amb les eines proporcionades pel camp de la inferència causal. Els models causals consisteixen en variables aleatòries observables amb distribucions de probabilitat conegudes i variables latents amb distribucions desconegudes que, juntes, expliquen les correlacions observades a través d'influències causals, és a dir, relacions funcionals entre els valors d'aquestes variables. La teoria quàntica, una de les teories més precises a nivell fonamental, és inherentment probabilística. Per tant, els resultats de les mesures es representen com a variables aleatòries. Això porta naturalment a l'anàlisi causal: Quines relacions de causa i efecte poden explicar els resultats obtinguts en un experiment quàntic? Un dels experiments quàntics més simples és aquell en què dos laboratoris distants realitzen mesures triades independentment i separades espacialment sobre un estat quàntic compartit. El 1964, John Bell va demostrar que en aquest experiment la teoria quàntica prediu correlacions que desafien qualsevol explicació clàssica en termes de causes comunes. Aquest resultat és conegut com el Teorema de Bell, i el fenomen com no localitat de Bell. Aquesta tesi té com a objectiu caracteritzar operacionalment les diferències fonamentals entre les teories clàssiques i quàntiques dins d'escenaris causals més enllà de l'escenari de causa comuna de Bell. Aquest enteniment eventualment pot ajudar a integrar fenòmens quàntics en un marc de causalitat coherent i conceptualment clar. Per assolir aquest objectiu, explorem com els models causals clàssics i quàntics divergeixen en tasques operacionals en escenaris causals específics. Ens centrem en escenaris simples que van més enllà dels de Bell, mentre busquem descobrir noves formes d'avantatge quàntic que són fonamentalment diferents de la no localitat de Bell tradicional. El nostre objectiu és vincular aquestes noves formes d'avantatge quàntic amb diferents propietats no clàssiques de la teoria quàntica i estudiar les seves aplicacions potencials. Un component crític d'aquesta investigació és provar la compatibilitat causal de correlacions específiques amb un model causal donat. Així doncs, una part important d'aquesta tesi està dedicada a expandir i refinar l'abast dels mètodes actuals per provar la compatibilitat causal. (Español) Entender las relaciones de causa y efecto detrás de las correlaciones observadas es central para nuestra forma de razonar e interactuar con el mundo. Las relaciones de causa y efecto nos ayudan a dar sentido a los patrones que observamos y predecir qué intervenciones en la naturaleza podrían llevar a un resultado deseado. Estos patrones pueden enmarcarse matemáticamente como la distribución de probabilidad conjunta de un conjunto de variables aleatorias clásicas que capturan información recogida del entorno. Esta información puede variar desde datos abstractos, como estadísticas de respuestas de encuestas, hasta eventos físicos, como la probabilidad de activar un fotodetector. Una pregunta fundamental es la de la compatibilidad causal: ¿Son las correlaciones observadas compatibles con una explicación causal dada? Una explicación causal puede expresarse en términos de modelos causales, los cuales pueden ser estudiados sistemáticamente con las herramientas proporcionadas por el campo de la inferencia causal. Los modelos causales consisten en variables aleatorias observables con distribuciones de probabilidad conocidas y variables latentes con distribuciones desconocidas que, juntas, explican las correlaciones observadas a través de influencias causales, es decir, relaciones funcionales entre los valores de estas variables. La teoría cuántica, una de las teorías más precisas a nivel fundamental, es inherentemente probabilística. Por lo tanto, los resultados de las mediciones se representan como variables aleatorias. Esto lleva naturalmente al análisis causal: ¿Qué relaciones de causa y efecto pueden explicar las resultados obtenidos en un experimento cuántico? Uno de los experimentos cuánticos más simples es aquel en el que dos laboratorios distantes realizan mediciones independientemente elegidas y espacialmente separadas sobre un estado cuántico compartido. En 1964, John Bell demostró que en este experimento la teoría cuántica predice correlaciones que desafían cualquier explicación clásica en terminos de causas comunes. Este resultado es conocido como el Teorema de Bell, y el fenómeno como no localidad de Bell. Esta tesis tiene como objetivo caracterizar operacionalmente las diferencias fundamentales entre las teorías clásicas y cuánticas dentro de escenarios causales más allá del escenario de causa común de Bell. Tal entendimiento eventualmente puede ayudar a integrar fenómenos cuánticos en un marco de causalidad coherente y conceptualmente claro. Hacia este objetivo, exploramos cómo los modelos causales clásicos y cuánticos divergen en tareas operacionales en escenarios causales específicos. Nos enfocamos en escenarios simples que van más allá de los de Bell, mientras buscamos descubrir nuevas formas de ventaja cuántica que son fundamentalmente diferentes de la no localidad de Bell tradicional. Nuestro objetivo es vincular estas nuevas formas de ventaja cuántica con diferentes propiedades no clásicas de la teoría cuántica y estudiar sus potenciales aplicaciones. Un componente crítico de esta investigación es probar la compatibilidad causal de correlaciones específicas con un modelo causal dado. Como tal, una parte importante de esta tesis está dedicada a expandir y refinar el alcance de los métodos actuales para probar la compatibilidad causal.
Recently, increased computational power and data availability, as well as algorithmic advances, have led machine learning (ML) techniques to impressive results in regression, classification, data generation and reinforcement learning tasks. Despite these successes, the proximity to the physical limits of chip fabrication alongside the increasing size of datasets is motivating a growing number of researchers to explore the possibility of harnessing the power of quantum computation to speed up classical ML algorithms. Here we review the literature in quantum ML and discuss perspectives for a mixed readership of classical ML and quantum computation experts. Particular emphasis will be placed on clarifying the limitations of quantum algorithms, how they compare with their best classical counterparts and why quantum resources are expected to provide advantages for learning problems. Learning in the presence of noise and certain computationally hard problems in ML are identified as promising directions for the field. Practical questions, such as how to upload classical data into quantum form, will also be addressed.
Understand and tame complex quantum mechanical systems to build quantum technologies is one of the most important scientific endeavour nowadays. In this effort, Atomic, molecular and Optical systems have clearly played a major role in producing proofs of concept of several important applications. Notable examples are Quantum Simulators for difficult problems in other branches of physics i.e. spin systems, disordered systems, etc., and small sized Quantum Computers. In particular, ultracold atomic gases and trapped ion experiments are nowadays at the forefront in the field. This fantastic experimental effort needs to be accompanied by a matching theoretical and numerical one. The main two reasons are: 1) theoretical work is needed to identify suitable regimes where the AMO systems can be used as efficient quantum simulators of important problems in physics and mathematics, 2) thorough numerical work is needed to benchmark the results of the experiments in parameter regions where a solution to the problem can be found with classical devices. In this dissertation, we present several important examples of systems, which can be numerically solved. The technique used, which is common to all the work presented in the dissertation, is exact diagonalization. This technique works solely for systems of a small number of particles and/or a small number of available quantum states. Despite this limitation, one can study a large variety of quantum systems in relevant parameter regimes. A notable advantage is that it allows one to compute not only the ground state of the system but also most of the spectrum and, in some cases, to study dynamics. The dissertation is organized in the following way. First, we provide an introduction, outlining the importance of this technique for quantum simulation and quantum validation and certification. In Chapter 2, we detail the exact diagonalization technique and present an example of use for the phases of the 1D Bose-Hubbard chain. Then in Chapters 3 to 6, we present a number of important uses of exact diagonalization. In Chapter 3, we study the quantum Hall phases, which are found in two-component bosons subjected to artificial gauge fields. In Chapter 4, we turn into dynamical gauge fields, presenting the topological phases which appear in a bosonic system trapped in a small lattice. In Chapter 5, a very different problem is tackled, that of using an ultracold atomic gases to simulate a spin model. Quantum simulation is again the goal of Chapter 6, where we propose a way in which the number-partitioning problem can be solved by means of a quantum simulator made with trapped ions. Finally, in Chapter 7, we collect the main conclusions of the dissertation and provide a brief outlook. Entendre i controlar sistemes complexos regits per la mecànica quàntica per a construir tecnologies quàntiques es un dels reptes mes rellevants de la ciència en l’actualitat. Els sistemes atòmics, moleculars i òptics han jugat clarament un rol capital en aquest esforç, produint proves de concepte per a diverses aplicacions de consideració. Exemples notables en son els simuladors quàntics dissenyats per a resoldre problemes complicats d’altres branques de la física, com ara sistemes d’espins, sistemes desordenats, etc.... i ordinadors quàntics de dimensions reduïdes. En particular, els experiments amb gasos d’àtoms ultrafreds i amb trampes iòniques son la punta de llança del camp en l’actualitat. El fantàstic afany experimental ha d’anar associat amb d’altres teòric i numèric que el corresponguin. Les raons principals son: 1) els estudis teòrics son necessaris per tal d’identificar règims adients en que els sistemes AMO puguin esser emprats com a simuladors quàntics eficients de problemes rellevants de la Física i les Matemàtiques, 2) els treballs numèrics exhaustius son necessaris per a contrastar els resultats dels experiments en regions de paràmetres en que els dispositius clàssics son capaços de trobar solucions. En aquesta tesi, presentem diversos exemples de sistemes rellevants que poden esser resolts numèricament. La tècnica emprada -que es comuna per a tot el treball- es la diagonalització exacta. L’ús d’aquesta tècnica es limitat a sistemes amb nombres baixos partícules i/o pocs estats quàntics accessibles. Malgrat aquesta limitació, es poden estudiar una gran varietat de sistemes quàntics en els règims rellevants dels paràmetres de control. Un avantatge notable es el fet que permet calcular no nomes l’estat de mínima energia del sistema, sinó que també la majoria de l’espectre i, en alguns casos, àdhuc estudiar-ne la dinàmica. La tesi s’organitza tal i com prossegueix. En primer lloc, proveïm una introducció, subratllant la importància d’aquesta tècnica per a la simulació quàntica i la validació quàntica i certificació. En el capítol 2, detallem la tècnica de la diagonalització exacta i presentem un exemple del seu us per a les fases per a una cadena de Bose-Hubbard unidimensional. En els capítols del 3 al 6, presentem alguns usos rellevants de la diagonalització exacta. En el capítol 3, estudiem les fases degudes a l’efecte Hall quàntic en un sistema de dues components de bosons sotmesos a camps de gauge artificials. En el capítol 4, canviem a camps de gauge dinàmics, presentant les fases topològiques que apareixen en un sistema de bosons atrapats en una petita xarxa reticular. En el capítol 5, s’hi tracta un problema ben diferent, el d’emprar gasos d’àtoms ultrafreds per a per a simular un model d’espín. La simulació quàntica es de nou l’objectiu del capítol 6, en que proposem una forma en que el problema de la partició de nombres pot esser resolt per mitja d’un simulador quàntic construït amb trampes iòniques. Finalment, en el capítol 7, recollim les conclusions principals del treball i donem una breu opinió del futur d’aquesta investigació. Entender y controlar sistemas complejos regidos por la mecánica cuántica para construir tecnologías cuánticas es una de los retos científicos más relevantes en la actualidad. Los sistemas atómicos, moleculares y ópticos han jugado claramente un rol capital en este esfuerzo, produciendo pruebas de concepto para diversas aplicaciones de consideración. Notables ejemplos son los simuladores cuánticos diseñados para resolver problemas complicados de otras ramas de la física, como lo son los sistemas de espines, sistemas desordenados, etc.. . . i los ordenadores cuánticos de dimensiones reducidas. En particular, los experimentos con gases de átomos ultrafríos y con trampas iónicas son la punta de lanza del campo en la actualidad. El fantástico empeño experimental tiene que ir asociado a otros teórico y numérico que le correspondan. Las principales razones son: 1) los estudios teóricos son necesarios para identificar regímenes adecuados en que los sistemas AMO puedan ser usados cómo simuladores cuánticos eficientes para problemas relevantes de la Física y las Matemáticas, 2) los trabajos numéricos exhaustivos son necesarios para contrastar los resultados de los experimentos en regiones de parámetros en que los dispositivos clásicos sean capaces de encontrar soluciones. En esta tesis, presentamos diferentes ejemplos de sistemas relevantes que pueden ser resueltos numéricamente. La técnica usada –que es común en todo el trabajo– es la diagonalización exacta. El uso de ésta técnica está restringido a sistemas con números bajos de partículas i/o estados cuánticos accesibles. A pesar de esta limitación, se puede estudiar gran variedad de sistemas cuánticos en los regímenes relevantes de los parámetros de control. Una ventaja notable es que permite calcular no sólo el estado de mínima energía del sistema, sino que también la mayoría del espectro e, en algunos casos, incluso estudiar la dinámica. La tesis se organiza como sigue. En primer lugar, ofrecemos una introducción, subrayando la importancia de esta técnica para la simulación cuántica y la validación cuántica y certificación. En el capítulo 2, detallamos la técnica de la diagonalización exacta y presentamos un ejemplo de su uso para una cadena de Bose-Hubbard unidimensional. En los capítulos del 3 al 6, presentamos algunos usos relevantes de la diagonalización exacta. En el capítulo 3, estudiamos las fases debidas al efecto Hall cuántico en un sistema de dos componentes de bosones sometidos a campos de gauge artificiales. En el capítulo 4, cambiamos hacia campos gauge dinámicos, presentando las fases topológicas que aparecen en un sistema de bosones atrapados en una pequeña malla reticular. En el capítulo 5, se trata un problema bien diferente, el de usar gases de átomos ultrafríos para simular un modelo de espín. La simulación cuántica es de nuevo el objetivo del capítulo 6, en que proponemos una forma en que el problema de la partición de números puede ser resuelta mediante un simulador cuántico construido con trampas iónicas. Finalmente, en el capítulo 7, recogemos las conclusiones principales de los trabajos y damos una breve opinión del futuro de ésta investigación
To address the challenge posed by noise in real quantum devices, quantum error mitigation techniques play a crucial role. These techniques are resource-efficient, making them suitable for implementation in noisy intermediate-scale quantum devices, unlike the more resource-intensive quantum error correction codes. A notable example of such a technique is Clifford Data Regression, which employs a supervised learning approach. This work investigates two variants of this technique, both of which introduce a non-trivial set of gates into the original circuit. The first variant uses multiple copies of the original circuit, while the second adds a layer of single-qubit rotations. Different characteristics of these methods are analyzed theoretically, such as their complexity, or the scaling of the error with various parameters. Additionally, the performance of these methods is evaluated through numerical experiments, demonstrating a reduction in root mean square error.