Esta revisión sistemática examina la integración sustantiva entre inferencia bayesiana, inteligencia artificial/aprendizaje automático y computación cuántica, con énfasis en los avances metodológicos, las estructuras matemáticas, las aplicaciones y la solidez de la evidencia. Se analizaron publicaciones de 2010 a 2025 recuperadas de Scopus y Web of Science. El protocolo siguió PSALSAR; la selección se reportó mediante PRISMA 2020 y la búsqueda se documentó con PRISMA-S. De 390 registros iniciales, 261 permanecieron después de normalización, deduplicación y control temporal; se evaluaron 119 textos completos y 66 artículos integraron la síntesis principal. RQ1-RQ4 identificaron ocho familias de avance y una taxonomía funcional que separa técnica bayesiana, tarea de IA, paradigma cuántico, arquitectura y objeto matemático. Predominaron la optimización bayesiana de modelos, circuitos o controles cuánticos (27 artículos; 40,9 %), las arquitecturas híbridas clásico-cuánticas (49; 74,2 %) y las tareas de optimización (25; 37,9 %). RQ5 encontró solo dos aplicaciones financieras o económicas directas (3,0 %) y ninguna aplicación macroeconómica directa. RQ6 mostró una evidencia dominada por simulaciones (33; 50,0 %); 19 estudios incluyeron hardware, pero únicamente 11 lo utilizaron como validación principal. La madurez fue principalmente intermedia (34; 51,5 %) y la reproducibilidad permaneció limitada: 25 artículos reportaron código y 14 alcanzaron la puntuación superior de reproducibilidad. Los resultados más sólidos corresponden a mejoras locales en fidelidad, presupuesto de mediciones, mezcla de cadenas, representación probabilística o compactación de circuitos; no sustentan una ventaja cuántica general. Como contribución de síntesis, se formaliza un ciclo híbrido común y se proponen criterios de comparación que preservan la naturaleza ordinal de la evidencia y distinguen costo, error, escala y validación de dominio.
Esta revisión sistemática examina la integración sustantiva entre inferencia bayesiana, inteligencia artificial/aprendizaje automático y computación cuántica, con énfasis en los avances metodológicos, las estructuras matemáticas, las aplicaciones y la solidez de la evidencia. Se analizaron publicaciones de 2010 a 2025 recuperadas de Scopus y Web of Science. El protocolo siguió PSALSAR; la selección se reportó mediante PRISMA 2020 y la búsqueda se documentó con PRISMA-S. De 390 registros iniciales, 261 permanecieron después de normalización, deduplicación y control temporal; se evaluaron 119 textos completos y 66 artículos integraron la síntesis principal. RQ1-RQ4 identificaron ocho familias de avance y una taxonomía funcional que separa técnica bayesiana, tarea de IA, paradigma cuántico, arquitectura y objeto matemático. Predominaron la optimización bayesiana de modelos, circuitos o controles cuánticos (27 artículos; 40,9 %), las arquitecturas híbridas clásico-cuánticas (49; 74,2 %) y las tareas de optimización (25; 37,9 %). RQ5 encontró solo dos aplicaciones financieras o económicas directas (3,0 %) y ninguna aplicación macroeconómica directa. RQ6 mostró una evidencia dominada por simulaciones (33; 50,0 %); 19 estudios incluyeron hardware, pero únicamente 11 lo utilizaron como validación principal. La madurez fue principalmente intermedia (34; 51,5 %) y la reproducibilidad permaneció limitada: 25 artículos reportaron código y 14 alcanzaron la puntuación superior de reproducibilidad. Los resultados más sólidos corresponden a mejoras locales en fidelidad, presupuesto de mediciones, mezcla de cadenas, representación probabilística o compactación de circuitos; no sustentan una ventaja cuántica general. Como contribución de síntesis, se formaliza un ciclo híbrido común y se proponen criterios de comparación que preservan la naturaleza ordinal de la evidencia y distinguen costo, error, escala y validación de dominio.
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 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.
Este trabajo presenta el diseño e implementación de modelos híbridos clásico-cuánticos para la predicción de ventas mediante la integración de redes neuronales LSTM y circuitos cuánticos, con el propósito de evaluar el impacto de la incorporación de procesamiento cuántico en tareas de predicción de series temporales, se utilizaron datos reales de ventas obtenidos de la plataforma Kaggle, planteando el problema como una tarea de predicción de ventas diarias a partir del comportamiento histórico de la serie. El proyecto se desarrolló en varias etapas que incluyeron el preprocesamiento de los datos, el diseño e implementación de un modelo LSTM clásico, la incorporación de tres arquitecturas híbridas basadas en Variational Quantum Circuits (VQC), Residual Hybrid y Quantum Long Short-Term Memory (QLSTM), y la comparación de su desempeño. Los modelos fueron implementados utilizando PyTorch y PennyLane, entrenados sobre los mismos conjuntos de datos y evaluados mediante las métricas de R cuadrado y el coeficiente de correlación de Pearson. Adicionalmente, las arquitecturas VQC y Residual Hybrid fueron ejecutadas en hardware cuántico de IBM, mientras que el modelo QLSTM fue evaluado mediante simulaciones con ruido utilizando Qiskit Aer. Los resultados obtenidos muestran que los modelos híbridos clásico-cuánticos constituyen una alternativa para explorar la integración de computación cuántica en tareas de predicción de series temporales, en los experimentos realizados, la arquitectura QLSTM obtuvo el mejor desempeño en la mayoría de los productos evaluados, obteniendo mejores resultados que las arquitecturas VQC y Residual Hybrid.
Este estudio exploró las aplicaciones potenciales de la computación cuántica en la educación personalizada, identificando oportunidades y desafíos teóricos en la integración de algoritmos cuánticos en sistemas de aprendizaje adaptativo. Mediante una revisión sistemática de la literatura publicada entre 2020 y 2024, se analizaron fuentes académicas relevantes sobre pedagogía cuántica, computación cuántica en educación y temas relacionados. Los resultados revelaron un impacto positivo de las tecnologías emergentes, particularmente la inteligencia artificial (IA), en la educación superior, mejorando la personalización del aprendizaje y el rendimiento académico. Se identificó una brecha significativa en la formación de profesores en física cuántica para educación secundaria, subrayando la necesidad de programas de desarrollo profesional específicos. El estudio concluyó que la integración de tecnologías como la IA y la computación cuántica tiene un gran potencial para optimizar la eficacia de los sistemas educativos personalizados. Sin embargo, se enfrentaron desafíos como la falta de formación docente adecuada y la necesidad de marcos pedagógicos específicos. Se propusieron futuras líneas de investigación, incluyendo estudios empíricos a largo plazo sobre el impacto de la pedagogía cuántica, el desarrollo de marcos pedagógicos para la integración de la computación cuántica en educación personalizada, y la exploración de la intersección entre IA y computación cuántica en contextos educativos.
Este trabajo proporciona una visión generalizada del estado actual de los algoritmos genéticos cuánticos (QGAs), mostrando los avances realizados en esta área de investigación los últimos 24 años. Los QGAs combinan conceptos de la computación cuántica y los algoritmos genéticos clásicos (CGAs), lo que les permite abordar problemas complejos de optimización y búsqueda de manera eficiente. Se presentan los principales hallazgos y contribuciones de estos algoritmos cuánticos destacando las tendencias y los enfoques más prometedores, así como los desafíos y limitaciones que deben superarse. Se presentan nuevos enfoques y técnicas de implementación de QGAs, incluyendo operadores genéticos cuánticos y esquemas de codificación eficientes que contribuyen a mejorar el rendimiento y la convergencia de los algoritmos. Se comparan los QGAs y otros enfoques similares, como los CGAs y los algoritmos cuánticos puros, destacando las ventajas y desventajas relativas de los QGAs en comparación a sus versiones clásicas. Se muestra también una implementación de QGA utilizando la biblioteca Qiskit. Se presentan la selección de los métodos usados para la generación de la población inicial, el cruzamiento y la mutación de las distintas poblaciones de los circuitos cuánticos simulados en los experimentos realizados, ejemplificando las ventajas significativas que estos pueden traer en comparación con los enfoques clásicos.
En este informe se presenta el trabajo desarrollado como estudiante miembro del semillero de investigación en Información Cuántica y Computación Cuántica, y que fue presentado en eventos científicos como ponencias orales y posters. El trabajo está dividido en dos partes principales. En primer lugar, se llevó a cabo un análisis de distinguibilidad de estados cuánticos por medio de la comparación de la distancia traza y la fidelidad, como métricas en el campo de la información cuántica. Se discutió la dinámica de estados cuánticos de dos qubits mediante la evolución temporal de dichas métricas al considerar la acción de ruido de amortiguación de amplitud sobre un estado inicial. En segundo lugar, se estudió la técnica de los algoritmos cuánticos variacionales (VQAs) como un enfoque para mejorar la precisión de las computadoras cuánticas. Los VQAs aprovechan procesadores clásicos para entrenar circuitos cuánticos mediante redes neuronales y luego se miden utilizando un procesador cuántico. Se presentaron varios sistemas cuánticos simulados utilizando estos algoritmos, comparando la efectividad de la técnica al simular sistemas sin optimización y sistemas optimizados. Se examinó el comportamiento de la función de costo de cada circuito cuántico para diferentes dinámicas de los sistemas simulados. Para realizar las optimizaciones de los circuitos, se utilizó la biblioteca Pennylane en Python, la cual proporciona diversos optimizadores variacionales cuánticos.