[ES] Este estudio se centra en la investigación y aplicación de algoritmos cuánticos, específicamente Redes Neuronales Convolucionales Cuánticas (QCNNs), para la clasificación de modulaciones en señales intrapulso. La intención es implementar estos avanzados algoritmos y emplearlos para analizar y clasificar eficazmente datos complejos de señales. Este enfoque innovador busca combinar los principios de la computación cuántica con las metodologías establecidas de las redes neuronales, con un énfasis particular en la potencial mejora en la precisión y eficiencia de la clasificación. La parte crítica de este análisis involucra un examen comparativo detallado entre las QCNNs y los métodos convencionales de redes neuronales. Este análisis buscará identificar y destacar las ventajas únicas y las posibles limitaciones de las QCNNs, proporcionando una evaluación equilibrada de su aplicabilidad y efectividad. Al explorar en profundidad cómo las QCNNs se desempeñan en comparación con los enfoques clásicos, especialmente en tareas de clasificación intrínsecamente complejas
[ES] Este estudio se centra en la investigación y aplicación de algoritmos cuánticos, específicamente Redes Neuronales Convolucionales Cuánticas (QCNNs), para la clasificación de modulaciones en señales intrapulso. La intención es implementar estos avanzados algoritmos y emplearlos para analizar y clasificar eficazmente datos complejos de señales. Este enfoque innovador busca combinar los principios de la computación cuántica con las metodologías establecidas de las redes neuronales, con un énfasis particular en la potencial mejora en la precisión y eficiencia de la clasificación. La parte crítica de este análisis involucra un examen comparativo detallado entre las QCNNs y los métodos convencionales de redes neuronales. Este análisis buscará identificar y destacar las ventajas únicas y las posibles limitaciones de las QCNNs, proporcionando una evaluación equilibrada de su aplicabilidad y efectividad. Al explorar en profundidad cómo las QCNNs se desempeñan en comparación con los enfoques clásicos, especialmente en tareas de clasificación intrínsecamente complejas
Este Trabajo de Fin de Grado tiene como propósito explorar y divulgar los avances más recientes en el fascinante campo de la computación cuántica, centrándose especialmente en su integración con el aprendizaje profundo. En concreto, se analizará el prometedor enfoque de las redes neuronales cuánticas (Quantum Neural Networks, QNN). La estructura del trabajo se organiza en cuatro bloques temáticos bien diferenciados que permiten abordar de forma progresiva los conceptos clave: En primer lugar, se explican los fundamentos de las Redes Neuronales Clásicas, donde se analizan conceptos como las funciones de activación, las funciones de pérdida, el algoritmo de retropropagación y el proceso completo de entrenamiento. En segundo lugar, nos adentraremos en los pilares de la computación cuántica. Estudiaremos elementos fundamentales como el qubit y las puertas cuánticas, componentes que permiten manipular estados cuánticos. A continuación, con ambas bases teóricas establecidas, abordaremos el diseño de una red neuronal cuántica, centrando la atención en los modelos basados en circuitos variacionales. Además del desarrollo teórico se incluirán ejemplos prácticos y detallados utilizando conjuntos de datos reales. Estos casos permitirán ilustrar de manera tangible cómo se aplica una red neuronal cuántica a problemas concretos, desde la preparación de los datos hasta la interpretación de resultados. Finalmente, se expondrán las principales limitaciones y desafíos que actualmente enfrentan las redes neuronales cuánticas, incluyendo aspectos como la corrección de errores.
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.
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.
[ES] Las redes neurales informadas por la física (PINN) son redes neurales que incorporan leyes físicas descritas por ecuaciones diferenciales en sus funciones de pérdida para guiar el proceso de aprendizaje hacia soluciones que sean más acordes con la física subyaciente, reduciendo de esta forma la cantidad de parámetros de aprendizaje para converger a una solución. Dicha aceleración del proceso de aprendizaje junto con la interpretabilidad física de los pesos de la red neuronal motiva el uso de las PINN para abordar problemas físicos altamente no lineales, como es el caso de ciertos procesos cuánticos caracterizados por la ecuación de Schrödinger o de Linblad. Las redes neuronales cuánticas informadas por la física (QPINN) por otro lado, muestran potencial en cuanto a la escalabilidad del número de parámetros a optimizar con respecto a la dimensionalidad de los datos requeridos, como fruto de la superposición cuántica. En este TFG, se explorará el uso específico de las QPINN para modelar fenómenos físicos que surgen en el proceso del transporte de estados cuánticos entre procesadores, y se evaluarán los resultados comparándolos con las PINN clásicas.
La computación cuántica tiene una base teórica de más de tres décadas que muestra aceleraciones polinómicas y exponenciales sobre los algoritmos clásicos. Los procesadores que se construyen hoy, sin embargo, son ruidosos, pequeños y de conectividad limitada, aún lejos de aprovechar esa ventaja en problemas de escala real. Este trabajo es un estudio experimental que mide qué tan profunda es esa brecha para cuatro algoritmos cuánticos fundamentales: Bernstein–Vazirani, Simon, Grover sobre instancias de k-SAT y la estimación cuántica de fase. Para cada algoritmo se construyó una contraparte clásica de referencia y se evaluaron, por cada tamaño de entrada, todas las combinaciones posibles de tres modelos de ruido (error de lectura, despolarizante y relajación térmica) con tres topologías de hardware (ideal, lineal de 20 qubits y heavy-hex de 127 qubits, esta última inspirada en el chip ibm_brisbane). El estudio se hizo enteramente en simulación porque permite controlar de forma independiente cada parámetro del ruido y de la conectividad, condición necesaria para hacer comparaciones limpias entre escenarios. Cada uno de los 39 escenarios resultantes por tamaño se repitió 25 veces y los resultados se reportan con intervalo de confianza al 95 % calculado con la t de Student. Toda la infraestructura (algoritmos, generador de instancias, modelos de ruido, scripts de análisis e interfaz gráfica para exploración interactiva) queda reproducible y abierta. Los hallazgos principales son tres. Primero, la ventaja teórica sobrevive en los algoritmos de poca profundidad como Bernstein–Vazirani, mientras que en Grover y en la estimación de fase el ruido deteriora rápidamente el speedup a medida que crece el número de iteraciones. Segundo, el tipo de ruido importa tanto como su nivel: el error de lectura es el menos agresivo porque no se acumula con la profundidad del circuito, mientras que el despolarizante es el más severo. Tercero, la topología influye de forma indirecta pero significativa porque condiciona la cantidad de compuertas SWAP que el compilador debe insertar y, por esa vía, aumenta la profundidad efectiva del circuito. El framework, los datos y los análisis quedan disponibles para quien quiera prototipar pruebas de algoritmos cuánticos en la era NISQ sin depender de tiempo en hardware real.
[ES] El internet cuántico permite la conexión de ordenadores cuánticos a través de redes cuánticas, haciendo uso de los principios de la mecánica cuántica como son el entrelazamiento y o la teleportación. Esto posibilita la ejecución de aplicaciones de comunicación más seguras que las clásicas, y la computación cuántica distribuida, entre otras. En este contexto, Qoala es un framework diseñado para la simulación y ejecución de programas cuánticos en redes cuánticas, integrando herramientas como NetQasm y NetSquid. Actualmente, sólo integra programas cuánticos con un número muy reducido de qubits. El TFG se centrará en el desarrollo de diferentes programas cuánticos escalables en Qoala, permitiendo su simulación en diversas tecnologías cuánticas. Además, se realizará un análisis de rendimiento considerando diferentes configuraciones arquitecturales de las redes cuánticas.