Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Reconstrucción de árboles filogenéticos mediante computación cuántica

Nicolás Fernández Otero

Published Feb 1, 2024• 0 citations
OpenAlex

Abstract

La computación cuántica es un campo de la informática que utiliza principios de la física cuántica para la resolución de problemas de manera más eficiente que la computación clásica, especialmente en áreas como la optimización. Por otro lado, la bioinformática es un campo que combina elementos de la biología y la informática para analizar grandes conjuntos de datos biológicos. Un ejemplo destacado de esta disciplina es la genómica, que incluye la generación de árboles filogenéticos, herramientas clave para entender la evolución biológica de especies. La reconstrucción de estos árboles representa un problema computacional muy complicado de resolver por su complejidad. Este trabajo explora si la computación cuántica puede ofrecer soluciones efectivas para abordar dicho problema. En este contexto, se ha estudiado el funcionamiento de la computación cuántica y de los algoritmos cuánticos de optimización, haciendo énfasis en Quantum annealing y en el algoritmo cuántico de optimización aproximada (QAOA). Basándose en estos enfoques, se ha desarrollado un algoritmo cuántico capaz de reconstruir filogenias mediante el corte de grafos. El algoritmo propuesto fue implementado y probado en hardware cuántico disponible actualmente, obteniendo resultados satisfactorios que demuestran su potencial para resolver problemas complejos en el área de la bioinformática.

Related papers

Implementación Cuántica de un Algoritmo Genético

Mauricio Solar, Vicente Figueroa, Francisco Manriquez +2 more

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.

Memoria Investigaciones en Ingeniería•Dec 13, 2024•2 citations

Memory Management in Software Quantum Computing Simulators

Gilberto Javier Díaz

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.

•Feb 3, 2025•0 citations

Algoritmos Cuánticos Variacionales: Teoría y Simulación

Rafael Blasco Lorenzo

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.

•Jul 31, 2026•0 citations

Estudio de la eficiencia y comportamiento de QAOA frente a algoritmos clásicos en problemas de optimización.

Alberto Martínez Gallardo

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.

•Jun 1, 2025•0 citations

Hoja de ruta para aprender computación cuántica

Facundo Tomatis, Facundo Miglierini, Ricardo Rosenfeld +1 more

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.

JAIIO, Jornadas Argentinas de Informática•Jan 1, 2025•0 citations

Redes neuronales cuánticas y sus desafíos en la teoría de errores

Manuel Esparcia Cantos

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.

•Jun 12, 2025•0 citations
La computación cuántica es un campo de la informática que utiliza principios de la física cuántica para la resolución de problemas de manera más eficiente que la computación clásica, especialmente en áreas como la optimización. Por otro lado, la bioinformática es un campo que combina elementos de la biología y la informática para analizar grandes conjuntos de datos biológicos. Un ejemplo destacado de esta disciplina es la genómica, que incluye la generación de árboles filogenéticos, herramientas clave para entender la evolución biológica de especies. La reconstrucción de estos árboles representa un problema computacional muy complicado de resolver por su complejidad. Este trabajo explora si la computación cuántica puede ofrecer soluciones efectivas para abordar dicho problema. En este contexto, se ha estudiado el funcionamiento de la computación cuántica y de los algoritmos cuánticos de optimización, haciendo énfasis en Quantum annealing y en el algoritmo cuántico de optimización aproximada (QAOA). Basándose en estos enfoques, se ha desarrollado un algoritmo cuántico capaz de reconstruir filogenias mediante el corte de grafos. El algoritmo propuesto fue implementado y probado en hardware cuántico disponible actualmente, obteniendo resultados satisfactorios que demuestran su potencial para resolver problemas complejos en el área de la bioinformática.
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.
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 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.
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 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.
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.