Modeling and inference of the mixing, decay and CP violation dynamics in the K⁰–K⁰ system using physics-informed neural networks (PINN) and hybrid classical-quantum models (QCPINN)
En este trabajo se aplican Redes Neuronales Informadas por la Física (PINN) al sistema de kaones neutros K⁰–K̄⁰, gobernado por la ecuación de Wigner-Weisskopf, con el doble objetivo de resolver el problema directo —reproducir la dinámica de oscilación y decaimiento— e inferir los parámetros físicos del sistema a partir de datos ruidosos. Los datos de entrenamiento son probabilidades de oscilación generadas por circuitos cuánticos implementados en Qiskit de IBM. Adicionalmente, se implementa y evalúa un modelo híbrido clásico-cuántico (QCPINN) basado en un circuito variacional de 4 cúbits con ansatz en cascada. En el problema directo, la arquitectura PINN reconstruye la evolución temporal con errores relativos L2 inferiores al 1,8 % en el régimen unitario y al 2,1 % en el régimen fenomenológico con decaimiento, utilizando entre 21 y 50 puntos sintéticos. Una búsqueda sistemática de hiperparámetros mediante optimización bayesiana (Optuna) identificó la configuración óptima: cinco capas ocultas, 24 neuronas por capa y tasa de aprendizaje η = 1,75 × 10⁻³. La QCPINN iguala o supera esta precisión con solo 296 parámetros entrenables, frente a los 8 708–25 284 de la PINN, logrando una reducción de entre 29× y 85× sin pérdida de exactitud. En el problema inverso se abordan tres escenarios de complejidad creciente: recuperación de Δm con un error del 0,17 % en régimen unitario; inferencia conjunta de Δm, ΓS y ΓL con errores entre 0,03 % y 3,6 % en ausencia de ruido; y detección de la asimetría de violación de CP a través de |p/q| con un error del 0,14 % en condiciones ideales. La comparación sistemática con una línea base clásica —integrador numérico RK45/Radau anidado en L-BFGS-B— revela que el método clásico supera a la PINN en velocidad, precisión y robustez al ruido en la mayoría de las configuraciones; la única ventaja sostenida de la PINN se da en la inferencia de |p/q| sin ruido (0,14 % frente a 1,10 % del clásico). El experimento de generalización —entrenando solo con el 70 % inicial de la ventana temporal— confirma que el residuo físico embebido en la pérdida dota a ambos modelos de capacidad real de extrapolar la dinámica: la PINN alcanza un error del 0,34 % en la región sin datos del régimen disipativo y la QCPINN es competitiva en el régimen unitario (1,38 %).
En este trabajo se aplican Redes Neuronales Informadas por la Física (PINN) al sistema de kaones neutros K⁰–K̄⁰, gobernado por la ecuación de Wigner-Weisskopf, con el doble objetivo de resolver el problema directo —reproducir la dinámica de oscilación y decaimiento— e inferir los parámetros físicos del sistema a partir de datos ruidosos. Los datos de entrenamiento son probabilidades de oscilación generadas por circuitos cuánticos implementados en Qiskit de IBM. Adicionalmente, se implementa y evalúa un modelo híbrido clásico-cuántico (QCPINN) basado en un circuito variacional de 4 cúbits con ansatz en cascada. En el problema directo, la arquitectura PINN reconstruye la evolución temporal con errores relativos L2 inferiores al 1,8 % en el régimen unitario y al 2,1 % en el régimen fenomenológico con decaimiento, utilizando entre 21 y 50 puntos sintéticos. Una búsqueda sistemática de hiperparámetros mediante optimización bayesiana (Optuna) identificó la configuración óptima: cinco capas ocultas, 24 neuronas por capa y tasa de aprendizaje η = 1,75 × 10⁻³. La QCPINN iguala o supera esta precisión con solo 296 parámetros entrenables, frente a los 8 708–25 284 de la PINN, logrando una reducción de entre 29× y 85× sin pérdida de exactitud. En el problema inverso se abordan tres escenarios de complejidad creciente: recuperación de Δm con un error del 0,17 % en régimen unitario; inferencia conjunta de Δm, ΓS y ΓL con errores entre 0,03 % y 3,6 % en ausencia de ruido; y detección de la asimetría de violación de CP a través de |p/q| con un error del 0,14 % en condiciones ideales. La comparación sistemática con una línea base clásica —integrador numérico RK45/Radau anidado en L-BFGS-B— revela que el método clásico supera a la PINN en velocidad, precisión y robustez al ruido en la mayoría de las configuraciones; la única ventaja sostenida de la PINN se da en la inferencia de |p/q| sin ruido (0,14 % frente a 1,10 % del clásico). El experimento de generalización —entrenando solo con el 70 % inicial de la ventana temporal— confirma que el residuo físico embebido en la pérdida dota a ambos modelos de capacidad real de extrapolar la dinámica: la PINN alcanza un error del 0,34 % en la región sin datos del régimen disipativo y la QCPINN es competitiva en el régimen unitario (1,38 %).
[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.
Los sistemas cuánticos son altamente sensibles a las interacciones con el entorno, lo que los hace particularmente vulnerables a fenómenos como la decoherencia cuántica. Esta interacción altera su evolución temporal y da lugar a la dinámica de sistemas cuánticos abiertos, donde las características del entorno y la forma en que este se acopla al sistema determinan su comportamiento. El presente estudio, explora la dinámica controlada de un sistema cuántico coherente mediante la implementación de una técnica de aprendizaje automático que incorpora principios físicos en su proceso de entrenamiento, esta técnica conocida como PINN (Physics-Informed Neural Networks), permite predecir campos de control cuántico que guían la evolución del sistema hacia un estado cuántico objetivo. El propósito central de este trabajo es analizar el impacto de los procesos de decoherencia cuántica en la dinámica disipativa de un sistema de dos niveles tipo superconductor (transmón), asistido por un control coherente predicho por una Red Neuronal Informada por la Física (PINN). Inicialmente, la PINN se entrena para predecir un control óptimo que conduzca al sistema cuántico desde su estado excitado hasta su estado de mínima energía, dentro de un intervalo de tiempo finito en la dinámica cerrada. Posteriormente, se analiza la efectividad del sistema para alcanzar dicho estado objetivo, ante la influencia de los canales de desfase puro (pure dephasing) y amortiguación de amplitud (amplitude damping), tanto para el régimen Markoviano como en el no-Markoviano. Por tanto, en el análisis de la dinámica disipativa no-Markoviana, donde la interacción con el entorno es fuerte y los efectos de memoria desempeñan un papel crucial en la evolución del sistema, se incorporan tasas de disipación dependientes del tiempo para modelar la influencia de la temperatura y la intensidad de la fuerza de acoplamiento débil en la interacción sistema-entorno.
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.
El problema de la flecha del tiempo y la reversibilidad son tópicos centrales de la historia de la Física. Con el advenimiento de las tecnologías cuánticas, se presenta la oportunidad de estudiar sistemas cuánticos individuales, vinculando los problemas mencionados con desafíos tecnológicos. Nuestro objetivo es investigar la irreversibilidad en procesadores cuánticos, en relación al estudio de distintos modelos de ruido. Para ello, generamos circuitos cuánticos aleatorios, seguido de sus circuitos inversos. Si el dispositivo considerado fuera ideal, deberíamos recuperar el estado inicial de la computadora cuántica (es decir, aquel en el que todos los n qubits involucrados en un circuito están en cero |000...⟩). Sin embargo, esto no es así en presencia de ruido. De esta forma, nos proponemos estudiar cómo se comporta la magnitud M = |⟨000...|f⟩|2 (donde |f⟩ es el estado final) para distintos tipos de ruido en circuitos cuánticos aleatorios. Esto puede pensarse como una estrategia similar a la que se utiliza para estudiar el eco de Loschmidt en sistemas de múltiples spines [2]. Usamos QISKIT [1] para calcular los valores de M asociados a dichos circuitos, utilizando simuladores de distintos prototipos de computadoras cuánticas, de forma tal de evaluar el solapamiento entre los estados finales y los iniciales, simulando mediciones de los estados finales. De esta forma, se obtienen histogramas que muestran las distribuciones de los valores de M asociados a los circuitos para distintos modelos de ruido. Los parámetros de las simulaciones son: el dispositivo cuántico simulado, el tipo de ruido, el número de qubits por circuito, y la profundidad del circuito (cantidad de capas de compuertas). De esta forma, se busca evaluar cómo se comporta la irreversibilidad en relación al ruido en distintas arquitecturas de procesadores cuánticos. Un objetivo a futuro es comparar los resultados obtenidos con lo que se obtendría con dinámicas No-Hermíticas [3].
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.
En este trabajo se estudia el uso de algoritmos cuánticos variacionales para la discriminación de estados cuánticos, mediante el entrenamiento de un clasificador cuántico simulado capaz de implementar esquemas de medición que aproximan mediciones óptimas. Este enfoque permite estudiar estrategias de medición desde una perspectiva híbrida clásico–cuántica, aprovechando las capacidades de los dispositivos NISQ y evitando la complejidad asociada a implementaciones experimentales directas. En una primera parte, se valida el desempeño del clasificador mediante la reproducción parcial de un esquema de redes neuronales cuánticas variacionales propuesto previamente en la literatura. Se analizan tanto el régimen de discriminación de mínimo error como el de discriminación inequívoca, comparando los resultados numéricos con las cotas teóricas obtenidas a partir del límite de Helstrom y de técnicas de programación semidefinida. En el régimen de discriminación inequívoca, el clasificador logra aproximarse de manera robusta a las cotas teóricas, incluso para conjuntos de entrenamiento reducidos. En una segunda parte, el clasificador se generaliza para abordar problemas más complejos que involucran familias de estados asociadas a la Medición Conjunta Elegante (EJM), así como a familias de estados de Popescu y de Werner, tanto en escenarios binarios como en multiclase. Los resultados muestran que, para estas familias, la discriminación inequívoca es imposible y que, en el régimen de mínimo error, el desempeño del clasificador se ve limitado por restricciones geométricas asociadas al rango y al soporte de los operadores de medición implementados.