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 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 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.
Esta tesis abordó el problema de la multiplicación segura de datos cifrados, donde se requiere preservar la seguridad y la integridad de los datos, con este objetivo se propuso el diseño y validación de un modelo híbrido – clásico cuántico – el cual multiplica polinomios cifrados, parte fundamental del criptosistema homomórfico aproximado Cheon–Kim–Kim-Song (CKKS), fundamentado en el problema Ring Learning With Errors (RLWE). Asimismo, esta solución empleó convoluciones cuánticas mediante la Quantum Fourier Transform (QFT), para explorar sus propiedades de interferencia y superposición en el dominio cuántico criptográfico. Metodológicamente, el modelo se implementó mediante circuitos cuánticos simulados utilizando el framework Qiskit, en conjunto con la librería criptográfica Microsoft SEAL y el lenguaje Python, lo que permitió evaluar el comportamiento del modelo en un entorno mixto – clásico cuántico. Los resultados obtenidos demostraron que el producto calculado sobre datos cifrados mediante un criptosistema homomórfico cuántico corresponde – dentro de un margen de error acotado y controlado – al producto en texto plano, validando que el uso de técnicas cuánticas en un criptosistema clásico no afecta la seguridad de los datos y preserva la fidelidad algebráica. Durante la multiplicación cuántica, los datos permanecieron ininteligibles, accesibles unicamente por un usuario autorizado, lo que constituye un aporte relevante y escalable para el desarrollo de modelos de procesamiento seguro de datos en escenarios cuánticos.
La computación cuántica ha impulsado múltiples líneas de investigación en los últimos años, debido al interés conjunto de la comunidad científica y de la industria tecnológica en diseñar ordenadores cuánticos capaces de ejecutar circuitos con alta precisión. Como resultado, nuevos enfoques como el MBQC (computación cuántica basada en mediciones) han surgido como alternativas viables al modelo estándar de computación cuántica. De igual manera, empresas tecnológicas como Google o IBM continúan impulsando de manera sostenida el desarrollo del hardware para computación cuántica, logrando avances significativos como el procesador Heron de 156 cúbits de IBM o el chip Willow de Google para la corrección de errores cuánticos. En particular, la introducción de Qiskit como software libre, por parte de IBM, brinda a los usuarios la posibilidad de realizar experimentos de computación cuántica utilizando ordenadores cuánticos reales, lo que sugiere la importancia de Qiskit dentro de este campo. Por tal motivo, el objetivo de este trabajo es diseñar una plantilla en Python con Qiskit para aplicar el protocolo MQBC en diferentes circuitos y ejecutarlos en un ordenador cuántico de IBM. Esta plantilla se basa en el modelo One-Way, un enfoque particular del MQBC, aplicado a un clúster lineal de 4 cúbits, y utiliza técnicas como la Postselección, Reetiquetado y Tomografía cuántica para caracterizar los estados de salida generados. Con ello, se busca implementar 5 circuitos cuánticos correspondientes a diferentes configuraciones clústers lineales y bidimensionales, a partir del estado clúster lineal de 4 cúbits. Asimismo, se mostrarán los pasos para implementar un circuito que detalla una búsqueda cuántica de dos cúbits. Para verificar la validez de los resultados, se calculará la fidelidad para cada estado de salida, considerando los circuitos teóricos descritos en el paper Experimental One-Way Quantum Computing. Finalmente, para las configuraciones de clúster bidimensionales, se analizará el grado de entrelazamiento para confirmar la generación de estados entrelazados a partir de cúbits codificados inicialmente separables. En adición, esta tesis tiene como finalidad servir como documento de referencia para facilitar el aprendizaje de Qiskit en futuros trabajos de computación cuántica.
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.
La computación cuántica ha evolucionado desde una disciplina teórica hasta convertirse en una realidad tecnológica emergente. Aunque los principales proveedores en la nube ya ofrecen acceso a hardware cuántico real, su adopción en sistemas reales sigue limitada por importantes desafíos de software. Entre ellos se encuentran la heterogeneidad del hardware, los ecosistemas específicos de cada proveedor, los modelos de programación de bajo nivel, los elevados costes de ejecución, los tiempos de espera y la falta de metodologías de ingeniería comparables a las del desarrollo clásico. En este contexto, la Ingeniería del Software Cuántico (QSE) surge como un área clave para cerrar la brecha entre las tecnologías cuánticas y las prácticas consolidadas de la ingeniería del software. Esta tesis doctoral por compendio investiga cómo avanzar de forma sistemática en QSE en entornos de computación cuántica como servicio, acercando el desarrollo cuántico a paradigmas clásicos mediante abstracción y gestión eficiente de recursos. El trabajo propone reducir la fragmentación entre proveedores adaptando patrones y conceptos de la computación clásica. En particular, presenta: (i) un análisis de la heterogeneidad de las principales plataformas cuánticas y el diseño de una capa de acceso independiente del proveedor; (ii) mecanismos de traducción para la ejecución portable de circuitos; (iii) estrategias de consolidación de cargas de trabajo a nivel de circuito; y (iv) un modelo de ejecución híbrido que integra multi-programación y ejecución distribuida basada en disparos. En conjunto, la tesis demuestra que adaptar principios consolidados de ingeniería mejora la viabilidad y sostenibilidad de la computación cuántica.
Este proyecto tiene como objetivo explorar el potencial de los algoritmos cuánticos en la simulación de redes neuronales biológicas. Aprovechando la computación cuántica en la nube proporcionada por IBM Quantum, se integran técnicas avanzadas de inteligencia artificial (IA) para optimizar y mejorar los modelos neuronales. Se utilizan datos detallados de conectividad y expresión génica obtenidos del Allen Brain Atlas, procesados y limpiados para facilitar su uso en simulaciones cuánticas. Los resultados demuestran la capacidad de los algoritmos cuánticos para manejar la complejidad de las redes neuronales biológicas, proporcionando una herramienta poderosa para la investigación en neurociencia y biología. La computación cuántica ofrece ventajas significativas en términos de eficiencia y escalabilidad para la simulación de sistemas biológicos complejos. Este trabajo detalla los pasos realizados, los resultados obtenidos y las conclusiones derivadas del proceso, destacando el papel crucial de la IA en la optimización de los parámetros del circuito cuántico y en el análisis de los resultados de las simulaciones