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.
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.
La simulación clásica de circuitos cuánticos sigue siendo un recurso indispensable para diseñar, validar y analizar algoritmos cuánticos. No obstante, en los simuladores de estado completo su alcance práctico queda limitado por el crecimiento exponencial de la memoria requerida para almacenar el vector de estado. En respuesta a esta restricción, el presente trabajo estudia la compresión sin pérdida como mecanismo de gestión de memoria en simuladores cuánticos tipo Schrödinger, con el objetivo de reducir la huella de almacenamiento sin introducir alteraciones numéricas en la simulación. La propuesta comprende la selección de un simulador base y de una biblioteca de compresión adecuada, el diseño de una arquitectura de almacenamiento por bloques con descompresión selectiva y caché LRU, su implementación en TMFQSfullstate mediante Blosc2 y su evaluación experimental frente a una ejecución de referencia sin compresión y a una estrategia con pérdida controlada basada en ZFP. La validación se realizó con circuitos representativos de comportamientos contrastantes de compresibilidad, en particular Grover y la transformada cuántica de Fourier, para instancias entre 20 y 25 qubits. Los resultados muestran que la estrategia sin pérdida basada en Blosc logra reducciones significativas de memoria en escenarios favorables, especialmente en Grover, manteniendo coincidencia exacta con la referencia no comprimida y error absoluto máximo nulo en todos los casos evaluados. También evidencian que la eficacia de la compresión depende de la estructura del estado cuántico y del patrón de acceso al vector, por lo que no puede asumirse un beneficio uniforme entre algoritmos. En conjunto, el trabajo demuestra que la compresión sin pérdida es una alternativa viable para ampliar la capacidad práctica de simulación cuando la memoria es la restricción dominante y el estado conserva regularidades aprovechables.
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] La computación cuántica aprovecha las propiedades físicas de los qubits, como la superposición y el entrelazamiento, para obtener mayor rendimiento y capacidad de cómputo. Sin embargo, los qubits son intrínsecamente inestables y se degradan con rapidez, lo cual se conoce como decoherencia. Dicho efecto hace que los qubits se vuelvan más sensibles al ruido ambiental. La corrección cuántica de errores (QEC) es fundamental para detectar y corregir errores en tiempo real, ya que los retrasos pueden provocar fallos irreversibles en los cálculos. El escaso margen de tiempo disponible exige algoritmos de descodificación de baja latencia. Esta tesis busca estudiar la viabilidad de la implementación del decodificador de programación lineal basada en síndromes (SB-LP) para códigos cuánticos de verificación de paridad de baja densidad (QLDPC) explorando diferentes enfoques que aceleran su funcionamiento en plataformas hardware adecuadas para la decodificación en tiempo real en sistemas de computación cuántica tolerantes a fallos utilizando síntesis de alto nivel (HLS) en el entorno AMD. En primer lugar, el algoritmo se implementará en MATLAB para una mejor comprensión del mismo. Posteriormente, se traducirá a una implementación de software en C/C++ como transición para, en última instancia, implementarlo en hardware optimizado, haciendo hincapié en el paralelismo y la segmentación para reducir la latencia de descodificación. Las optimizaciones clave incluyen la segmentación y el paralelismo basado en el flujo de datos para explotar las capacidades de la FPGA.
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.
Se pretende que el alumno desarrolle un proyecto de investigación asociado a la simulación numérica de la dinámica y control de sistemas estocásticos con potenciales aplicaciones en el novedoso campo de las tecnologías cuánticas. Objetivo 1) Utilizar software adaptado al análisis y simulación numérica de ecuaciones diferenciales estocásticas. Objetivo 2) Modelización y simulación de sistemas lineales estocásticos análogos a sistemas cuánticos lineales. Objetivo 3) Planteamiento de protocolos de control óptimo sobre estos sistemas. Objetivo 4) Simulación de la dinámica y control óptimo de un sistema cuántico lineal. \nEl control es una rama interdisciplinar de la ingeniería y las matemáticas, aplicada al comportamiento de los sistemas dinámicos. Un controlador manipula la entrada o estado inicial del sistema para lograr un efecto deseado en un estado posterior o salida. Hoy en día, prácticamente todo sistema mecánico y electrónico posee un sistema de control asociado, por sencillo que sea. Un sistema de control simple consiste en una acción sobre el sistema y la obtención del resultado esperado sobre el mismo. Sin embargo, para evitar un final abierto, los sistemas realizan, por lo regular, mediciones intermedias sobre sus salidas y con esa información el sistema es retroalimentado para modificar la acción de control reiniciando el ciclo de entrada-salida. Por otra parte, el desarrollo de nuevas tecnologías basadas en dispositivos cuyas leyes vienen dictadas por la mecánica cuántica se ha convertido en una prioridad para el desarrollo tecnológico actual y diversas aplicaciones tales como las comunicaciones, sensores y computadores cuánticos esperan a su desarrollo para ser implementadas. Esto exige que la rama del control cuántico se desarrolle. Sin embargo, algunas cualidades de la mecánica cuántica no permiten pasar fácilmente el esquema del control clásico al ámbito cuántico. Clásicamente, es posible adquirir toda la información necesaria y emplearla de manera eficiente para retroalimentar el sistema y especializar la acción de control al estado actual. Por el contrario, en un sistema cuántico no toda la información es asequible mediante una medición y, además, todo intento de medir el sistema lo perturba de manera notable. Técnicamente, las ecuaciones dinámicas en un proceso tal, son ecuaciones diferenciales estocásticas no lineales en lugar de las ecuaciones diferenciales deterministas de los sistemas clásicos. En este proyecto, el alumno implementará un software de simulación de sistemas estocásticos adaptado a las peculiaridades de sistemas cuánticos lineales para a continuación, ensayar la validez de diversos protocolos de control óptimo propuestos para estos sistemas
La implementación de métodos eficientes para la corrección de errores cuánticos requiere la utilización de códigos de baja redundancia, cuya función es minimizar el número de qubits físicos necesarios por qubit lógico.Los códigos polares cuánticos son candidatos para este fin debido a que por definición pueden alcanzar la capacidad del canal mediante una codificación recursiva eficiente. Sin embargo, la fase de preparación del estado lógico constituye un cuello de botella, frecuentemente condicionado por un elevado sobrecoste de puertas y medidas. En el presente estudio, se expone una metodología para el código polar Q1 que mitiga el sobrecoste de recursos mediante una optimización del circuito en el número de puertas y medidas.La propuesta ha sido evaluada mediante el entorno de simulación Stim, utilizando modelos de ruido a nivel de circuito sobre una topología que presenta conectividad all-to-all.El análisis realizado revela que la optimización de este trabajo aumenta la tasa de preparación de estados lógicos exitosos mientras mantiene o reduce las tasas de error lógico. A modo de ejemplo, para N=16, las optimizaciones producen mejoras en ambos estados lógicos.Para el estado lógico |+>, la propuesta incrementa la tasa de preparación hasta en un 34%, y mejora las tasas de error lógico hasta en un 63% en comparación con los valores de referencia. De igual manera, se evidencia un incremento en la tasa de preparación de hasta el 42% y una reducción en la tasa de error lógico de hasta el 69% para el estado lógico |0>.