Proyecto:
Detección de Entrelazamiento con Técnicas de Machine Learning Clásico y Cuántico
El entrelazamiento cuántico es el recurso fundamental que dota a la computación cuántica de su poder. Sin embargo, su detección y cuantificación en sistemas multipartitos es una tarea notoriamente difícil, especialmente a medida que aumenta el número de partículas. En este proyecto, exploramos cómo los algoritmos de machine learning, tanto clásicos (como Redes Neuronales Convolucionales o Support Vector Machines) como cuánticos, pueden utilizarse para identificar y caracterizar el entrelazamiento.
Utilizamos datos de mediciones experimentales (como densidades de probabilidad y matrices de densidad) para entrenar modelos capaces de discriminar entre estados entrelazados y separables, o incluso clasificar diferentes tipos de entrelazamiento. El objetivo es desarrollar detectores de entrelazamiento eficientes y robustos que no requieran la reconstrucción completa del estado cuántico (tomografía), lo cual es exponencialmente costoso. Esta investigación es crucial para la verificación y caracterización de futuros hardware cuánticos.
El entrelazamiento es la correlación no local que define el poder computacional cuántico. Sin embargo, su verificación experimental, especialmente en sistemas multipartitos (con muchos cúbits), requiere una costosa tomografía de estados cuánticos. Este proyecto se enfoca en el desarrollo de detectores de entrelazamiento optimizados por QML.
Empleamos Redes Neuronales Profundas (clásicas) para analizar datos de medición limitados (outcomes statistics) y clasificar el estado cuántico subyacente de manera eficiente, evitando la reconstrucción completa. Además, exploramos el uso de circuitos cuánticos variacionales como clasificadores de máquinas de soporte vectorial cuánticas (QSVM) para realizar la detección directamente en el hardware cuántico, buscando una ventaja de complejidad de muestreo sobre los métodos clásicos.
