QML - Aplicabilidad de técnicas de aprendizaje automático sobre la computación cuántica

Scholarship Summary

El objetivo general de este plan de trabajo es el aprovechamiento de metodologías propios del campo de la IA tendientes hacia el perfeccionamiento del software cuántico, considerando que una de las características de este último en la actualidad es su pronunciada curva de aprendizaje que dificultan su aplicabilidad sobre problemas realistas; más precisamente abordando el análisis de alternativas, oportunidades y dificultades aplicativas asociadas en relación a las técnicas actuales de algoritmia cuántica. Para eso se focalizará en la proposición y desarrollo de algoritmos superadores así como herramientas que permitan la integración de métodos de aprendizaje automático sobre cómputo cuántico en diferentes etapas de la ingeniería del software cuántica, ya sea en etapas de análisis de requerimientos, desarrollo o implementación, testing y despliegue de aplicaciones. En este aspecto será crucial la consideración de la era cuántica actual de escala intermedia ruidosa (NISQ) y sus dificultades asociadas, por ejemplo la mitigación de ruido, adaptación sobre la topologìa física de ejecución subyacente o el impacto de la extensión de circuitos cuánticos en relación a la precisión debido a tiempos de decoherencia, que requerirá del establecimiento de métricas adecuadas que posibiliten la toma de decisiones a la hora de determinar ante qué tipo de problemas y recursos de hardware disponibles son aplicables o no determinadas metodologías, a fin de brindar a los ingenieros de software de la era cuántica una herramienta significativa a la hora de la utilización de las propuestas descritas para el abordaje de problemas complejos. Este plan de trabajo busca explorar nuevas fronteras en la convergencia de la inteligencia artificial (IA) y la computación cuántica (QC), abriendo nuevas posibilidades para el desarrollo de técnicas superadoras en el procesamiento de datos y la toma de decisiones automatizada. Intentando fusionar el potencial de aceleración computacional que promete la QC a partir de propiedades de la mecánica cuántica como la superposición, el entrelazamiento y el tratamiento de la complejidad exponencial de ciertos problemas actualmente difíciles conjuntamente con la enorme aplicabilidad resolutiva del ML, a fin de poder abordar problemas duros que actualmente no es viable abordar, así como también lograr una mayor eficiencia computacional sobre aplicaciones de IA actuales.