Diplomado en Computación Cuántica

Módulo 1. Quantum Computing. Un Nuevo Modelo de Computación

1.1. Computación Cuántica

1.1.1. Diferencias con la Computación Clásica
1.1.2. Necesidad de la Computación Cuántica
1.1.3. Ordenadores Cuánticos disponibles: Naturaleza y Tecnología

1.2. Aplicaciones de la computación cuántica

1.2.1. Aplicaciones de la Computación cuántica frente a Computación clásica
1.2.2. Contextos de Uso
1.2.3. Aplicación en Casos Reales

1.3. Fundamentos Matemáticos de la Computación Cuántica

1.3.1. Complejidad Computacional
1.3.2. Experimento de doble rendija. Partículas y ondas
1.3.3. El entrelazamiento

1.4. Fundamentos Geométricos de la Computación Cuántica

1.4.1. Qubit y espacio de Hilbert Bidimensional complejo
1.4.2. Formalismo General de Dirac
1.4.3. Estados de N-Qubits y espacio de Hilbert de dimensión 2n

1.5. Fundamentos Matemáticos Álgebra Lineal

1.5.1. El producto interno
1.5.2. Operadores hermitianos
1.5.3. Eigenvalues y Eigenvectors

1.6. Circuitos Cuánticos

1.6.1. Los estados de Bell y las matrices de Pauli
1.6.2. Puertas lógicas cuánticas
1.6.3. Puertas de control cuánticas

1.7. Algoritmos Cuánticos

1.7.1. Puertas cuánticas reversibles
1.7.2. Transformada de Fourier Cuántica
1.7.3. Teleportación Cuántica

1.8. Algoritmos que demuestran la Supremacía Cuántica

1.8.1. Algoritmo de Deutsch
1.8.2. Algoritmo de Shor
1.8.3. Algoritmo de Grover

1.9. Programación de Computadores Cuánticos

1.9.1. Mi primer programa en Qiskit (IBM)
1.9.2. Mi primer programa en Ocean (Dwave)
1.9.3. Mi primer programa en Cirq (Google)

1.10. Aplicación sobre Computadores Cuánticos

1.10.1. Creación de Puertas Lógicas

1.10.1.1 Creación de una Sumadora Digital Cuántica

1.10.2. Creación de Juegos Cuánticos
1.10.3. Comunicación secreta de claves entre Bob y Alice

Módulo 2. Quantum Machine Learning. La Inteligencia Artificial (I.A) del Futuro

2.1. Algoritmos de Machine Learning Clásicos

2.1.1. Modelos Descriptivos, Predictivos, Proactivos y Prescriptivos
2.1.2. Modelos Supervisados y No Supervisados
2.1.3. Reducción de Características, PCA, Matriz de Covarianza, SVM, Redes neuronales
2.1.4. La optimización en ML: El Descenso del Gradiente

2.2. Algoritmos de Deep Learning Clásicos

2.2.1. Redes de Boltzmann. La Revolución en Machine Learning
2.2.2. Modelos de Deep Learning. CNN, LSTM, GANs
2.2.3. Modelos Encoder-Decoder
2.2.4. Modelos de Análisis de Señales. Análisis de Fourier

2.3. Clasificadores Cuánticos

2.3.1. Generación de un clasificador cuántico
2.3.2. Codificación de los datos en estados cuánticos por amplitud
2.3.3. Codificación de los datos en estados cuánticos por fase/ángulo
2.3.4. Codificación de alto nivel

2.4. Algoritmos de Optimización

2.4.1. Quantum Approximate Optimization Algorithm (QAOA)
2.4.2. Variational Quantum Eigensolvers (VQE)
2.4.3. Quadratic Unconstrained Binary Optimization (QUBO)

2.5. Algoritmos de Optimización. Ejemplos

2.5.1. PCA con circuitos cuánticos
2.5.2. Optimización de paquetes de valores bursátiles
2.5.3. Optimización de rutas logísticas

2.6. Quantum Kernels Machine Learning

2.6.1. Variational quantum classifiers. QKA
2.6.2. Quantum Kernel Machine Learning
2.6.3. Clasificación basada en Quantum Kernel
2.6.4. Clustering basados en Quantum Kernel

2.7. Quantum Neural Networks

2.7.1. Redes Neuronales Clásicas y el Perceptrón
2.7.2. Redes Neuronales Cuánticas y el Perceptrón
2.7.3. Redes Neuronales Convolucionales Cuánticas

2.8. Algoritmos Avanzados de Deep Learning (DL)

2.8.1. Quantum Boltzmann Machines
2.8.2. General Adversarial Networks
2.8.3. Quantum Fourier transformation, quantum phase estimation and quantum matrix

2.9. Machine Learning. Use Case

2.9.1. Experimentación con VQC (Variational Quantum Classifier)
2.9.2. Experimentación con Quantum Neural Networks
2.9.3. Experimentación con qGANS

2.10. Computación Cuántica y la Inteligencia Artificial

2.10.1. Capacidad Cuántica en Modelos de ML
2.10.2. Quantum Knowledge Graphs
2.10.3. El futuro de la Inteligencia Artificial Cuántica