Resumen en español

Los sistemas cuánticos son altamente sensibles a las interacciones con el entorno, lo que los hace particularmente vulnerables a fenómenos como la decoherencia cuántica. Esta interacción altera su evolución temporal y da lugar a la dinámica de sistemas cuánticos abiertos, donde las características del entorno y la forma en que este se acopla al sistema determinan su comportamiento. El presente estudio, explora la dinámica controlada de un sistema cuántico coherente mediante la implementación de una técnica de aprendizaje automático que incorpora principios físicos en su proceso de entrenamiento, esta técnica conocida como PINN (Physics-Informed Neural Networks), permite predecir campos de control cuántico que guían la evolución del sistema hacia un estado cuántico objetivo. El propósito central de este trabajo es analizar el impacto de los procesos de decoherencia cuántica en la dinámica disipativa de un sistema de dos niveles tipo superconductor (transmón), asistido por un control coherente predicho por una Red Neuronal Informada por la Física (PINN). Inicialmente, la PINN se entrena para predecir un control óptimo que conduzca al sistema cuántico desde su estado excitado hasta su estado de mínima energía, dentro de un intervalo de tiempo finito en la dinámica cerrada. Posteriormente, se analiza la efectividad del sistema para alcanzar dicho estado objetivo, ante la influencia de los canales de desfase puro (pure dephasing) y amortiguación de amplitud (amplitude damping), tanto para el régimen Markoviano como en el no-Markoviano. Por tanto, en el análisis de la dinámica disipativa no-Markoviana, donde la interacción con el entorno es fuerte y los efectos de memoria desempeñan un papel crucial en la evolución del sistema, se incorporan tasas de disipación dependientes del tiempo para modelar la influencia de la temperatura y la intensidad de la fuerza de acoplamiento débil en la interacción sistema-entorno.