Publicación:
Control cuántico en dinámica coherente asistida por pinn y su resistencia a la disipación en dinámicas abiertas

Vista sencilla de ítem
dc.contributor.advisorSusa Quintero, Cristian Edwin
dc.contributor.authorFabra Martinez, Luis Miguel
dc.contributor.juryLópez ortiz, Javier del Cristo
dc.contributor.juryJimenez Narvaez, Rosbel Arsenio
dc.date.accessioned2025-07-21T16:52:15Z
dc.date.available2025-07-21T16:52:15Z
dc.date.issued2025-07-19
dc.description.abstractLos 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. spa
dc.description.degreelevelPregrado
dc.description.degreenameFísico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsÍndice de figurasspa
dc.description.tableofcontentsÍndice de tablasspa
dc.description.tableofcontentsResumenspa
dc.description.tableofcontents1. Introducciónspa
dc.description.tableofcontents2. Métodos de Optimización para Control Cuánticospa
dc.description.tableofcontents2.1. KROTOVspa
dc.description.tableofcontents2.1.1. Optimización de Funcionalspa
dc.description.tableofcontents2.1.2. Estimación del Parámetro λaspa
dc.description.tableofcontents2.1.3. Actualización Iterativa del Controlspa
dc.description.tableofcontents2.2. Redes Neuronales Informadas por la Física (PINN)spa
dc.description.tableofcontents2.2.1. Estructura y Arquitectura de las PINNspa
dc.description.tableofcontents2.2.2. Aplicación de las PINN en Control Cuánticospa
dc.description.tableofcontents3. Dinámica de Sistemas Cuánticosspa
dc.description.tableofcontents3.1. Dinámica Aisladaspa
dc.description.tableofcontents3.2. Dinámica Abiertaspa
dc.description.tableofcontents3.2.1. Dinámica Cuántica Markovianaspa
dc.description.tableofcontents3.2.2. Dinámica Cuántica No-Markovianaspa
dc.description.tableofcontents3.3. Canales de Disipación Cuánticaspa
dc.description.tableofcontents3.3.1. Disipación por Decoherencia Puraspa
dc.description.tableofcontents3.3.2. Disipación por Amortiguamiento de Amplitudspa
dc.description.tableofcontents4. Sistema Cuántico de Dos Nivelesspa
dc.description.tableofcontents4.1. Qubits Superconductoresspa
dc.description.tableofcontents4.1.1. Circuito LCspa
dc.description.tableofcontents4.1.2. Efecto Josephsonspa
dc.description.tableofcontents4.1.3. Transmónspa
dc.description.tableofcontents4.2. Dinámica Unitaria del Sistema de Dos Niveles (Qubit-Transmón)spa
dc.description.tableofcontents5. Dinámica Coherente Asistida por PINNspa
dc.description.tableofcontents5.1. Campo de Control Implementando PINNspa
dc.description.tableofcontents5.2. Optimización de Control Implementando el Método de KROTOVspa
dc.description.tableofcontents5.3. Implementación de Control Basado en Campos Analíticosspa
dc.description.tableofcontents5.4. Influencia Markoviana sobre el Sistema Controlado Qubit-Transmónspa
dc.description.tableofcontents5.5. Influencia No-Markoviana sobre el Sistema Controlado Qubit-Transmónspa
dc.description.tableofcontents5.5.1. Efectos de Temperaturaspa
dc.description.tableofcontents5.5.2. Efectos de Acoplamientospa
dc.description.tableofcontents6. Conclusionesspa
dc.description.tableofcontentsA. Exploración de los regímenes del parámetro ∆spa
dc.description.tableofcontentsB. Criterios de Optimización en la Implementación de Métodos de Control Cuánticospa
dc.description.tableofcontentsB.1. Función de costo para la PINNspa
dc.description.tableofcontentsB.2. Convergencia del método de KROTOVspa
dc.description.tableofcontentsC. Densidades Espectrales y Tasas de Disipación Dependientes del Tiempospa
dc.description.tableofcontentsReferenciasspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/9441
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programFísica
dc.relation.references[1] Krotov’s Method — Krotov 1.1.0 documentation. [Online; accessed 26. Dec. 2024]. Jun. de 2024. URL : https://qucontrol.github.io/krotov/v1.1.0/07_krotovs_method.html#choice-of-a.
dc.relation.references[2] Xinhui Ruan et al. Dynamics and Resonance Fluorescence from a Superconducting Artificial Atom Doubly Driven by Quantized and Classical Fields. 2024. arXiv: 2403.11142 [quant-ph]. URL: https: //arxiv.org/abs/2403.11142.
dc.relation.references[3] H.P. Breuer y F. Petruccione. The Theory of Open Quantum Systems. Oxford University Press, 2002. ISBN : 9780198520634. URL : https://books.google.com.co/books?id=0Yx5VzaMYm8C.
dc.relation.references[4] The Nobel Prize in Physics 2024 - NobelPrize.org. [Online; accessed 13. Apr. 2025]. Abr. de 2025. URL : https://www.nobelprize.org/prizes/physics/2024/summary.
dc.relation.references[5] Quantum Optimal Control — qutip qtrl 0.1.3 documentation. [Online; accessed 22. Dec. 2024]. Jun. de 2024. URL: https://qutip-qtrl.readthedocs.io/en/stable/guide/guide-control. html#quantum-optimal-control.
dc.relation.references[6] Neill Lambert et al. QuTiP 5: The Quantum Toolbox in Python. 2024. arXiv: 2412.04705 [quant-ph]. URL : https://arxiv.org/abs/2412.04705.
dc.relation.references[7] QuTiP: Quantum Toolbox in Python — QuTiP 5.1 Documentation. [Online; accessed 22. Dec. 2024]. Dic. de 2024. URL: https://qutip.readthedocs.io/en/latest.
dc.relation.references[8] Marllos E. Fonseca et al. Effectiveness of the Krotov method in controlling open quantum systems. 2023. arXiv: 2208.03114 [quant-ph]. URL: https://arxiv.org/abs/2208.03114.
dc.relation.references[9] U. Boscain, M. Sigalotti y D. Sugny. “Introduction to the Pontryagin Maximum Principle for Quan- tum Optimal Control”. En: PRX Quantum 2 (3 sep. de 2021), pág. 030203. DOI: 10 . 1103 / PRXQuantum.2.030203. URL: https://link.aps.org/doi/10.1103/PRXQuantum.2.030203.
dc.relation.references[10] Michael Goerz et al. “Krotov: A Python implementation of Krotov’s method for quantum optimal control”. En: SciPost Physics 7.6 (dic. de 2019). ISSN: 2542-4653. DOI: 10.21468/scipostphys. 7.6.080. URL: http://dx.doi.org/10.21468/SciPostPhys.7.6.080.
dc.relation.references[11] José P. Palao y Ronnie Kosloff. “Optimal control theory for unitary transformations”. En: Physical Review A 68.6 (dic. de 2003). ISSN: 1094-1622. DOI: 10.1103/physreva.68.062308. URL: http: //dx.doi.org/10.1103/PhysRevA.68.062308.
dc.relation.references[12] M. Raissi, P. Perdikaris y G.E. Karniadakis. “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equa- tions”. En: Journal of Computational Physics 378 (2019), págs. 686-707. ISSN: 0021-9991. DOI: https://doi.org/10.1016/j.jcp.2018.10.045. URL: https://www.sciencedirect.com/ science/article/pii/S0021999118307125.
dc.relation.references[13] Ariel Norambuena et al. “Physics-Informed Neural Networks for Quantum Control”. En: Phys. Rev. Lett. 132 (1 ene. de 2024), pág. 010801. DOI: 10 . 1103 / PhysRevLett . 132 . 010801. URL: https://link.aps.org/doi/10.1103/PhysRevLett.132.010801.
dc.relation.references[14] Michael A. Nielsen e Isaac L. Chuang. Quantum Computation and Quantum Information: 10th Anniversary Edition. Cambridge University Press, 2010.
dc.relation.references[15] U. Shrikant y Prabha Mandayam. “Quantum non-Markovianity: Overview and recent develop- ments”. En: Frontiers in Quantum Science and Technology 2 (2023). ISSN: 2813-2181. DOI: 10. 3389/frqst.2023.1134583. URL: https://www.frontiersin.org/journals/quantum-science- and-technology/articles/10.3389/frqst.2023.1134583.
dc.relation.references[16] Dynamical maps: Markovian semigroups. [Online; accessed 16. Sep. 2024]. Feb. de 2023. URL: https://matteoacrossi.github.io/oqs-jupyterbook/markovian_semigroups.html.
dc.relation.references[17] Ali Abu-Nada, Subhashish Banerjee y Vivek Balasaheb Sabale. Exploring the Non-Markovian Dy- namics in Depolarizing Maps. 2024. arXiv: 2403.04813 [quant-ph]. URL: https://arxiv.org/ abs/2403.04813.
dc.relation.references[18] Non-Markovian quantum dynamics. [Online; accessed 16. Sep. 2024]. Feb. de 2023. URL: https: //matteoacrossi.github.io/oqs-jupyterbook/non-markovian_quantum_dynamics.html.
dc.relation.references[19] Michael J. W. Hall et al. “Canonical form of master equations and characterization of non-Markovianity”. En: Physical Review A 89.4 (abr. de 2014). ISSN: 1094-1622. DOI: 10.1103/physreva.89.042120. URL : http://dx.doi.org/10.1103/PhysRevA.89.042120.
dc.relation.references[20] Ariel Norambuena et al. “Quantifying phonon-induced non-Markovianity in color centers in dia- mond”. En: Phys. Rev. A 101 (2 feb. de 2020), pág. 022110. DOI: 10.1103/PhysRevA.101.022110. URL : https://link.aps.org/doi/10.1103/PhysRevA.101.022110.
dc.relation.references[21] Z. Ficek y S. Swain. Quantum Interference and Coherence: Theory and Experiments. Springer Series in Optical Sciences. Springer, 2005. ISBN: 9780387229652. URL: https://books.google.com. co/books?id=AYhF6-K2OKcC.
dc.relation.references[22] Juan Álvarez Carrasco. “Computación cuántica con qubits superconductores: el transmón”. En: (2021).
dc.relation.references[23] IBM Quantum breaks the xn–100qubit-cn3d processor barrier | IBM Quantum Computing Blog. [On- line; accessed 21. May 2025]. Mayo de 2025. URL: https://www.ibm.com/quantum/blog/127- qubit-quantum-processor-eagle.
dc.relation.references[24] Hartmut Neven. “Meet Willow, our state-of-the-art quantum chip”. En: Google (dic. de 2024). URL: https://blog.google/technology/research/google-willow-quantum-chip.
dc.relation.references[25] Rigetti Computing. “Introducing the Ankaa™-1 System — Rigettis Most Sophisticated Chip Archi- tecture Unlocks a Promising Path to Narrow Quantum Advantage”. En: Medium (mar. de 2025). URL : https : / / medium . com / rigetti / introducing - the - ankaa - 1 - system - rigettis - most - sophisticated-chip-architecture-unlocks-a-ab3f05e3c264.
dc.relation.references[26] Monica Hernandez. “Superconducting qubits enable new quantum simulations and advanced control systems”. En: Phys.org (mayo de 2025). URL: https : / / phys . org / news / 2025 - 05 - superconducting-qubits-enable-quantum-simulations.html.
dc.relation.references[27] Thomas E. Roth, Ruichao Ma y Weng C. Chew. “The Transmon Qubit for Electromagnetics En- gineers: An introduction”. En: IEEE Antennas and Propagation Magazine 65.2 (abr. de 2023), págs. 8-20. ISSN: 1558-4143. DOI: 10 . 1109 / map . 2022 . 3176593. URL: http : / / dx . doi . org / 10.1109/MAP.2022.3176593.
dc.relation.references[28] D. Mogilevtsev et al. “Driving-Dependent Damping of Rabi Oscillations in Two-Level Semiconduc- tor Systems”. En: Physical Review Letters 100.1 (ene. de 2008). ISSN: 1079-7114. DOI: 10.1103/ physrevlett.100.017401. URL: http://dx.doi.org/10.1103/PhysRevLett.100.017401.
dc.relation.references[29] Ivo S. Mihov y Nikolay V. Vitanov. Pulse shape effects in qubit dynamics demonstrated on an IBM quantum computer. 2023. arXiv: 2301.10004 [quant-ph]. URL: https://arxiv.org/abs/2301. 10004.
dc.relation.references[30] Chris Fleming et al. “The rotating-wave approximation: consistency and applicability from an open quantum system analysis”. En: Journal of Physics A: Mathematical and Theoretical 43.40 (sep. de 2010), pág. 405304. ISSN: 1751-8121. DOI: 10.1088/1751- 8113/43/40/405304. URL: http://dx.doi.org/10.1088/1751-8113/43/40/405304.
dc.relation.references[31] Zihan Xia, Juan Garcia-Nila y Daniel Lidar. Markovian and non-Markovian master equations versus an exactly solvable model of a qubit in a cavity. 2024. arXiv: 2403.09944 [quant-ph]. URL: https: //arxiv.org/abs/2403.09944.
dc.relation.references[32] S. Krinner et al. “Engineering cryogenic setups for 100-qubit scale superconducting circuit sys- tems”. En: EPJ Quantum Technology 6.1 (mayo de 2019). ISSN: 2196-0763. DOI: 10.1140/epjqt/ s40507-019-0072-0. URL: http://dx.doi.org/10.1140/epjqt/s40507-019-0072-0.
dc.relation.references[33] Patiño Buendı́a Luis Miguel. “Implementación de redes neuronales informadas por la fı́sica para resolver la dinámica controlada de sistemas cuánticos”. En: (2025). URL: https://repositorio. unicordoba.edu.co/handle/ucordoba/8890.
dc.relation.references[34] Francisco J González et al. “Engineering non-Markovianity from defect-phonon interactions”. En: New Journal of Physics 25.4 (abr. de 2023), pág. 043004. DOI: 10.1088/1367-2630/acc7bf. URL: https://dx.doi.org/10.1088/1367-2630/acc7bf.
dc.rightsCopyright Universidad de Córdoba, 2025
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsQuantum controleng
dc.subject.keywordsPhysics-informed neural networkseng
dc.subject.keywordsSuperconducting qubiteng
dc.subject.keywordsMarkovian regimeeng
dc.subject.keywordsNon-Markovian regimeeng
dc.subject.proposalControl cuánticospa
dc.subject.proposalRedes neuronales informadas por la físicaspa
dc.subject.proposalQubit superconductorspa
dc.subject.proposalRégimen Markovianospa
dc.subject.proposalRégimen no-Markovianospa
dc.titleControl cuántico en dinámica coherente asistida por pinn y su resistencia a la disipación en dinámicas abiertasspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
FabraMartinezLuis Miguel.pdf
Tamaño:
3.19 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
FormatoAutorizaciónPublicación..pdf
Tamaño:
298.34 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.E.A. Trabajos de Investigación y/o Extensión