Publicación:
Implementación de redes neuronales informadas por la física para resolver la dinámica controlada de sistemas cuánticos

Vista sencilla de ítem
dc.contributor.advisorSusa, Cristian
dc.contributor.authorPatiño Buendía Luis Miguel
dc.contributor.juryLópez Ortiz, Javier del Cristo
dc.contributor.juryMaya Taboada, Héctor
dc.date.accessioned2025-01-20T17:50:23Z
dc.date.available2025-01-20T17:50:23Z
dc.date.issued2025-01-17
dc.description.abstractEste trabajo aborda el estudio de la dinámica controlada de sistemas cuánticos, tanto aislados como abiertos, mediante una estrategia de optimización basada en redes neuronales de aprendizaje profundo. Estas redes integran las ecuaciones físicas del sistema como información de entrada para predecir controles coherentes que guían la evolución temporal hacia estados cuánticos específicos. Este enfoque es esencial para simular operaciones como las compuertas lógicas cuánticas, fundamentales en la mayoría de las tecnologías actuales de computación cuántica. En particular, se logró determinar un conjunto único de controles que actúa sobre un sistema de dos qubits preparado con múltiples estados iniciales, reproduciendo el efecto de la compuerta cuántica de negación controlada CNOT. Para alcanzar este objetivo, se construyó una red neuronal profunda utilizando el framework de computación con tensores PyTorch. La red es adaptable, permitiendo ajustar la cantidad de elementos de entrada y salida, así como su complejidad, según las dimensiones y características del sistema cuántico a resolver. Los resultados obtenidos demuestran que las redes neuronales informadas por la física pueden generar funciones de control suaves y de baja amplitud, que conducen al sistema hacia un estado objetivo en un tiempo significativamente menor en comparación con su evolución natural. Asimismo, se verificó que los controles predichos por las PINN producen dinámicas de alta fidelidad en los estados cuánticos al finalizar la simulación. También, se concluyó que es posible identificar un conjunto único de controles óptimos para sistemas cuánticos con diversos estados iniciales. Finalmente, se observó que para un sistema cuántico de dos qubits, la implementación de la compuerta cuántica CNOT en un escenario aislado ofrece una fidelidad significativamente mayor en comparación con un escenario abierto sometido a un canal de amortiguamiento de amplitud, como ocurre en procesos de emisión espontánea.spa
dc.description.degreelevelPregrado
dc.description.degreenameFísico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsResumenspa
dc.description.tableofcontentsIntroducciónspa
dc.description.tableofcontents1. Dinámica Cuántica Coherentemente Controladaspa
dc.description.tableofcontents1.1. Estados cuánticosspa
dc.description.tableofcontents1.1.1. Operador densidadspa
dc.description.tableofcontents1.2. Mediciones cuánticasspa
dc.description.tableofcontents1.3. Modelos de control coherentespa
dc.description.tableofcontents1.3.1. Control de sistemas cuánticos aisladosspa
dc.description.tableofcontents1.3.2. Control de sistemas cuánticos abiertosspa
dc.description.tableofcontents2. Redes Neuronales Informadas por la Física (PINN)spa
dc.description.tableofcontents2.1. Redes neuronales de aprendizaje profundospa
dc.description.tableofcontents2.2. Estructura de una red neuronal informada por la físicaspa
dc.description.tableofcontents2.2.1. Términos de la función de costospa
dc.description.tableofcontents2.2.2. Algoritmo de optimizaciónspa
dc.description.tableofcontents2.2.3. Sistema cuántico de dos niveles resuelto con PINNspa
dc.description.tableofcontents2.2.4. Algoritmo genérico de entrenamiento de una PINNspa
dc.description.tableofcontents3. Diseño de la compuerta CNOT mediante PINNspa
dc.description.tableofcontents3.1. Descripción generalspa
dc.description.tableofcontents3.2. Solución a la dinámica cerrada del TQSspa
dc.description.tableofcontents3.2.1. Discusiónspa
dc.description.tableofcontents3.3. Solución a dinámica abierta del TQSspa
dc.description.tableofcontents3.3.1. Discusiónspa
dc.description.tableofcontents4. Conclusionesspa
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/8890
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] C.H. Bennett, G. Brassard, C. Crépeau, R. Jozsa, A. Peres, W.K. Wootters, Teleporting an unknown quantum state via dual classical and Einstein-Podolsky-Rosen channels, Phys. Rev. Lett. 70 (1993) 1895–1899.
dc.relation.references[2] M. Zukowski, A. Zeilinger, M. A. Horne, and A. K. Ekert, ““event-ready-detectors” bell ˙ experiment via entanglement swapping,” Phys. Rev. Lett., vol.
dc.relation.references[3] A. P. Peirce, M. A. Dahleh, and H. Rabitz, “Optimal control of quantum-mechanical systems: Existence, numerical approximation, and applications,” Phys. Rev. A, vol. 37, pp. 4950–4964, 1988.
dc.relation.references[4] R. Kosloff, S. Rice, P. Gaspard, S. Tersigni, and D. Tannor, “Wavepacket dancing: Achieving chemical selectivity by shaping light pulses,” Chemical Physics, vol. 139, pp. 201–220, 1989.
dc.relation.references[5] S.-Y. Huang and H.-S. Goan, “Optimal control for fast and high-fidelity quantum gates in coupled superconducting flux qubits,” Phys. Rev. A, vol. 90, p. 012318, 2014.
dc.relation.references[6] N. Khaneja, T. Reiss, B. Luy, and S. J. Glaser, “Optimal control of spin dynamics in the presence of relaxation,” Journal of Magnetic Resonance, vol. 162, pp. 311–319, 2003.
dc.relation.references[7] R. Islam, E. E. Edwards, K. Kim, S. Korenblit, C. Noh, H. Carmichael, G.-D. Lin, L.-M. Duan, C.-C. Joseph Wang, J. K. Freericks, and C. Monroe, “Onset of a quantum phase transition with a trapped ion quantum simulator,” Nature Communications, vol. 2, p. 377, 2011.
dc.relation.references[8] M. Raissi, P. Perdikaris, and G. Karniadakis, “Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations,” Journal of Computational Physics, vol. 378, pp. 686–707, 2019.
dc.relation.references[9] J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe, and S. Lloyd, “Quantum machine learning,” Nature, vol. 549, pp. 195–202, 2017.
dc.relation.references[10] F. Villaescusa-Navarro, D. Angles-Alc ´ azar, S. Genel, D. N. Spergel, R. S. Somerville, R. Dave, ´ A. Pillepich, L. Hernquist, D. Nelson, P. Torrey, D. Narayanan, Y. Li, O. Philcox, V. L. Torre, A. M. Delgado, S. Ho, S. Hassan, B. Burkhart, D. Wadekar, N. Battaglia, G. Contardo, and G. L. Bryan, “The camels project: Cosmology and astrophysics with machine-learning simulations,” The Astrophysical Journal, vol. 915, p. 71, 2021.
dc.relation.references[11] A. Norambuena, M. Mattheakis, F. J. Gonzalez, and R. Coto, “Physics-informed neural net- ´ works for quantum control,” Phys. Rev. Lett., vol. 132, p. 010801, 2024.
dc.relation.references[12] A. G. J. MacFarlane, J. P. Dowling, and G. J. Milburn, “Quantum technology: the second quantum revolution,” Philosophical Transactions of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, vol. 361, pp. 1655–1674, 2003.
dc.relation.references[13] D. Dong and I. Petersen, “Quantum control theory and applications: a survey,” IET Control Theory and Applications, vol. 4, p. 2651–2671, 2010.
dc.relation.references[14] M. A. Nielsen and I. L. Chuang, Quantum Computation and Quantum Information. Cambridge: Cambridge University Press, 2010.
dc.relation.references[15] D. Manzano, “A short introduction to the Lindblad master equation,” AIP Advances, vol. 10, p. 025106, 02 2020.
dc.relation.references[16] C. E. S. Quintero, Control of quantum correlations in hybrid qubit systems. PhD thesis, Universidad del Valle, 2016.
dc.relation.references[17] H.-P. Breuer and F. Petruccione, The Theory of Open Quantum Systems. Oxford University Press, 2007.
dc.relation.references[18] I. Ermakov and O. Lychkovskiy, “Effect of dephasing on the current through a periodically driven quantum point contact,” JETP Letters, vol. 119, pp. 40–45, Jan 2024.
dc.relation.references[19] S. Cuomo, V. S. Di Cola, F. Giampaolo, G. Rozza, M. Raissi, and F. Piccialli, “Scientific machine learning through physics–informed neural networks: Where we are and what’s next,” Journal of Scientific Computing, vol. 92, p. 88, 2022.
dc.relation.references[20] I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016. http: //www.deeplearningbook.org.
dc.relation.references[21] M. Mattheakis, D. Sondak, A. S. Dogra, and P. Protopapas, “Hamiltonian neural networks for solving equations of motion,” Phys. Rev. E, vol. 105, p. 065305, June 2022.
dc.relation.references[22] A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito, M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L. Fang, J. Bai, and S. Chintala, “Pytorch: An imperative style, high-performance deep learning library,” in Advances in Neural Information Processing Systems 32, pp. 8024–8035, Curran Associates, Inc., 2019.
dc.relation.references[23] S. Kollmannsberger, D. D’Angella, M. Jokeit, and L. Herrmann, “Physics-Informed Neural Networks,” in Deep Learning in Computational Mechanics, vol. 977, pp. 55–84, Cham: Springer International Publishing, 2021. Series Title: Studies in Computational Intelligence
dc.relation.references[24] D. P. Kingma and J. Ba, “Adam: A Method for Stochastic Optimization,” 2014. Version Number: 9.
dc.relation.references[25] R. Sagastizabal, S. P. Premaratne, B. A. Klaver, M. A. Rol, V. Negˆırneac, M. S. Moreira, X. Zou, S. Johri, N. Muthusubramanian, M. Beekman, C. Zachariadis, V. P. Ostroukh, N. Haider, A. Bruno, A. Y. Matsuura, and L. DiCarlo, “Variational preparation of finite-temperature states on a quantum computer,” npj Quantum Information, vol. 7, p. 130, Aug 2021.
dc.relation.references[26] L. Yang and A. Shami, “On hyperparameter optimization of machine learning algorithms: Theory and practice,” Neurocomputing, vol. 415, pp. 295–316, 2020.
dc.relation.references[27] J. Johansson, P. Nation, and F. Nori, “Qutip: An open-source python framework for the dynamics of open quantum systems,” Computer Physics Communications, vol. 183, p. 1760–1772, 2012.
dc.relation.references[28] M. Y. Niu, S. Boixo, V. N. Smelyanskiy, and H. Neven, “Universal quantum control through deep reinforcement learning,” npj Quantum Information, vol. 5, p. 33, Apr. 2019.
dc.relation.references[29] L.-M. Duan, E. Demler, and M. D. Lukin, “Controlling spin exchange interactions of ultracold atoms in optical lattices,” Phys. Rev. Lett, vol. 91, Aug. 2003.
dc.relation.references[30] J. H. Reina, C. E. S. Quintero, and F. Fanchini., “Extracting Information from QubitEnvironment Correlations,” Scientific Reports, vol. 4, p. 7443, Dec. 2014
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.keywordsPhysics-informed neural networks (PINN)eng
dc.subject.keywordsOpen quantum systemseng
dc.subject.keywordsDeep learningeng
dc.subject.keywordsQuantum logic gateseng
dc.subject.proposalRedes neuronales informadas por la física (PINN)spa
dc.subject.proposalSistemas cuánticos abiertosspa
dc.subject.proposalDeep learningspa
dc.subject.proposalCompuertas lógicas cuánticasspa
dc.titleImplementación de redes neuronales informadas por la física para resolver la dinámica controlada de sistemas cuánticosspa
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:
patinobuendialuismiguel.pdf
Tamaño:
1.53 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
formato de autorizacion.pdf
Tamaño:
1.35 MB
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