Resumen en español

Este 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.