Machine learning en metrología cuántica

Este trabajo explora la aplicación de métodos de aprendizaje automático en la metrología cuántica, integrando técnicas clásicas y avanzadas para superar los límites impuestos por la mecánica cuántica en la medición. Se revisan fundamentos teóricos y prácticos de modelos como la regresión lineal, redes neuronales, métodos de kernel y procesos gaussianos, y se analizan sus aplicaciones en sistemas atómicos y moleculares. En particular, se abordan problemas como el cambio de fase en el modelo de Ising y la interpolación de superficies de energía potencial en la molécula H3O+, demostrando que la integración de ML con conceptos cuánticos puede mejorar la precisión y robustez de las mediciones. Los resultados presentados ofrecen perspectivas y herramientas para la interpretación de datos en física y química modernas.

• Autores: Sánchez Vásquez, Emmanuel
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/45717
• Acceso en línea: https://hdl.handle.net/10495/45717
• Palabra clave: Aprendizaje automático; Machine learning; Sistemas cuánticos; Quantum systems; Ordenadores cuánticos; Quantum computers; Mecánica cuántica; Quantum theory; Superficies de energía potencial; Potential energy surfaces; Funciones de Kernel; Kernel functions; Redes neurales (Computadores); Neural networks (Computer science); Mediciones cuánticas; http://id.loc.gov/authorities/subjects/sh85079324; http://id.loc.gov/authorities/subjects/sh2013002642; http://id.loc.gov/authorities/subjects/sh98002795; http://id.loc.gov/authorities/subjects/sh85109469; http://id.loc.gov/authorities/subjects/sh91003022; http://id.loc.gov/authorities/subjects/sh85072061; http://id.loc.gov/authorities/subjects/sh90001937
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/