CUCO persigue avanzar el estado del arte de algoritmos cuánticos y aplicar ese conocimiento a una serie de pruebas de concepto en distintos sectores estratégicos de la economía española como Energía, Financiero, Espacio, Defensa y Logística.
Objetivos
- Avanzar en el conocimiento científico y tecnológico de algoritmos de computación cuántica mediante la colaboración público-privada entre empresas y centros de investigación y universidades de reconocido prestigio a nivel internacional, que permita acelerar la implantación de esas tecnologías para su uso en el medio plazo.
- Identificar una serie de casos de uso, relevantes (Energía, Finanzas, Espacio, Seguridad/Defensa y Logística) donde realizar Pruebas de Concepto (PoC) para estudiar si la computación cuántica mejora las prestaciones de la computación clásica, y evaluar esa posible mejora.
- Compartir mejores prácticas entre los centros de conocimiento y las empresas, en ámbitos tecnológicos y empresariales diferentes, que permita una colaboración efectiva al ser entidades que no compiten entre sí en el mercado.
- Posicionar al Consorcio y a sus empresas como referentes en la Computación cuántica en sus sectores de aplicación, que permita su participación en iniciativas internacionales, tipo Quantum Flagship, Horizonte Europa o European Defence Fund.
Paquetes de trabajo
PT1: Requerimientos y especificaciones
En esta línea de investigación se propone analizar la viabilidad y los beneficios que supondría el uso de la computación cuántica para resolver una selección de casos de uso enmarcados en el campo de la observación de la tierra. Se han identificado los siguientes ejemplos de forma preliminar: Clasificación de imágenes satelitales, Optimización de la distribución de cultivos, Identificación de edificaciones con el objetivo de determinar el consumo energético, Detección de cambio urbano para ver la evolución de los terrenos (invasión espacio rural o protegido, evolución núcleos urbanos, etc.) y su demografía, Detección, seguimiento y trazabilidad de basura marina en las proximidades de las costas.
El proceso de recopilación de información mediante la intercepción de señales se conoce como inteligencia de señal (SIGINT). Los problemas que surgen en el campo de la SIGINT se formulan con frecuencia como problemas de clasificación, detección, estimación y optimización. Las técnicas de ML pueden proporcionar soluciones elegantes y prácticas a todos estos problemas. Dos de los más importantes son: 1) La identificación de la modulación intra-pulso que utiliza un emisor RADAR desconocido, pues ésta puede proporcionar información clave sobre el mismo; y 2) El seguimiento de fuentes con baja probabilidad de intercepción utilizadas por las más avanzadas radios militares y radiocontroles (de drones, UAVs…), principalmente aquellas que usan técnicas de espectro ensanchado basadas en saltos en frecuencia (FHSS), que son muy difíciles de seguir debido a los cambios quasi-instantáneos y pseudo-aleatorios de frecuencia, complicando por tanto la aplicación de contramedidas (e.g., interferencias intencionadas o jamming).
En esta línea de investigación se analizarán dos retos de optimización actuales pertenecientes al sector logístico:
- Optimización de rutas indoor (almacenes) y outdoor (puntos de entrega) para mejorar la eficiencia de las flotas de reparto.
- Optimización de carga y descarga de camiones.
En esta línea de investigación se evalúan las diferentes posibilidades de aplicación de la computación cuántica en un sector energético, en el marco de su sostenibilidad. Para ello, se analizarán una serie de casos estratégicos en un escenario de emisiones netas cero en 2050, compromiso pionero adquirido por Repsol.
En esta línea de investigación se estudiará la viabilidad de nuevos algoritmos de computación cuántica e inspirada en cuántica a problemas de índole financiero. En particular, nuevos algoritmos de optimización, simulación, Montecarlo, clasificación, y de ecuaciones diferenciales, basados en técnicas de computación cuántica y posiblemente acelerados mediante técnicas clásicas. El objetivo es realizar un estudio inicial de la viabilidad de estos nuevos algoritmos a problemas financieros con datos reales en procesadores actuales (del tipo NISQ). Los problemas financieros incluirán optimización de carteras de inversión, la predicción de mercados, simulación de mercados financieros, detección del fraude, AML, pricing de derivados financieros, y calculo de riesgos, entre otros.
Exploración, evaluación y diseño de algoritmos de computación cuántica o de inspiración cuántica para el ámbito financiero y logístico que abarquen problemas de simulación, optimización y retos de sostenibilidad.
PT2: Investigación en algoritmos cuánticos
En esta línea de investigación desarrollaremos distintos algoritmos cuánticos para resolver problemas de sampling estocástico y de resolución de ecuaciones diferenciales en derivadas parciales (PDEs), especialmente para sistemas de muchas variables y gran dimensionalidad, mediante técnicas que combinen computación cuántica y algoritmos clásicos. Se hará también un énfasis particular en la aplicación de técnicas quantum-inspired, como por ejemplo tensor networks, de cara a acelerar algunos procesos y mejorar su precisión. El objetivo es desarrollar explícitamente estos nuevos algoritmos para que sean capaces de abordar problemas realistas con datos reales en procesadores actuales (del tipo NISQ). Nuestro objetivo es poder aplicar eventualmente estos algoritmos a distintos problemas y casos de uso tales como finanzas, energía, ciencias de la vida, y movilidad.
En esta línea de investigación se desarrollarán las posibilidades que abre la computación cuántica en el ámbito de la simulación molecular. Es conveniente destacar que el estado de desarrollo de estos algoritmos es notablemente inferior al de los algoritmos de optimización. De hecho, incluso técnicas de simulación molecular conocidas como DFT (Density Functional Theory) se sabe que ofrecen poca precisión en problemas de determinada complejidad. Se explorarán diferentes aproximaciones cuánticas a la simulación molecular. Unas basadas en el empleo de ordenadores cuánticos basados en puertas, otras mediante el uso de annealers y aproximaciones numéricas basadas en el uso de Redes Tensoriales. Adicionalmente, la evolución de los dispositivos NISQ no es de esperar que permita la simulación molecular detallada de moléculas de elevado peso molecular en el corto plazo, por ello se explorarán soluciones híbridas. En concreto, se explorará la hibridación entre quantum annealers y redes tensoriales fermiónicas. Estas técnicas se desarrollarán con carácter general, y se aplicarán en los casos contemplados en el PT1, asociados a los escenarios de transición energética.
En esta línea de investigación se desarrollarán las posibilidades que abre la computación cuántica en el ámbito de la optimización. Se explorarán diferentes vías de resolución: desde la implementación de librerías en HPC hasta la implementación puramente cuántica, pasando por los algoritmos quantum-inspired. Asimismo, se desarrollarán soluciones híbridas que permitan aprovechar al máximo las sinergias HPC-QC, elevando el TRL de las soluciones estudiadas. Asimismo, se investigarán nuevos algoritmos de optimización basados en una combinación satisfactoria de diversas tecnologías, tanto quantum como quantum-inspired. El objetivo es desarrollar una batería de soluciones de optimización cuántica (ya sea pura, o hibridada con otras soluciones) que ofrezca una ventaja competitiva en la resolución de los problemas de optimización en dispositivos reales tipo NISQ.
El aprendizaje automático cuántico (o Quantum Machine Learning) se ha consolidado como una de las aplicaciones más prometedoras de los ordenadores cuánticos. Los algoritmos o modelos de aprendizaje automático cuántico intentan usar las ventajas de la información cuántica con el fin de mejorar el aprendizaje automático clásico, por ejemplo, explotando los estados cuánticos en superposición. De esta forma, el Quantum Machine Learning promete ofrecer una ventaja cuántica significativa gracias a una considerable reducción en la complejidad de la muestra, así como una minimización respecto a los tiempos de entrenamiento. El objetivo de esta línea de investigación será estudiar el potencial de las tecnologías cuánticas para impulsar los algoritmos de aprendizaje, y qué beneficios pueden proporcionar las tecnologías cuánticas actuales y futuras al aprendizaje automático, centrándonos en algoritmos que son un desafío para las computadoras digitales clásicas, y en bases de datos especialmente complejas (como, por ejemplo, muy imbalanceadas).
El primer paso para resolver un problema bajo el paradigma de computación cuántica es preparar el dataset a procesar, es decir, es necesario adaptar el conjunto de datos clásicos a un formato entendible por los ordenadores cuánticos. La complejidad de esta tarea es alta, ya que cada tipo de ordenador cuántico requiere diferentes esquemas de codificación, por lo que habría que definir un dataset distinto para cada ordenador (Fujitsu, D-Wave, IBM, etc.). Además de esto, la no existencia de una estrategia de codificación universal hace que cada problema concreto pueda requerir la adopción de un esquema específico, aumentando esto la complejidad de la situación, y necesitando un estudio previo de los datos con lo que se cuenta. El objetivo de esta línea de investigación es estudiar cómo simplificar este proceso mediante el análisis de diferentes tipos de codificación de datos y el diseño y desarrollo de un compilador de traducción de código entre diferentes plataformas cuánticas.
Esta línea de investigación tiene como objetivo proporcionar un conjunto de medidas para certificar de manera objetiva las capacidades computacionales de un computador clásico (p.ej. Un supercomputador o cluster HPC) o un procesador cuántico. Estimar de manera detallada los recursos necesarios para completar una tarea de cálculo, tanto en sistemas tradicionales de computación como en dispositivos cuánticos experimentales, es una tarea compleja. Estos recursos incluyen tiempo de ejecución, espacio de almacenamiento necesario, consumo energético y coste de producción, entre otros.
PT3: Pruebas de concepto
El objetivo de esta línea de trabajo es comparar las diferentes arquitecturas cuánticas o híbridas (clásico-cuántico) para investigar su rendimiento y posibilidades frente a problemas de observación de la tierra, que o bien son irresolubles actualmente, o su solución con sistemas clásicos presenta limitaciones.
El objetivo de esta línea de trabajo es comparar las diferentes arquitecturas cuánticas o híbridas (clásico-cuántico) para investigar su rendimiento y posibilidades frente a problemas de observación de la tierra, que o bien son irresolubles actualmente, o su solución con sistemas clásicos presenta limitaciones.
En esta línea de investigación se llevarán a cabo las pruebas de concepto de los algoritmos de optimización cuánticos definidos y adaptados a los casos de uso del sector logístico en un entorno de laboratorio, con el objetivo final de evaluar la viabilidad de estos nuevos modelos y comprobar los beneficios que aportan frente a la aproximación clásica.
En este proyecto se implementarán los nuevos algoritmos de computación cuántica e inspirada en cuántica desarrollados en el anterior paquete de trabajo a problemas de índole energético. En particular, el objetivo es lograr la implantación de esos algoritmos en la cadena de producción de instituciones del sector energético, usando datos reales en procesadores actuales (del tipo NISQ). Los problemas energéticos a centrarse en esta valoración inicial incluirán el cálculo de rutas de reacciones químicas, la Captura y uso de CO2 mediante catalizadores, y la optimzacion de mercados energéticos, entre otros.
En esta línea de investigación se implementarán los nuevos algoritmos de computación cuántica e inspirada en cuántica desarrollados en el anterior paquete de trabajo a problemas de índole financiero, en el contexto de una prueba de concepto. En particular, el objetivo futuro será lograr la implantación de esos algoritmos en la cadena de producción de instituciones financieras, usando datos reales en procesadores actuales (del tipo NISQ). Los problemas financieros en los que nos centraremos incluirán optimización de carteras de inversión, la predicción de mercados, simulación de mercados financieros, detección del fraude, AML, pricing de derivados financieros, y calculo de riesgos, entre otros.
Exploración, análisis e implementación de algoritmos cuánticos o de inspiración cuántica para problemas de simulación, optimización, retos de sostenibiliad y evaluación de riesgos.
Esta línea de investigación tiene como objetivo la ejecución y cálculo de magnitudes experimentales en el laboratorio sobre dispositivos de cálculo clásico y cuántico, que proporcionan una información básica del consumo de recursos. Se realizan medidas combinadas para proporcionar estimaciones de las magnitudes y estimadores desarrollados en L2.6.
- Las medidas se adaptan a entornos de ejecución con arquitecturas muy diferentes. Inicialmente, éstos son dispositivos clásicos de gran variedad incluyendo sistemas HPC (supercomputadores) como los disponibles en BSC. Las mismas magnitudes se evalúan en sistemas de cálculo cuántico como los desarrollados por Qilimanjaro.
- Se realiza un análisis de escala de la tendencia de consumo de recursos en escenarios de cálculo incrementando el tamaño del problema. Este punto significa un importante estudio en el análisis de la complejidad de problemas de cálculo. Con este análisis se obtienen medidas del comportamiento asintótico del cálculo, y podemos extrapolar su comportamiento a instancias de gran tamaño, fuera de las capacidades de cálculo disponibles en la actualidad.
- Finalmente, se proporcionan medidas en juegos de pruebas realistas, para certificar la utilidad de la tecnología de computación cuántica para actores con un interés práctico a corto plazo.