Speakers
Description
Este trabajo evalúa, el potencial de las redes neuronales cuánticas informadas por la física (QPINN) para resolver ecuaciones diferenciales parciales (EDPs), con énfasis en la arquitectura híbrida QCPINN (Farea et al., 2025). La metodología consiste en una revisión crítica con comparación por arquitectura (en circuitos de variable discreta), esquema de \textit{embedding} y topología; en la formulación de pérdidas informadas por la física basadas en residuales del operador y condiciones iniciales/de contorno; y en la evaluación con error $L^2$ y eficiencia paramétrica frente a PINNs clásicas en EDPs representativas. Los resultados reportados indican que QCPINN mantiene una exactitud comparable usando $\sim$10\% de los parámetros y que, en convección--difusión, puede reducir el error $L^2$ cerca de un 40\% respecto a enfoques clásicos. Se discuten limitaciones actuales —uso predominante de simuladores, posible aparición de \textit{barren plateaus} y restricciones de escalabilidad en la era NISQ— y se identifican oportunidades inmediatas como los \textit{embeddings} entrenables y validación en hardware cuántico. Por último, se estudia cómo implementar simulaciones que aproximen de forma realista las condiciones de un computador cuántico, con el fin de preparar una validación futura en hardware cuántico real. En conjunto, los hallazgos respaldan que las QPINN ofrecen una vía consistente y más eficiente en parámetros para resolver EDPs sin sacrificar calidad de solución.