[Alumnos] Fwd: Pedido de difusión -Temas de Tesis de Licenciatura o Doctoral

[Secretaria de Física]

********************************************
Secretaría Dpto. de Física
secre2 en fisica.unlp.edu.ar
115 e/48 y 49 - Detrás del Colegio Nacional
Facultad de Ciencias Exactas - UNLP
******************************************** 

-------- Mensaje original -------- 

 		ASUNTO:
 		Pedido de difusión -Temas de Tesis de Licenciatura o Doctoral

 		FECHA:
 		2020-04-23 15:48

 		REMITENTE:
 		Lorena Rebon <lrebon en gmail.com>

 		DESTINATARIO:
 		Secretaria del Dpto. de Física <secre2 en fisica.unlp.edu.ar>

Hola Ale, Ceci. Podrían enviar esta información al correo de alumnos del
Departamento? 

Saludos, 
Lorena

--------------------------------------------------------------------------------------------------------------------------------------------------------


BÚSQUEDA DE INTERESADAS/INTERESADOS EN REALIZAR LA TESIS DE LICENCIATURA
O TESIS DOCTORAL. 

TEMA DE INVESTIGACIÓN: Métodos de Inferencia Estadística y Técnicas de
Machine Learning en Información Cuántica. 

REQUISITOS: Poseer título de grado (o estar cursando el último año) en
alguna de las siguientes áreas: Física, Matemática o Ciencias de la
Computación. Buena predisposición para el trabajo en equipo e
interdisciplinariamente. 

LUGAR DE TRABAJO: Instituto de Física La Plata (IFLP), CONICET-UNLP, La
Plata. 

CONTACTO: Lorena Rebón (rebon en fisica.unlp.edu.ar), Federico Holik
(holik en fisica.unlp.edu.ar), Diego Tielas  (tielas en fisica.unlp.edu.ar) 

DESCRIPCIÓN: 

El desarrollo de la teoría de la información cuántica y sus aplicaciones
tecnológicas, requieren de técnicas eficientes de detección, estimación,
y clasificación de estados y procesos cuánticos. Estas tareas son
centrales, por ejemplo, en computación cuántica, comunicación cuántica y
metrología cuántica, y representan en la actualidad un desafío, tanto
para la física, como para la ciencia del procesamiento de datos. Dado
que la cantidad de mediciones necesarias para determinar el estado
desconocido de un sistema cuántico, crece exponencialmente con el número
de partículas del sistema, las técnicas de inferencia estadística se
vuelven fundamentales a la hora de estimar y clasificar estados y
procesos cuánticos. 

El principio de máxima entropía, conocido como MaxEnt, fue originalmente
introducido en estadística y posteriormente aplicado, de forma exitosa,
al problema de estimación de estados cuánticos en situaciones en las que
la información disponible es incompleta o difícil de procesar. Muy
recientemente, las técnicas de machine learning, que permiten extraer
información a partir de grandes bases de datos, se han utilizado para la
estimación y clasificación de estados cuánticos, generándose así una
nueva área de investigación interdisciplinaria. Por otro lado, se ha
propuesto hacer uso de las propiedades excepcionales de los sistemas
cuánticos para realizar tareas de machine learning con una performance
superior a la que se puede alcanzar clásicamente. 

En este contexto, se propone estudiar la performance de los métodos
mencionados para la estimación de estados cuánticos de múltiples qubits,
así como de operaciones cuánticas y procesos cuánticos en general,
asumiendo distintos tipos de información a priori sobre el estado o
proceso a determinar. Se realizará un estudio comparativo de MaxEnt con
otros métodos de inferencia estadística, así como de la posibilidad de
usarlos en forma combinada. Nos basaremos en estos desarrollos y en
distintas técnicas de machine learning, y del análisis de componentes
principales cuánticos, con el fin de estudiar propiedades de sistemas
cuánticos de muchas partículas, buscando aplicaciones al análisis de
datos y a la discriminación de estados cuánticos. Se estudiará la
posibilidad de aprendizaje de distintas redes a partir de información
parcial de los estados o procesos cuánticos. Para estos fines, será
necesario desarrollar los códigos de programación, así como las
herramientas teóricas pertinentes, de forma tal de optimizar las
técnicas de detección/estimación de acuerdo al tipo de información
disponible sobre el sistema. 

LECTURAS RELACIONADAS:  

1. ¨_Determination of any pure spatial qudits from a minimum number of
measurements by phase-stepping interferometry_¨. QP Stefano, L Rebón, S
Ledesma, C Iemmi, Physical Review A 96 (6), 062328 (2017). 

2. ¨_Characterizing d-dimensional quantum channels by means of quantum
process tomography_¨. JJM Varga, L Rebón, QP Stefano, C Iemmi, Optics
letters 43 (18), 4398-4401 (2018). 

3. ¨_Solutions for the MaxEnt problem with symmetry constraints_¨.
Marcelo Losada, Federico Holik, Cesar Massri, Angelo Plastino et al,
Quantum Information Processing  18:293 (2019). 

4. ¨_Experimental Machine Learning of Quantum States_¨. Jun Gao et al,
Physical Review Letters 120, 240501 (2018). 

5. ¨_Quantum Machine Learning_¨. Jacob Biamonte et al, Nature 549,
195-202(2017). 

  -- 

Dra. Lorena Rebón 
Profesora Adjunta de la UNLP - Investigadora Adjunta de CONICET 
Instituto de Física de La Plata - Universidad Nacional de La Plata 
La Plata-Buenos Aires-Argentina 
(+54) 221- 4247201-4246062 int. 220/292
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://mail.fisica.unlp.edu.ar/pipermail/alumnos/attachments/20200423/05e4848b/attachment-0001.html>
------------ próxima parte ------------
A non-text attachment was scrubbed...
Name: BusquedaTesistas.pdf
Type: application/pdf
Size: 42801 bytes
Desc: no disponible
URL: <http://mail.fisica.unlp.edu.ar/pipermail/alumnos/attachments/20200423/05e4848b/attachment-0001.pdf>