Fundamentación:
En las últimas décadas, la Inteligencia Artificial (IA) se ha consolidado como uno de los motores principales de la innovación tecnológica, generando transformaciones significativas en diversos sectores productivos y científicos. Sin embargo, el desarrollo reciente de modelos de gran escala ha puesto de manifiesto limitaciones vinculadas al alto consumo energético, los costos computacionales y la escalabilidad del entrenamiento de sistemas complejos. Diversos estudios han señalado que el crecimiento en el tamaño y la complejidad de los modelos de aprendizaje automático implica demandas crecientes de infraestructura y recursos energéticos, lo que plantea desafíos relevantes para la sostenibilidad y la eficiencia de estas tecnologías [1].

En paralelo, la computación cuántica se ha consolidado como un campo de investigación orientado a explorar nuevos paradigmas de procesamiento de información. Basada en principios de la mecánica cuántica como la superposición y el entrelazamiento cuántico, propone formas alternativas de representación y manipulación de datos que ofrecen ventajas en determinados tipos de problemas, especialmente en optimización combinatoria, simulación molecular y algunos enfoques de aprendizaje automático [2,4,6].

El desarrollo reciente de hardware cuántico programable ha permitido avanzar en la experimentación con estos modelos de cálculo. Aunque las tecnologías disponibles se encuentran todavía en una etapa caracterizada por dispositivos de escala intermedia con ruido (NISQ), se han registrado progresos significativos en la construcción de procesadores cuánticos y en el diseño de algoritmos capaces de aprovechar estas arquitecturas híbridas que combinan recursos clásicos y cuánticos [2,9,10]. Experimentos recientes han demostrado ventajas computacionales en tareas específicas, lo que ha contribuido a consolidar la computación cuántica como un área estratégica de investigación tecnológica [3].

En este marco, se han desarrollado enfoques algorítmicos orientados a problemas de optimización y aprendizaje automático, entre ellos los Algoritmos Cuánticos Variacionales y el Quantum Approximate Optimization Algorithm (QAOA), que buscan aprovechar las capacidades de los dispositivos NISQ mediante estrategias de cálculo híbrido [5,7]. Asimismo, el campo emergente del Quantum Machine Learning (QML) explora la integración de modelos de aprendizaje automático con circuitos cuánticos parametrizados, abriendo nuevas líneas de investigación en el procesamiento avanzado de datos [6,7].

A pesar de estos avances, persiste una brecha significativa entre los desarrollos conceptuales provenientes de la física cuántica y su traducción en herramientas de ingeniería de software aplicables a contextos productivos. En el ámbito profesional, muchos especialistas en inteligencia artificial poseen una sólida formación en métodos estadísticos y aprendizaje automático clásico, pero no cuentan con los conocimientos necesarios para diseñar e implementar algoritmos que integren recursos de computación cuántica. Esta situación genera una demanda creciente de perfiles capaces de trabajar en la intersección entre ingeniería de software, ciencia de datos y tecnologías cuánticas emergentes [2,6]. Asimismo, los profesionales actualmente carecen de herramientas para mantenerse informados en cuanto al avance de tecnologías cuánticas y necesidades del sector productivo refiere, impidiendo discriminar iniciativas cortoplacistas y de orden especulativa, a proyectos a largo plazo de carácter revolucionario.

La Diplomatura en Ingeniería de Software Cuántico aplicando Inteligencia Artificial se orienta a contribuir a la formación de profesionales capaces de comprender y desarrollar soluciones en este campo emergente. La propuesta formativa articula fundamentos conceptuales con instancias prácticas de programación y experimentación en entornos de computación cuántica disponibles para investigación y desarrollo.

El recorrido formativo se inicia con el abordaje de los principios matemáticos y físicos que sustentan la computación cuántica, para posteriormente avanzar hacia el diseño e implementación de algoritmos aplicados. En este marco se introducen enfoques contemporáneos como el Quantum Machine Learning, los Algoritmos Cuánticos Variacionales y diferentes estrategias de optimización híbrida que permiten aprovechar las capacidades de los dispositivos NISQ en combinación con sistemas clásicos de cálculo [5–7,9].

Sobre esta base, la diplomatura se orienta al desarrollo de competencias vinculadas con el diseño e implementación de soluciones computacionales que integren inteligencia artificial y computación cuántica. En particular, se propone que los participantes adquieran capacidades para analizar problemas complejos de procesamiento de datos, desarrollar algoritmos híbridos clásico-cuánticos, implementar modelos de quantum machine learning en dispositivos de escala intermedia y evaluar el alcance y las limitaciones de estas tecnologías en contextos de investigación aplicada e innovación tecnológica. El desarrollo de estas capacidades resulta relevante para distintos ámbitos de aplicación en los que los problemas de optimización y simulación presentan altos niveles de complejidad computacional. Entre ellos pueden mencionarse:

• Finanzas, en áreas vinculadas con optimización de carteras, análisis de riesgos y detección de patrones complejos en grandes volúmenes de datos [8].
• Logística y transporte, en la resolución de problemas de optimización combinatoria asociados a rutas y cadenas de suministro [5,8].
• Industria farmacéutica y ciencia de materiales, en la simulación molecular y el estudio de estructuras químicas complejas [2,6].

En síntesis, esta diplomatura se propone contribuir a la formación de profesionales capaces de comprender y explorar el potencial de la convergencia entre inteligencia artificial, ingeniería de software y computación cuántica, promoviendo el desarrollo de competencias técnicas orientadas a la investigación aplicada y a la innovación tecnológica en un campo de rápida evolución.

Enfoque general:
La propuesta académica aborda la convergencia entre la computación cuántica y la computación clásica para resolver desafíos complejos con potenciales aplicaciones en limitantes del mercado actual. A diferencia de enfoques puramente teóricos, esta diplomatura se posiciona como una guía técnica y práctica enfocada en la construcción de redes neuronales cuánticas y optimizadores híbridos de alta eficiencia. El trayecto formativo está diseñado para llevarte desde los fundamentos matemáticos y físicos esenciales hasta el desarrollo de algoritmos disruptivos. El objetivo final es capacitar a los profesionales en el diseño y despliegue de soluciones innovadoras que utilicen la ingeniería de software cuántica y la IA para transformar las demandas tecnológicas vigentes, bajo una mirada informada de aplicación de tecnologías cuánticas.

Desarrollo de soluciones híbridas de inteligencia artificial y computación cuántica aplicadas a problemas complejos de optimización y análisis de dato.
El dominio no es genérico, sino aplicado. Se traduce en la capacidad de mapear problemas complejos de sectores específicos —como la optimización de carteras en finanzas, la eficiencia en la logística o el descubrimiento de estructuras en ciencia de materiales— y traducirlos a modelos matemáticos que algoritmos como QAOA y VQE puedan resolver.

El conocimiento se materializa a través del dominio técnico de herramientas estándar de la industria (Qiskit, PennyLane, CUDA-Q). Esto implica ir más allá del código para aplicar estándares de ingeniería de software: construir soluciones robustas, escalables y mantenibles que sigan un ciclo de vida de desarrollo profesional.

El desarrollo del dominio incluye una dimensión de consultoría técnica: entender las aplicaciones de las tecnologías cuánticas y en particular del Quantum machine Learning. El profesional es capaz de identificar qué problemas están hoy al alcance del hardware NISQ y cuáles requieren mayor maduración, actuando como un puente entre la investigación académica de posgrado y la implementación comercial.

Contenidos:

Módulo 1: Introducción y contexto de las tecnologías cuánticas. Análisis de los fundamentos históricos y la evolución de las tecnologías cuánticas dentro del tejido industrial global. Exploración del ecosistema tecnológico basado en la convergencia entre computación cuántica e IA. Evaluación de las limitaciones de la computación clásica y justificación técnica de los modelos cuánticos.

Módulo 2: Fundamentos de cómputo cuántico y algoritmos variacionales. Principios de diseño de circuitos cuánticos y arquitectura de redes neuronales cuánticas (QNN). Estudio de la estructura matemática de las funciones de costo y su impacto en el rendimiento. Mecánica de los bucles de optimización y el rol de los parámetros variacionales en algoritmos híbridos.

Módulo 3: Desarrollo de software e infraestructura de cómputo heterogéneo. Herramientas de programación mediante funciones numéricas, primitivas y librerías de abstracción para la automatización. Ingeniería de software cuántico y protocolos de conectividad. Integración en infraestructuras de alto desempeño (HPC) y entornos de computación distribuida.

Módulo 4: Análisis científico y vigilancia tecnológica en Quantum ML. Metodologías de análisis crítico y curación de literatura científica especializada en aprendizaje automático cuántico. Criterios de validación de fuentes y marcos de seguimiento para la evolución tecnológica. Redes de investigación y ecosistemas de actualización profesional en el sector global.