Tipo de Curso: Arancelado
Duración: 60 Hs. de mediación docente con actividades sincrónicas y asincrónicas + 140 Hs. autogestivas
Modalidad: Virtual
Tipo de Curso: Arancelado
Duración: 60 Hs. de mediación docente con actividades sincrónicas y asincrónicas + 140 Hs. autogestivas
Modalidad: Virtual
Desarrollo de soluciones híbridas de inteligencia artificial y computación cuántica
aplicadas a problemas complejos de optimización y análisis de datos.
La Diplomatura otorga 8 créditos en estos posgrados de TI UAI:
Días y horarios de cursada:
Del 06 de mayo al 30 de septiembre de 2026.
Miércoles de 18.30 a 20.45 Hs. + Actividades autogestivas.
Dirigido a: La diplomatura está dirigida a profesionales de áreas STEM (Ciencia, Tecnología, Ingeniería y Matemáticas), así como a analistas de datos y desarrolladores de software que busquen liderar la próxima transición computacional.
Requisitos Académicos: Para ingresar a la Diplomatura, los aspirantes deberán cumplir con al menos uno de los siguientes requisitos:
Requisitos de admisión:
Competencias técnicas previas:
Régimen de Nivelación Obligatorio:
Una vez admitidos, los estudiantes que no acrediten formación específica en Álgebra Lineal o Programación Avanzada en Python deberán completar un Módulo de Nivelación Autogestionado (asincrónico). Este módulo asegura que todos los cursantes inicien el primer bloque temático con un lenguaje técnico común.
(*) Requisito excluyente: contar con título secundario completo al momento de la inscripción.
En todos los casos, la admisión quedará sujeta a la evaluación de antecedentes académicos acordes al nivel de la propuesta.
Contacto: uai.extension@uai.edu.ar
Escribinos por WhatsApp:
+54 9 11 5594-9903
Si presentas alguna pérdida o disminución de la audición, te invitamos a descargar TESCUCHO (IOS) o Voice Aloud Reader (Android), aplicaciones que realizan una rápida conversión de la señal sonora del habla en texto fácilmente legible a una distancia de 2 metros, facilitando la comunicación en sociedad de forma integral y diversa.
Externos:
Matrícula: $70.000.-
Contado: $810.000.- o 5 cuotas de: $180.000.-
Comunidad UAI*/CONFEDI/ VANEDUC:
Matrícula: $70.000.-
Contado: $567.000.- o 5 cuotas de: $126.000.-
Club La Nación/Clarin 365**:
Matrícula: $70.000.-
Contado: $648.000.- o 5 cuotas de: $144.000.-
Extranjeros no residentes en Argentina***:
Matrícula: USD 50.-
Contado: USD 600.- o 5 cuotas de: USD 130.-
Beneficio por convenios corporativos
Los miembros y familiares directos de empresas con convenio vigente con la Universidad Abierta Interamericana (UAI) acceden a un 20 % de descuento sobre el arancel externo de las propuestas formativas.
Este beneficio no es acumulable con otras promociones, becas o descuentos.
Consulte el listado de convenios corporativos vigentes en:
https://uai.edu.ar/extensión/becas/lista-convenios-de-beneficios-corporativos/
(*) Suscriptores y/o familiares directos de los titulares de las credenciales.
(**) Alumnos, graduados, y/o familiares directos.
(***) Los aranceles de la actividad comprenden únicamente los conceptos de matrícula y cuota. Todo impuesto, tasa o contribución asociada a los pagos en dólares estadounidenses que pudiera ser aplicada por el país de origen, así como cualquier otra suma que se adicione en virtud de las tarifas vigentes en la entidad bancaria al momento de realizar la transacción, queda a exclusivo cargo del alumno.
Objetivo general:
Capacitar a profesionales en el diseño y despliegue de soluciones de software cuántico aplicado que integren la inteligencia artificial con arquitecturas heterogéneas, permitiéndoles resolver problemas complejos de optimización y aprendizaje automático mediante el uso de hardware cuántico actual (NISQ).
Objetivos específicos:
Resultados de aprendizaje:
RA1: Construir modelos de Quantum Neural Networks (QNN) y circuitos variacionales para integrar capacidades de aprendizaje automático en sistemas híbridos empleando frameworks como PennyLane y CUDA-Q.
RA2: Optimizar el flujo de transferencia de datos (data encoding) entre entornos clásicos y cuánticos para reducir cuellos de botella en la computación heterogénea bajo estándares de eficiencia de las arquitecturas CPU/GPU/QPU actuales. Entender las limitaciones actuales y el roadmap de desarrollo e investigación en esta área.
RA3: Seleccionar algoritmos de optimización y aprendizaje (QAOA, VQE o qGANS) para resolver problemas de alta complejidad computacional basándose en un análisis técnico de la naturaleza del problema y los recursos disponibles.
RA4: Validar la viabilidad técnica de soluciones cuánticas para garantizar la ejecución de algoritmos en hardware real o simulado considerando las restricciones de ruido y decoherencia propias de la era NISQ.
RA5: Proyectar soluciones de software escalables y de alto impacto organizacional para facilitar la transición hacia la ventaja cuántica alineándolas con los roadmaps tecnológicos de los líderes de la industria global.
Resultados esperados:
Competencias a desarrollar:
Diseñar, programar y evaluar soluciones de software híbrido (clásico-cuántico), integrando modelos de Inteligencia Artificial Cuántica en flujos de trabajo de ingeniería de software para resolver problemas de alta complejidad computacional, alineados con las tendencias y estándares de la industria tecnológica global.
Sub-competencias:
Impacto Profesional e Institucional:
Los egresados contarán con las competencias necesarias para gestionar la integración de tecnologías cuánticas en entornos productivos, adquiriendo un perfil altamente valorado en el sector tecnológico. La capacidad de operar con arquitecturas híbridas (CPU/GPU/QPU) permitirá a sus organizaciones abordar desafíos complejos de optimización y simulación que superan las capacidades de la computación tradicional.
Desde lo institucional, esta competencia técnica permite a las empresas y centros de investigación alinearse con los roadmaps de innovación de vanguardia, transformando la incertidumbre de la era NISQ en estrategias de ventaja cuántica temprana.
En el plano social, el impacto se traduce en el desarrollo de soluciones potencialmente más eficientes y sostenibles. La capacidad de optimizar procesos complejos permite reducir el consumo energético y acelerar el descubrimiento de soluciones en sectores vitales, posicionando a los profesionales como agentes de cambio que cierran la brecha entre la investigación académica y el progreso socioeconómico tangible.
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.
Bibliografía:
[1] E. Strubell, A. Ganesh, and A. McCallum, “Energy and Policy Considerations for Deep Learning in NLP,” in Proc. 57th Annual Meeting of the Association for Computational Linguistics (ACL), 2019.
[2] J. Preskill, “Quantum Computing in the NISQ Era and Beyond,” Quantum, vol. 2, p. 79, 2018.
[3] F. Arute et al., “Quantum Supremacy Using a Programmable Superconducting Processor,” Nature, vol. 574, pp. 505–510, 2019.
[4] P. W. Shor, “Algorithms for Quantum Computation: Discrete Logarithms and Factoring,” in Proc. 35th Annual Symposium on Foundations of Computer Science (FOCS), 1994, pp. 124–134.
[5] E. Farhi, J. Goldstone, and S. Gutmann, “A Quantum Approximate Optimization Algorithm,” arXiv:1411.4028, 2014.
[6] J. Biamonte et al., “Quantum Machine Learning,” Nature, vol. 549, pp. 195–202, 2017.
[7] M. Benedetti, E. Lloyd, S. Sack, and M. Fiorentini, “Parameterized Quantum Circuits as Machine Learning Models,” Quantum Sci. Technol., vol. 4, p. 043001, 2019.
[8] M. Pistoia et al., “Quantum Computing for Finance: State-of-the-Art and Future Prospects,” JPMorgan Chase & Co., research reports and invited talks, 2020–2023.
[9] J. R. McClean et al., “Open Quantum Systems and Quantum Chemistry on NISQ Devices,” review and perspective on NISQ-era algorithms (general reference to NISQ methods).
[10] “What Is NISQ Quantum Computing?,” The Quantum Insider, 2023.
Metodología:
La propuesta académica se desarrolla bajo una metodología teórico-práctica diseñada para facilitar la transición desde abstracciones matemáticas hacia aplicaciones tangibles en la industria. El proceso pedagógico se articula mediante el aprendizaje basado en proyectos (PBL), donde el profesional comienza implementando algoritmos desde sus componentes atómicos para luego escalar hacia el dominio de herramientas industriales de alto nivel.
El curso fomenta la computación heterogénea mediante un formato de taller inmersivo (hands-on), combinando la exposición teórica con sesiones de programación en tiempo real. Este enfoque permite que el estudiante confronte directamente los desafíos de la ingeniería de software cuántico, tales como la mitigación de ruido y la optimización de recursos híbridos. Finalmente, se promueve el pensamiento crítico y la autonomía profesional mediante el análisis guiado de literatura científica, asegurando que el graduado posea la capacidad de actualizarse de manera independiente en un ecosistema tecnológico en constante mutación.
La Diplomatura adopta un modelo pedagógico centrado en la práctica situada, donde el conocimiento se construye a partir de la resolución de problemas técnicos reales. Se prioriza la modalidad inductiva, que parte de la experimentación directa con código para llegar a la comprensión de los principios teóricos subyacentes.
El eje conductor de la cursada es el desarrollo de un Proyecto Integrador Cuántico (PIC). A lo largo de los módulos, el estudiante no solo asimila teoría, sino que construye una solución incremental:
Las sesiones se dividen en una breve exposición teórica seguida de una sesión de Live Coding. Este formato permite:
Para asegurar la autonomía profesional, se implementa una dinámica de "Seminario de Lectura Técnica", donde se guía al estudiante en la interpretación de:
Pre-prints de investigación avanzada (ArXiv) para identificar hitos tecnológicos reales frente al ruido publicitario del sector.
El proceso se apoya en un entorno virtual que incluye:
Material de nivelación autogestionado: Módulos asincrónicos para estandarizar las competencias previas en álgebra y Python.
Calendario de encuentros:
Módulo 1 (Semanas 1 a 2)
Encuentros sincrónicos: introducción y fundamentos de tecnologías cuánticas.
Actividades autogestivas: nivelación en contenidos matemáticos y programación, lecturas guiadas y exploración de recursos.
Módulo 2 (Semanas 3 a 7)
Encuentros sincrónicos: fundamentos de cómputo cuántico y algoritmos variacionales.
Actividades autogestivas: desarrollo de prácticas en notebooks, implementación de circuitos cuánticos y resolución de ejercicios aplicados.
Módulo 3 (Semanas 8 a 11)
Encuentros sincrónicos: desarrollo de software cuántico e infraestructura de cómputo heterogéneo.
Actividades autogestivas: implementación de algoritmos híbridos, trabajo con repositorios y desarrollo de soluciones aplicadas. Implementación de fujos de optimización híbrida y exploración de entornos de programación cuántica.
Módulo 4 (Semanas 12 a 14)
Encuentros sincrónicos: análisis científico y vigilancia tecnológica.
Actividades autogestivas: lectura crítica de papers, elaboración de informes técnicos y análisis del estado del arte.
Trabajo Final Integrador (Semanas 15 a 18)
Tutorías sincrónicas: seguimiento del proyecto final.
Actividades autogestivas: diseño, desarrollo e implementación de una solución aplicada para un problema determinado a consignar.
Evaluación:
El modelo de evaluación de la Diplomatura es continuo, procesual e integrador. Se centra en la producción de evidencias tangibles que demuestren la adquisición de las sub-competencias definidas, culminando en un producto profesional portable.
La evaluación se organiza de manera multidimensional, garantizando que el estudiante consolide tanto las competencias técnicas como el criterio analítico necesarios en el campo de la IA Cuántica:
Condición de aprobación:
Para obtener la certificación de la Diplomatura y la correspondiente acreditación de créditos para la Especialización en Ingeniería de Software Cuántica, el estudiante deberá:
Director:
Matías Bilkis.
Licenciado en Física (UNLP) y Doctor en Física (Universidad Autónoma de Barcelona). Es cofundador del grupo de Quantum Machine Learning del Centro de Visión por Computador en España y profesor titular en la Universidad Abierta Interamericana. Lidera la iniciativa de vigilancia tecnológica para el avance cuántico regional denominada QutSur (Tecnologías Cuánticas del Sur).
