Investigación — En formulación
IA + computación cuántica, aplicada a fármacos.
La ambición se sostiene con un experimento pequeño y terminado, no con la visión. Por eso esta página es honesta sobre su estado: revisión de literatura, no simulaciones ejecutadas.
La pregunta que persigo.
¿Cómo se combinan aprendizaje automático y computación cuántica en un sistema capaz de proponer y evaluar compuestos químicos con utilidad médica?
Es demasiado grande para una tesis —lo normal al empezar—, así que la versión defendible acota: ¿en qué tareas concretas del descubrimiento de fármacos los métodos híbridos cuántico-clásicos ofrecen una ventaja medible sobre los métodos clásicos, bajo las restricciones del hardware NISQ actual? Medible, acotada, y admite un resultado negativo.
- Estado — ahoraRevisión de literaturalectura del paper ancla + delimitación
- SiguienteVQE de jugueteH₂ + baseline clásico sobre el mismo dataset
- ProyecciónTesis → doctoradocon bitácora pública en el Cuaderno
Lecturas de referencia
- i.Quantum Machine Learning in Drug DiscoveryChemical Reviews · 2025Paper ancla: redes neuronales cuánticas, codificación de datos, circuitos variacionales, predicción de propiedades moleculares y generación de moléculas.
- ii.Quantum-machine-assisted drug discoverynpj Drug Discovery (Nature) · 2025Dónde está realmente el campo y qué es aplicable hoy.
- iii.Drug design on quantum computersarXiv:2301.04114Qué tareas del diseño de fármacos son candidatas reales a cómputo cuántico y cuáles no.
- iv.SHARC-VQE: Simplified Hamiltonian Approach for Molecular SimulationarXiv:2407.12305Entrada aplicada al VQE, el algoritmo híbrido cuántico-clásico central de la pregunta.
- v.Quantum mechanics in drug design: progress, challenges, future frontiersPMC · revisión 2020–2025Estado del arte a partir de 156 artículos y 42 revisiones.
- vi.Assessing the Benefits and Risks of Quantum ComputersarXiv:2401.16317Para ser escéptico —su propia marca— y no caer en el hype.
Son lecturas que orientan la investigación, no publicaciones propias. Cuando corra el primer experimento, aparecerá en el Cuaderno.
Estudios aplicados
- 01Motor RAG médico-aeronáuticoinvestigación aplicadaRecuperación con citación obligatoria sobre normativa DGAC/OACI, el motor abierto detrás de la evaluación de aptitud de pilotos (AeroFit).
- 02Optimización del BMTSPestudio experimentalComparativa de cuatro enfoques (MIP en AMPL/CPLEX, LKH-3, Sistema Inmune Artificial propio y NN+2-Opt) sobre instancias TSPLIB.
- 03FoodNet — CNN propia vs. transfer learninginforme técnicoClasificación binaria sobre Food-101 con una CNN desde cero, comparación justificada frente a MobileNetV2 y reflexión sobre sesgos del dataset.
¿Interesa colaborar en investigación o en un programa de postgrado? Escríbeme.