La Universidad Autónoma de Sinaloa (UAS), a través de la Facultad de Ciencias Naturales y Exactas (FACINE), aborda el uso de Quantum Machine Learning (QML) aplicado a la física hadrónica, mediante el trabajo desarrollado por el Ing. Pablo Adrián Cárdenas Mendívil, estudiante de la Maestría en Física. Este proyecto tiene como propósito mejorar el cálculo de las masas de mesones y explorar alternativas computacionales para resolver problemas de alta complejidad. La investigación se lleva a cabo en la UAS bajo la dirección de los doctores Roger J. Hernández Pinto y Norma Solomit Ramírez Uribe, y fue dada a conocer este 28 de agosto de 2026.
El trabajo se enfoca en el cálculo de las masas de partículas hadrónicas, particularmente de mesones vectoriales, a partir de modelos de interacción entre quarks. Para ello, se combinan fundamentos de física de partículas con herramientas de computación cuántica y aprendizaje automático, buscando que los modelos puedan reproducir valores experimentales con un margen de error reducido.
Uno de los principales resultados fue la optimización de un parámetro de mezcla utilizado por el modelo, logrando un valor aproximado de 0.82 frente al valor fijo de 1 empleado inicialmente. Esta modificación permitió reducir de manera significativa el error promedio de las predicciones, pasando de alrededor de 0.51 a 0.20, mientras que el error máximo disminuyó hasta aproximadamente el 0.89 por ciento.
El modelo desarrollado también permitió realizar en una sola ejecución el cálculo de diferentes valores relacionados con las masas de los mesones, lo que representa una alternativa para agilizar procesos que, mediante métodos computacionales convencionales, pueden requerir tiempos considerablemente mayores. De acuerdo con los resultados obtenidos, el método mostró un desempeño favorable tanto para mesones ligeros como para partículas de mayor masa.
Entre las perspectivas del trabajo se plantea incorporar más grados de libertad y parámetros dinámicos al modelo, con el objetivo de incrementar su capacidad de predicción sin perder eficiencia computacional. Estos avances fortalecen la exploración de técnicas de aprendizaje automático cuántico como una herramienta con gran potencial para atender problemas de física fundamental y física hadrónica, consolidando el desarrollo de aplicaciones de computación cuántica desde la UAS.
