Work

Modeling and inference of the mixing, decay and CP violation dynamics in the K⁰–K̄⁰ system using physics-informed neural networks (PINN) and hybrid classical-quantum models (QCPINN)

Year: 2026
Type: dissertation
Abstract: En este trabajo se aplican Redes Neuronales Informadas por la Física (PINN) al sistema de kaones neutros K⁰–K̄⁰, gobernado por la ecuación de Wigner-Weisskopf, con el doble objetivo de resolver el problema directo —reproducir la dinámica de oscilación y decaimiento— e inferir los parámetros físicos del sistema a partir de datos ruidosos. Los datos de entrenamiento son probabilidades de oscilación generadas por circuitos cuánticos implementados en Qiskit de IBM. Adicionalmente, se implementa y evalúa un modelo híbrido clásico-cuántico (QCPINN) basado en un circuito variacional de 4 cúbits con ansatz en cascada. En el problema directo, la arquitectura PINN reconstruye la evolución temporal con errores relativos L2 inferiores al 1,8 % en el régimen unitario y al 2,1 % en el régimen fenomenológico con decaimiento, utilizando entre 21 y 50 puntos sintéticos. Una búsqueda sistemática de hiperparámetros mediante optimización bayesiana (Optuna) identificó la configuración óptima: cinco capas ocultas, 24 neuronas por capa y tasa de aprendizaje η = 1,75 × 10⁻³. La QCPINN iguala o supera esta precisión con solo 296 parámetros entrenables, frente a los 8 708–25 284 de la PINN, logrando una reducción de entre 29× y 85× sin pérdida de exactitud. En el problema inverso se abordan tres escenarios de complejidad creciente: recuperación de Δm con un error del 0,17 % en régimen unitario; inferencia conjunta de Δm, ΓS y ΓL con errores entre 0,03 % y 3,6 % en ausencia de ruido; y detección de la asimetría de violación de CP a través de |p/q| con un error del 0,14 % en condiciones ideales. La comparación sistemática con una línea base clásica —integrador numérico RK45/Radau anidado en L-BFGS-B— revela que el método clásico supera a la PINN en velocidad, precisión y robustez al ruido en la mayoría de las configuraciones; la única ventaja sostenida de la PINN se da en la inferencia de |p/q| sin ruido (0,14 % frente a 1,10 % del clásico). El experimento de generalización —entrenando solo con el 70 % inicial de la ventana temporal— confirma que el residuo físico embebido en la pérdida dota a ambos modelos de capacidad real de extrapolar la dinámica: la PINN alcanza un error del 0,34 % en la región sin datos del régimen disipativo y la QCPINN es competitiva en el régimen unitario (1,38 %).
Language: Spanish
Open Access status: green
OpenAlex ID: W7214686125
Cites: 39
Cited by:
Related to: 10