El estudio de sistemas cuánticos requiere de capacidades computacionales exponencialmente grandes en función del tamaño de dichos sistemas cuánticos, por lo que supercomputadores rápidamente se convierten en insuficientes para el estudio de sistemas cuánticos de interés teórico y tecnológico. Hoy en día, y desde hace solamente una década, otra área de la computación ha florecido–el machine learning, en su sabor más conocido, el deep learning–cuyo objeto de estudio también requiere de capacidades de cómputo exponencialmente grandes en función del tamaño de estos objetos: las distribuciones de probabilidad que describen los datos. Los últimos cinco años han presenciado enormes avances en la introducción de técnicas de machine learning en el estudio de sistemas cuánticos con el trabajo pionero de Carleo y Troyer (2017). Esta simbiosis es natural: el machine learning puede ayudar a estudiar el objeto central de la mecánica cuántica–los estados cuánticos de los sistemas físicos. No sorpresivamente, la otra dirección también es natural: las ideas y técnicas de la mecánica cuántica pueden inspirar modelos de machine learning. En este intersticio, el Grupo de Superconductividad y Nanotecnología (SUNA) ha decidido abrir una prolífica línea de investigación y de formación profesional para científicos con altas capacidades de análisis en ciencia e industria. La presente propuesta justifica el beneficio de financiar esta línea de investigación ya que (i) se desarrollarán proyectos de formación en investigación de simulación de sistemas físicos utilizando técnicas de machine learning, (ii) así como de quantum machine learning, que es la realización de machine learning utilizando computación cuántica, permitiendo a los estudiantes familiarizarse con computadores cuánticos reales; y no menos importante (iii) permite el crecimiento profesional de los estudiantes debido a la incremental demanda industrial de profesionales diestros en técnicas de inteligencia artificial. Actualmente, la mayoría de la investigación en machine learning para el estudio de la mecánica cuántica se centra en el uso de redes neuronales artificiales. Para citar algunos de los trabajos del SUNA en esta línea, se encuentran Vargas et al. (2020), Vargas et al. (2021), Vargas et al. (2022) y Vicentini et al. (2022). En la presente propuesta, se exploran métodos alternativos que han sido exitosos en competiciones de machine learning, como los métodos de gradient boosting. Estos métodos se centran en el uso de árboles de decisión, que son estructuras con el potencial de describir la naturaleza de diversos estados cuánticos, incluídos los estados de computadores cuánticos. Asimismo, también se planea el estudio de sistemas físicos por medio de métodos del quantum machine learning, para lo cual es perentorio entender cómo optimizar circuitos cuánticos variacionales para preparar estados en los circuitos cuánticos usados para la computación cuántica. Por otra parte, también se requiere la dominación de técnicas como variational quantum eigensolver (Kandala et al. 2017) para el estudio de estados de baja excitación de sistemas físicos. Por la formidable formación en técnicas de machine learning, computación cuántica y física cuántica a la que se verán beneficiados los estudiantes partícipes del trabajo resultado de esta propuesta, se recalca que la salida laboral de los mismos tendrá un espectro amplio: desde el desarrollo académico en centros de investigación, departamentos de investigación y desarrollo de empresas, hasta la aplicación de modelos de machine learning en distintas industrias. Para finalizar, la presente es una propuesta integral de desarrollo profesional en ciencia, tecnología e industria para los estudiantes partícipes de la misma, pero también, sentará un precedente de recursos de aprendizaje para los futuros miembros del semillero de investigación promovido por la línea de simulación de sistemas físicos por medio de machine learning en el grupo SU