Tarea 3: Análisis de estructura IMRAD

Hola a todos! 

En esta tarea he escogido el análisis de la estructura de dos artículos científicos recientes relacionados con mi tema de tesis para comprobar si siguen el formato  IMRAD (Introducción, Métodos, Resultados y Discusión). Antes de empezar con el análisis, quiero aclarar que he escogido estos artículos al azar dentro de la bibliografía que yo había identificado previamente.

Los dos artículos (ambos disponibles en arXiv) son los siguientes:

1. Benchmarking Quantum Models for Time-series Forecasting (https://ieeexplore.ieee.org/document/10821059)

2. Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation: An Architectural Proposal (https://arxiv.org/abs/2506.16000)

Paper 1: Benchmarking Quantum Models for Time-series Forecasting

Este primer artículo es un estudio de benchmarking (evaluación comparativa) empírico que compara modelos cuánticos y clásicos para la predicción de series temporales.

¿Sigue la estructura IMRAD? Sí, pero lo hace de una forma relajada. No utiliza los nombres "oficiales" para todas sus secciones, algo muy típico en el ámbito de las ciencias de la computación:

• Introducción (I): Cumple su función clásica presentando el problema, el contexto y los objetivos.

• Métodos (M): En lugar de tener una sola sección llamada "Methods", el artículo divide esta parte en dos. La Sección II define el problema de predicción y describe brevemente los modelos evaluados tanto clásicos (Last Value, ARIMA, LSTM) como cuánticos (QNN, QDBM, QLSTM, etc.). La Sección III actúa como el diseño experimental detallando los conjuntos de datos, el uso de k-fold cross-validation, métricas, optimización de hiperparámetros...

• Resultados (R) y Discusión (D): En lugar de tener una sección de Resultados y otra de Discusión, lo fusiona en una sola ("Evaluation") en la que presentan los hallazgos de las métricas obtenidas durante el benchmark. Para después finalizar con una sección de Conclusión, en la que llegan a que los modelos clásicos siguen superando a la mayoría de los cuánticos estudiados.

En resumen, aunque las etiquetas de las secciones están personalizadas, la narrativa lógica del artículo sí que es IMRAD.

Paper 2: Quantum Artificial Intelligence for Secure Autonomous Vehicle Navigation

Este segundo artículo es completamente diferente en su naturaleza. No es un experimento empírico, sino una propuesta arquitectónica y teórica sobre el uso de QML para mejorar la seguridad en vehículos autónomos.

¿Sigue la estructura IMRAD? No, en este caso el seguimiento no existe, ni siquiera de forma relajada. Su estructura se adapta al formato típico de los artículos de "propuesta de sistemas" en ingeniería:

• Introducción (I): Plantea el problema de la conducción autónoma, la necesidad de mejores políticas de navegación y las vulnerabilidades de seguridad.

• Related Work (II): Funciona como una revisión de la literatura y estado del arte.

• Proposed Framework (III): Esta es la sección central del artículo. Al ser una propuesta teórica, no hay una metodología para recolectar datos empíricos ni unos "resultados" en forma de gráficas de rendimiento. El propio diseño de la arquitectura es el núcleo del paper.

• Discussion and Limitations (IV): Aquí sí vemos un remanente claro del IMRAD, donde los autores discuten la viabilidad de su propuesta y las limitaciones de la tecnología cuántica actual.

• Conclusión: Cierre-resumen del artículo.

Conclusión final

Como podemos observar con esta comparativa, el formato IMRAD no siempre se aplica de forma estricta (con las secciones denominadas oficialmente así). Dependiendo del tipo de investigación, la estructura se vuelve más relajada (dividiendo los "Métodos" en varias partes si es un experimento complejo, como en el Paper 1) o se descarta casi por completo si estamos ante un artículo teórico o de propuesta de arquitectura (como en el Paper 2).

Como he dicho antes, estos papers están escogidos al azar dentro de mi recopilación de bibliografía. Observando muchos de ellos por encima, cada uno tiene una estructura propia aunque se podrían dividir en 2 tipos: los que siguen de alguna forma la estructura IMRAD y los que no.

Saludos

 Tarea 2: ¿Qué es ciencia? (¿Lo que yo hago también?)

Hola a todos!

Después de echarle un ojo a los materiales sobre qué es esto de la ciencia, me ha llamado especialmente la atención cómo se desmitifica la idea de un "método" rígido e infalible. Los textos nos advierten que hablar de un "método científico" puede llegar a ser confuso, ya que da la falsa impresión de que existe un conjunto fijo e inamovible de reglas a seguir. En la práctica, se trata más bien de una colección de formas de trabajar e interpretar resultados que los investigadores han ido descubriendo a lo largo de los siglos.

Llevando esto a mi terreno (la Computación Cuántica y en concreto el Quantum Machine Learning o QML), al principio choca un poco. Como dice Joaquín, los apuntes tienen un claro sesgo hacia las ciencias naturales, donde te vas al campo a observar o mezclas cosas en tubos de ensayo. Pero en mi terreno, investigar cómo la Computación Cuántica puede ayudar en la navegación de los drones (UxV) cuando tienen el GPS denegado en entornos hostiles no me permite ir estrellando aparatos carísimos en el mundo real para hacer mis pruebas.

Y justo ahí es donde mi tesis cuadra perfectamente con las lecturas. El texto reconoce que, cuando no puedes hacer experimentos físicos directos, te toca buscar otros caminos, como hacer simulaciones en el ordenador. Eso es exactamente lo que hago yo usando el emulador cuántico QUTE en la nube. Ese es mi verdadero laboratorio.

Además, como bien decían los artículos de los enlaces, la ciencia va mucho más de "actitudes" que de metodologías súper rígidas. En mi campo abstraemos a tope y tiramos muchísimo de matemáticas, que al final se basan en axiomas que no tienen por qué existir físicamente en la naturaleza. Sin embargo, mi actitud es 100% científica: me monto mi hipótesis (que los algoritmos híbrido-cuánticos de QML pueden mejorar o complementar al Deep Learning clásico), diseño los experimentos, hago mis predicciones y luego me peleo con los resultados.

En resumen: aunque no use bata blanca y mi laboratorio sean servidores en la nube, la esencia sigue ahí. Hacer ciencia sigue siendo buscar la verdad y entender cómo funcionan las cosas a base de pelear con datos.

 Tarea T1: Presentación

Hola a todos, soy Jesús. Estoy realizando el doctorado en Informática en la Universidad de Oviedo, en la modalidad de doctorado industrial junto con CTIC Centro Tecnológico (y en el marco de la Red Cervera ARQADE).

Mi tema de tesis aborda un problema crítico en la actualidad: qué ocurre cuando un vehículo no tripulado (UxV) pierde la señal de los satélites (entornos GNSS-Denied) debido a interferencias, ataques o bloqueos. Para que estos vehículos puedan seguir navegando de forma segura y autónoma, mi investigación propone utilizar algoritmos de Quantum Machine Learning (QML) combinados con Deep Learning clásico. El objetivo es analizar y predecir series temporales para estimar la posición y la navegación de forma mucho más robusta, probando estos modelos híbridos en emuladores cuánticos en la nube, en concreto QUTE. Este reto es clave con aplicación directa en el sector de Defensa.

Si mi tesis tiene éxito, la pregunta principal que quedaría respondida es:

¿Pueden los algoritmos de Quantum Machine Learning superar a los métodos clásicos en la predicción de series temporales para garantizar una navegación autónoma precisa y resiliente en entornos sin señal GPS?