El aprendizaje federado descentralizado está orientados a entornos colaborativos donde la privacidad y la distribución de datos son fundamentales. Por ello, se investigan mecanismos de consenso para la orquestación en la capa de agregación de modelos, incorporando enfoques basados en teoría de juegos para optimizar la cooperación entre nodos y tecnología blockchain para garantizar la integridad, trazabilidad, descentralización del proceso de entrenamiento y compartición de modelos.

Exploramos algoritmos cuánticos fundamentales (Shor, Deutsch-Jozsa, Grover y QAOA) como base técnica para extender nuestras líneas de investigación hacia el diseño de algoritmos cuánticos e híbridos. Nuestro objetivo se centra en el desarrollo y la evaluación de estas arquitecturas y su aplicabilidad en problemas complejos, incluyendo la optimización de carteras financieras y la búsqueda avanzada en bases de datos no estructuradas, con potencial de transferencia a otros escenarios reales.

Se aborda el desarrollo y aplicación de esquemas criptográficos resistentes a ataques cuánticos. Nuestro objetivo es investigar sus aplicaciones en tecnologías de registro distribuido, como blockchain, para fortalecer la seguridad y privacidad de los sistemas descentralizados. Además, se trabaja en el diseño de algoritmos eficientes y ligeros, orientados a entornos con dispositivos de recursos limitados, como IoT y sistemas embebidos.