La adopción de modelos de aprendizaje automático en entornos clínicos exige soluciones que combinen precisión diagnóstica con eficiencia computacional e interpretabilidad. En este contexto, las redes tensoriales cuántico-inspiradas emergen como una alternativa prometedora a las arquitecturas profundas convencionales, gracias a su reducido número de parámetros y su fundamentación matemática rigurosa. Este Trabajo de Fin de Grado implementa, evalúa y analiza LoTeNet, una red tensorial basada en Matrix Product States (MPS), aplicada a la clasificación binaria de imágenes médicas. El modelo se entrena íntegramente desde cero, sin preentrenamiento ni transferencia de conocimiento, sobre dos conjuntos de datos de referencia: PCam, orientado a la detección de metástasis en tejido histológico, y PneumoniaMNIST, para el diagnóstico de neumonía en radiografías de tórax. A pesar de contar con únicamente 4.092 parámetros entrenables, el modelo alcanza un AUC de 0,9501 y 0,8635 respectivamente, resultados competitivos frente a arquitecturas de mayor complejidad como DenseNet121 y ResNet18. Entre las contribuciones originales del trabajo destaca una estrategia de inicialización near-identity, diseñada para mitigar el problema de vanishing gradients en cadenas MPS de gran longitud, que supone una mejora práctica relevante sobre las aproximaciones existentes. Asimismo, se realiza un análisis de explicabilidad empleando tres enfoques complementarios: Gradient×Input, Integrated Gradients y un método nativo basado en los logits espaciales de la arquitectura MPS, que permite una interpretación directa sin cálculo de gradientes. Los resultados sugieren que las redes tensoriales constituyen una vía viable para el diagnóstico asistido por ordenador, ofreciendo ventajas diferenciales en términos de XAI nativa, transparencia matemática y viabilidad de despliegue en dispositivos con recursos extremadamente limitados.
La adopción de modelos de aprendizaje automático en entornos clínicos exige soluciones que combinen precisión diagnóstica con eficiencia computacional e interpretabilidad. En este contexto, las redes tensoriales cuántico-inspiradas emergen como una alternativa prometedora a las arquitecturas profundas convencionales, gracias a su reducido número de parámetros y su fundamentación matemática rigurosa. Este Trabajo de Fin de Grado implementa, evalúa y analiza LoTeNet, una red tensorial basada en Matrix Product States (MPS), aplicada a la clasificación binaria de imágenes médicas. El modelo se entrena íntegramente desde cero, sin preentrenamiento ni transferencia de conocimiento, sobre dos conjuntos de datos de referencia: PCam, orientado a la detección de metástasis en tejido histológico, y PneumoniaMNIST, para el diagnóstico de neumonía en radiografías de tórax. A pesar de contar con únicamente 4.092 parámetros entrenables, el modelo alcanza un AUC de 0,9501 y 0,8635 respectivamente, resultados competitivos frente a arquitecturas de mayor complejidad como DenseNet121 y ResNet18. Entre las contribuciones originales del trabajo destaca una estrategia de inicialización near-identity, diseñada para mitigar el problema de vanishing gradients en cadenas MPS de gran longitud, que supone una mejora práctica relevante sobre las aproximaciones existentes. Asimismo, se realiza un análisis de explicabilidad empleando tres enfoques complementarios: Gradient×Input, Integrated Gradients y un método nativo basado en los logits espaciales de la arquitectura MPS, que permite una interpretación directa sin cálculo de gradientes. Los resultados sugieren que las redes tensoriales constituyen una vía viable para el diagnóstico asistido por ordenador, ofreciendo ventajas diferenciales en términos de XAI nativa, transparencia matemática y viabilidad de despliegue en dispositivos con recursos extremadamente limitados.
Modelo Hibrido Clásico-Cuántico para identificación de personas a través de analisis de imágenes con computación cuántica 2Resumen: El reconocimiento facial se ha convertido en una herramienta cotidiana en ámbitos como la seguridad, el control de acceso y los sistemas biométricos.Sin embargo, los métodos, basados en redes neuronales profundas, muestran limitaciones de escalabilidad y eficiencia cuando se enfrentan a grandes volúmenes de datos (Schroff et al., 2015;Taigman et al., 2014).En este trabajo presentamos un modelo híbrido que combina el procesamiento clásico de imágenes con un circuito cuántico, implementado en la plataforma Amazon Braket.Nuestro enfoque extrae características faciales mediante una red MobileNetV2 preentrenada, las reduce y las alimenta a un clasificador que integra una capa cuántica de 4 qubits con puertas variacionales, siguiendo la filosofía de los enfoques híbridos propuestos por Farhi y Neven (2018).Los experimentos, realizados sobre un conjunto de datos sintético, muestran que el modelo híbrido alcanza una precisión del 97.5 %, mientras que un modelo clásico equivalente obtiene un 99.4 %.Aunque el modelo cuántico no supera al clásico en este escenario, su rendimiento es competitivo y demuestra la viabilidad de integrar computación cuántica en tareas de visión por computador en la era de los dispositivos cuánticos de escala intermedia con ruido (NISQ) (Preskill, 2018).Este estudio sienta las bases para futuras investigaciones con hardware cuántico real y destaca los retos actuales de interoperabilidad entre librerías cuánticas y clásicas.
La investigación científica y tecnológica avanza a un ritmo vertiginoso. En este continuo progreso, la capacidad de procesamiento de imágenes desempeña un papel crucial en una amplia variedad de campos de aplicación (medicina, teledetección, seguridad, agricultura, etc.), donde un análisis exhaustivo de los datos permite una mejor toma de decisiones. Actualmente, existen cámaras y sensores que posibilitan la captura de una gran cantidad de imágenes de alta resolución. El procesamiento de estas imágenes representa un desafío computacional significativo en la tarea de extraer eficientemente la información que contienen. Este aspecto es aún más evidente al trabajar con imágenes que incorporan información en distintas longitudes de onda o bandas espectrales, como ocurre en el caso de las imágenes multi-espectrales. Por otro lado, dentro del procesado de imagen también es de interés destacar el procesamiento cuántico de imágenes que, aunque actualmente es un área emergente, promete un gran potencial en la resolución de problemas complejos de procesamiento de imágenes en el futuro. Este procesamiento aprovecha las propiedades de la mecánica cuántica para resolver problemas complejos, abriendo nuevas posibilidades en el campo del procesamiento de imágenes. Sin embargo, la computación cuántica se encuentra aún en una fase preliminar, debido principalmente a los retos que suponen el incremento en el número de cúbits de las plataformas, y mantener la fiabilidad de los dispositivos con una gestión adecuada del ruido inherente a su funcionamiento. A medida que esta tecnología continúe desarrollándose es probable que se alcancen avances significativos en la capacidad de procesamiento de imágenes. Por ello, resulta esencial que el diseño de circuitos cuánticos esté optimizado, permitiendo así que los algoritmos de procesado de imágenes puedan utilizarlos cuando los desafíos anteriores estén resueltos. A lo largo de esta tesis se exploran los fundamentos teóricos y las aplicaciones prácticas de dos problemas relacionados con el procesamiento de imagen. En primer lugar, se investiga un problema de agricultura de precisión que trabaja con imágenes multi-espectrales. Concretamente, se realiza la implementación de una herramienta automática para comprobar el funcionamiento de herbicidas en un cultivo de girasol. Este problema se aborda utilizando técnicas de visión artificial como es la clasificación basada en objetos y, adicionalmente, se compara con dos aproximaciones basadas en Aprendizaje Profundo. Uno de los principales retos al trabajar con imágenes multi-espectrales son las distorsiones tanto geométricas como de perspectiva que estas presentan. Por lo tanto, en esta tesis se lleva a cabo un exhaustivo proceso de calibración y co-registro de las imágenes de una cámara multiespectral Sequoia. Este calibrado puede considerarse también una aportación de la tesis, puesto que la metodología definida podría extrapolarse para calibrar otras cámaras multi-espectrales. El segundo problema abordado está relacionado con la computación cuántica. Concretamente, en esta tesis se implementa un algoritmo tolerante a fallos para la segmentación de imágenes sobre plataformas cuánticas. El algoritmo se denomina “dual threshold”, o algoritmo de segmentación de doble umbral. Debido a que este algoritmo involucra dos operaciones de comparación, se diseñan dos circuitos cuánticos comparadores tolerantes a fallos. La bondad tanto de los circuitos cuánticos comparadores como del algoritmo implementado se mide utilizando un conjunto de métricas contrastadas entre las que destaca el coste de puertas T, que son las puertas relacionadas con la tolerancia a fallos. Finalmente, los desarrollos e implementaciones que se han propuesto para solucionar los dos problemas anteriormente citados se comparan con sus análogos del estado del arte, mostrando las bondades de las aportaciones realizadas durante la presente disertación.
RESUMEN : Este estudio se centra en la evaluación del impacto que la computación cuántica tiene en la clasificación de imágenes, empleando modelos de Redes Neuronales Convolucionales (CNN). El objetivo principal es comparar el desempeño de modelos tradicionales de CNN desarrollados con TensorFlow y PyTorch contra modelos que integran un circuito cuántico como elemento distintivo de procesamiento. La metodología involucra la aplicación de un conjunto de datos estandarizado de imágenes de retratos, donde cada modelo CNN, uno basado en TensorFlow y otro en PyTorch, es entrenado y evaluado en su capacidad de clasificar las imágenes de forma binaria. Posteriormente, se introduce un circuito cuántico con el propósito de explorar las ventajas potenciales que la superposición y el entrelazado cuánticos pueden ofrecer en el proceso de clasificación. Los resultados obtenidos sugieren que la integración de circuitos cuánticos en la arquitectura de las redes neuronales convolucionales no solo es viable, sino que también produce resulta- dos competitivos en comparación con los enfoques clásicos establecidos. Este rendimiento es notable dado que la computación cuántica, aún en su naciente integración con técnicas de aprendizaje profundo, logra igualar casi a la perfección los resultados de su homólogo clásico. Esta paridad de rendimiento destaca el potencial significativo de los circuitos cuánticos en enriquecer y potenciar las capacidades de las CNN en tareas de clasificación de imágenes.
Este Trabajo de Fin de Grado tiene como propósito explorar y divulgar los avances más recientes en el fascinante campo de la computación cuántica, centrándose especialmente en su integración con el aprendizaje profundo. En concreto, se analizará el prometedor enfoque de las redes neuronales cuánticas (Quantum Neural Networks, QNN). La estructura del trabajo se organiza en cuatro bloques temáticos bien diferenciados que permiten abordar de forma progresiva los conceptos clave: En primer lugar, se explican los fundamentos de las Redes Neuronales Clásicas, donde se analizan conceptos como las funciones de activación, las funciones de pérdida, el algoritmo de retropropagación y el proceso completo de entrenamiento. En segundo lugar, nos adentraremos en los pilares de la computación cuántica. Estudiaremos elementos fundamentales como el qubit y las puertas cuánticas, componentes que permiten manipular estados cuánticos. A continuación, con ambas bases teóricas establecidas, abordaremos el diseño de una red neuronal cuántica, centrando la atención en los modelos basados en circuitos variacionales. Además del desarrollo teórico se incluirán ejemplos prácticos y detallados utilizando conjuntos de datos reales. Estos casos permitirán ilustrar de manera tangible cómo se aplica una red neuronal cuántica a problemas concretos, desde la preparación de los datos hasta la interpretación de resultados. Finalmente, se expondrán las principales limitaciones y desafíos que actualmente enfrentan las redes neuronales cuánticas, incluyendo aspectos como la corrección de errores.
Los modelos de lenguaje más avanzados superan el billón de parámetros, y el consumo eléctrico anual en EE. UU. podría alcanzar cientos de TWh esta década, evidenciando el límite energético del hardware clásico y motivando la búsqueda de sustratos. La computación cuántica, al explotar el vasto espacio de Hilbert de los cúbits, promete redes neuronales cuánticas (QNNs) capaces de representar funciones mucho más complejas por parámetro. El proyecto "Hacia una Ventaja Cuántica en Arquitecturas Deep Learning" reduce la barrera de entrada mediante dos recursos gratuitos. Primero, un libro online (https://seroviicai.github.io/torch-quantum/book) condensa teoría cuántica y computacional esencial, análisis de capacidad con geometría informacional y técnicas modernas de optimización de QNNs en <100 páginas; ejemplos en CUDA-Q y PyTorch guían al lector desde álgebra de un solo cúbit hasta "benchmarks" completos. Segundo, la librería Torch-Quantum (https://github.com/SeroviICAI/torch-quantum/tree/main) convierte esas ideas en mapas de características, formas variacionales, modelos y "scripts" ejecutables sin modificaciones en simuladores CPU/GPU o en procesadores cuánticos en la nube como Amazon Braket. Guiada por los principios "Usabilidad sobre Rendimiento" y "Simple sobre Fácil", los experimentos mantenienen cada operación explícita y manipulable. Los experimentos con estas herramientas muestran que las QNNs alcanzan mayor dimensión efectiva (i.e. mayor expresividad) que redes clásicas con igual número de parámetros, logrando precisión casi perfecta en benchmarks pequeños como Iris y Wine tras pocas iteraciones, y estableciendo resultados estado-del-arte para modelos puramente cuánticos, incluyendo OptDigits. A mayor escala, los gradientes se encarecen bajo la regla de desplazamiento de parámetros y pueden desaparecer en "barren plateaus". El libro presenta estrategias de mitigación como retropropagaciones alternativas (e.g. métodos con tomografía de sombras y memoria cuántica), optimizadores de gradiente natural y entrenamiento por capas, animando al lector a perfeccionarlas. Al unir contexto, teoría y código, el proyecto ofrece una puerta única al avance colaborativo hacia el aprendizaje profundo cuántico.
La computación cuántica tiene una base teórica de más de tres décadas que muestra aceleraciones polinómicas y exponenciales sobre los algoritmos clásicos. Los procesadores que se construyen hoy, sin embargo, son ruidosos, pequeños y de conectividad limitada, aún lejos de aprovechar esa ventaja en problemas de escala real. Este trabajo es un estudio experimental que mide qué tan profunda es esa brecha para cuatro algoritmos cuánticos fundamentales: Bernstein–Vazirani, Simon, Grover sobre instancias de k-SAT y la estimación cuántica de fase. Para cada algoritmo se construyó una contraparte clásica de referencia y se evaluaron, por cada tamaño de entrada, todas las combinaciones posibles de tres modelos de ruido (error de lectura, despolarizante y relajación térmica) con tres topologías de hardware (ideal, lineal de 20 qubits y heavy-hex de 127 qubits, esta última inspirada en el chip ibm_brisbane). El estudio se hizo enteramente en simulación porque permite controlar de forma independiente cada parámetro del ruido y de la conectividad, condición necesaria para hacer comparaciones limpias entre escenarios. Cada uno de los 39 escenarios resultantes por tamaño se repitió 25 veces y los resultados se reportan con intervalo de confianza al 95 % calculado con la t de Student. Toda la infraestructura (algoritmos, generador de instancias, modelos de ruido, scripts de análisis e interfaz gráfica para exploración interactiva) queda reproducible y abierta. Los hallazgos principales son tres. Primero, la ventaja teórica sobrevive en los algoritmos de poca profundidad como Bernstein–Vazirani, mientras que en Grover y en la estimación de fase el ruido deteriora rápidamente el speedup a medida que crece el número de iteraciones. Segundo, el tipo de ruido importa tanto como su nivel: el error de lectura es el menos agresivo porque no se acumula con la profundidad del circuito, mientras que el despolarizante es el más severo. Tercero, la topología influye de forma indirecta pero significativa porque condiciona la cantidad de compuertas SWAP que el compilador debe insertar y, por esa vía, aumenta la profundidad efectiva del circuito. El framework, los datos y los análisis quedan disponibles para quien quiera prototipar pruebas de algoritmos cuánticos en la era NISQ sin depender de tiempo en hardware real.