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.
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.
Este trabajo presenta el diseño e implementación de modelos híbridos clásico-cuánticos para la predicción de ventas mediante la integración de redes neuronales LSTM y circuitos cuánticos, con el propósito de evaluar el impacto de la incorporación de procesamiento cuántico en tareas de predicción de series temporales, se utilizaron datos reales de ventas obtenidos de la plataforma Kaggle, planteando el problema como una tarea de predicción de ventas diarias a partir del comportamiento histórico de la serie. El proyecto se desarrolló en varias etapas que incluyeron el preprocesamiento de los datos, el diseño e implementación de un modelo LSTM clásico, la incorporación de tres arquitecturas híbridas basadas en Variational Quantum Circuits (VQC), Residual Hybrid y Quantum Long Short-Term Memory (QLSTM), y la comparación de su desempeño. Los modelos fueron implementados utilizando PyTorch y PennyLane, entrenados sobre los mismos conjuntos de datos y evaluados mediante las métricas de R cuadrado y el coeficiente de correlación de Pearson. Adicionalmente, las arquitecturas VQC y Residual Hybrid fueron ejecutadas en hardware cuántico de IBM, mientras que el modelo QLSTM fue evaluado mediante simulaciones con ruido utilizando Qiskit Aer. Los resultados obtenidos muestran que los modelos híbridos clásico-cuánticos constituyen una alternativa para explorar la integración de computación cuántica en tareas de predicción de series temporales, en los experimentos realizados, la arquitectura QLSTM obtuvo el mejor desempeño en la mayoría de los productos evaluados, obteniendo mejores resultados que las arquitecturas VQC y Residual Hybrid.
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 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.
El presente trabajo de integración curricular tiene como objetivo analizar y comparar el desempeño de un algoritmo de búsqueda clásico y de un cuántico, en específico el algoritmo de Grover, con el fin de analizar y contrastar la ventaja computacional teórica y asintótica que proporciona la computación cuántica frente a los algoritmos clásicos, considerando las limitaciones del hardware cuántico actual. Se analizan las bases teóricas de estos dos enfoques, su complejidad temporal y su comportamiento frente a conjuntos de datos de tamaño distinto. La metodología que se emplea es la simulación de ambos algoritmos, es experimental, ya que permite observar y realizar comparaciones de tiempo y eficiencia para la localización de un elemento objetivo. En el caso del algoritmo cuántico, se implementa el algoritmo de Grover mediante simuladores cuánticos, analizando el impacto del número de qubits y de las iteraciones en los resultados obtenidos. Los resultados muestran que para la búsqueda clásica la complejidad de tiempo es O(n) en cambio en el caso del algoritmo de Grover esta se reduce a O(√n) siendo una mejora interesante que se centra en un n grande. A pesar de esto, existen limitaciones en la implementación de ordenadores cuánticos en la actualidad. Por último, se concluyó que el algoritmo de Grover es una alternativa bastante interesante para resolver problemas de búsqueda no estructurada y se muestra el potencial de la computación cuántica como una tecnología emergente con aplicaciones en la ingeniería.
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.