Quantum machine learning (QML) merges quantum computing and machine learning to enhance data processing. QML models typically use quantum circuits, but designing these circuits is challenging due to issues with handling large data volumes and circuit size. Larger circuits can be inefficient, while smaller ones may lack expressivity. This research introduces a global optimization framework for generating quantum circuits with multi-objective genetic algorithms, optimizing structure, operators, and parameters while balancing accuracy and model size. The gradient-free optimization method avoids issues like barren plateaus. The proposed methodology is applied in various domains, including classification, image segmentation, and time-series prediction, achieving promising results. The discovered models have high representational capacity with minimal qubit use, improving scalability and efficiency for large models and inspiring quantum-inspired machine learning models for both academia and industry. RESUMEN El aprendizaje automático cuántico combina la computación cuántica y el aprendizaje automático para mejorar el procesamiento de datos. Los modelos suelen utilizar circuitos cuánticos, pero su diseño es un reto debido a los problemas que plantea el manejo de grandes volúmenes de datos y el tamaño de los circuitos. Los circuitos más grandes pueden ser ineficientes, mientras que los más pequeños pueden carecer de expresividad. Esta investigación introduce un marco de optimización global para generar circuitos cuánticos con algoritmos genéticos multiobjetivo, optimizando la estructura, los operadores y los parámetros al tiempo que se equilibra la precisión y el tamaño del modelo. El método de optimización sin gradiente evita problemas como barren plateaus. La metodología propuesta se aplica en diversos ámbitos, como la clasificación de datos tabulares e imágenes, la segmentación de imágenes y la predicción de series temporales, obteniéndose resultados prometedores. Los modelos descubiertos tienen una alta capacidad de representación con un uso mínimo de qubits, lo que mejora la escalabilidad y la eficiencia de los modelos de gran tamaño e inspira modelos de aprendizaje automático de inspiración cuántica tanto para el mundo académico como para la industria.
Quantum machine learning (QML) merges quantum computing and machine learning to enhance data processing. QML models typically use quantum circuits, but designing these circuits is challenging due to issues with handling large data volumes and circuit size. Larger circuits can be inefficient, while smaller ones may lack expressivity. This research introduces a global optimization framework for generating quantum circuits with multi-objective genetic algorithms, optimizing structure, operators, and parameters while balancing accuracy and model size. The gradient-free optimization method avoids issues like barren plateaus. The proposed methodology is applied in various domains, including classification, image segmentation, and time-series prediction, achieving promising results. The discovered models have high representational capacity with minimal qubit use, improving scalability and efficiency for large models and inspiring quantum-inspired machine learning models for both academia and industry. RESUMEN El aprendizaje automático cuántico combina la computación cuántica y el aprendizaje automático para mejorar el procesamiento de datos. Los modelos suelen utilizar circuitos cuánticos, pero su diseño es un reto debido a los problemas que plantea el manejo de grandes volúmenes de datos y el tamaño de los circuitos. Los circuitos más grandes pueden ser ineficientes, mientras que los más pequeños pueden carecer de expresividad. Esta investigación introduce un marco de optimización global para generar circuitos cuánticos con algoritmos genéticos multiobjetivo, optimizando la estructura, los operadores y los parámetros al tiempo que se equilibra la precisión y el tamaño del modelo. El método de optimización sin gradiente evita problemas como barren plateaus. La metodología propuesta se aplica en diversos ámbitos, como la clasificación de datos tabulares e imágenes, la segmentación de imágenes y la predicción de series temporales, obteniéndose resultados prometedores. Los modelos descubiertos tienen una alta capacidad de representación con un uso mínimo de qubits, lo que mejora la escalabilidad y la eficiencia de los modelos de gran tamaño e inspira modelos de aprendizaje automático de inspiración cuántica tanto para el mundo académico como para la industria.
La computación cuántica ha emergido como un paradigma revolucionario con el potencial de mejorar significativamente la resolución de problemas computacionales complejos. El algoritmo K-Means es ampliamente utilizado en la minería de datos para la clasificación y segmentación de grandes volúmenes de información. Sin embargo, su desempeño se ve afectado por problemas de escalabilidad y sensibilidad a la inicialización de centroides. Esta investigación explora la implementación de técnicas de computación cuántica para optimizar el algoritmo KMeans, proponiendo un modelo híbrido que combina elementos de la mecánica cuántica, como la superposición y el entrelazamiento, con la lógica del aprendizaje automático clásico. Se desarrolla una implementación del algoritmo cuántico en un entorno de simulación utilizando Qiskit, evaluando su rendimiento en comparación con K-Means clásico mediante métricas como la precisión y la cohesión de los clústeres. Los resultados muestran que el modelo cuántico logra una mejora en la eficiencia computacional y en la calidad de los clústeres, reduciendo el impacto de la inicialización aleatoria y optimizando la convergencia del proceso de agrupamiento. Finalmente, se presentan las limitaciones y desafíos de la computación cuántica aplicada a problemas de clasificación, destacando la necesidad de avances en hardware y algoritmos para lograr implementaciones prácticas a gran escala.
This paper explores the application of deep learning techniques to optimize quantum circuits. The core challenge in quantum computing lies in the intricate design and manipulation of quantum circuits to achieve desired computational outcomes. Traditional methods of quantum circuit optimization are often computationally expensive and require significant domain expertise. This research proposes a novel approach leveraging deep learning algorithms to automatically generate optimal quantum circuits. The system learns the underlying structure and characteristics of quantum circuits through training, effectively reducing the complexity associated with quantum computation. This work presents a framework for automated quantum circuit optimization, paving the way for more accessible and efficient quantum computing solutions. The key contribution is the integration of deep learning with quantum circuit optimization, offering an automated process for circuit design and potentially unlocking the full potential of quantum computers.
Machine Learning (ML) has been widely applied across numerous domains due to its ability to automatically identify informative patterns from data for various tasks. The availability of large-scale data and advanced computational power enables the development of sophisticated models and training strategies, leading to state-of-the-art performance, but it also introduces substantial challenges. Quantum Computing (QC), which exploits quantum mechanisms for computation, has attracted growing attention and significant global investment as it may address these challenges. Consequently, Quantum Machine Learning (QML), the integration of these two fields, has received increasing interest, with a notable rise in related studies in recent years. We are motivated to review these existing contributions regarding quantum circuit-based learning models for classical data analysis and highlight the identified potentials and challenges of this technique. Specifically, we focus not only on QML models, both kernel-based and neural network-based, but also on recent explorations of their integration with classical machine learning layers within hybrid frameworks. Moreover, we examine both theoretical analysis and empirical findings to better understand their capabilities, and we also discuss the efforts on noise-resilient and hardware-efficient QML that could enhance its practicality under current hardware limitations. In addition, we cover several emerging paradigms for advanced quantum circuit design and highlight the adaptability of QML across representative application domains. This study aims to provide an overview of the contributions made to bridge quantum computing and machine learning, offering insights and guidance to support its future development and pave the way for broader adoption in the coming years.
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.
Quantum computing is a new and advanced topic that refers to calculations based on the principles of quantum mechanics. It makes certain kinds of problems be solved easier compared to classical computers. This advantage of quantum computing can be used to implement many existing problems in different fields incredibly effectively. One important field that quantum computing has shown great results in machine learning. Until now, many different quantum algorithms have been presented to perform different machine learning approaches. In some special cases, the execution time of these quantum algorithms will be reduced exponentially compared to the classical ones. But at the same time, with increasing data volume and computation time, taking care of systems to prevent unwanted interactions with the environment can be a daunting task and since these algorithms work on machine learning problems, which usually includes big data, their implementation is very costly in terms of quantum resources. Here, in this paper, we have proposed an approach to reduce the cost of quantum circuits and to optimize quantum machine learning circuits in particular. To reduce the number of resources used, in this paper an approach including different optimization algorithms is considered. Our approach is used to optimize quantum machine learning algorithms for big data. In this case, the optimized circuits run quantum machine learning algorithms in less time than the original ones and by preserving the original functionality. Our approach improves the number of quantum gates by 10.7% and 14.9% in different circuits respectively. This is the amount of reduction for one iteration of a given sub-circuit U in the main circuit. For cases where this sub-circuit is repeated more times in the main circuit, the optimization rate is increased. Therefore, by applying the proposed method to circuits with big data, both cost and performance are improved.
Este proyecto propone un enfoque innovador para la caracterización conductual de interacciones orales en centros de contacto, mediante modelos supervisados asistidos por circuitos cuánticos variacionales. El objetivo es clasificar atributos como las emociones, veracidad, el nivel de estrés y la identidad del hablante, a partir de señales acústicas. Se plantea como hipótesis que el uso de modelos híbridos cuántico-clásicos permite mejorar la precisión de clasificación en comparación con modelos tradicionales. La justificación radica en la necesidad de sistemas más eficientes para el análisis emocional y conductual en lenguaje oral. Se desarrolló un prototipo experimental que emplea un dataset simulados de conversaciones en call centers, procesados mediante técnicas fonéticas como MFCC. Se aplicaron métodos de reducción de dimensionalidad (PCA) y codificación de datos clásicos en circuitos cuánticos parametrizables. La arquitectura se basa en entrenamiento supervisado de modelos VQC utilizando optimización por desplazamiento de parámetros. Se emplearon bibliotecas como PennyLane y openSMILE en el procesamiento y entrenamiento. Como resultado preliminar, se observó que el modelo cuántico obtuvo una precisión comparable a los modelos clásicos como SVM y Random Forest en tareas de clasificación multiclase. Estos resultados son alentadores, ya que colocan a los circuitos cuánticos variacionales como una alternativa importante a la hora de abordar problemas complejos relacionados con el tratamiento del habla. Se concluye que la computación cuántica aplicada al aprendizaje automático ofrece ventajas prometedoras en contextos de análisis vocal, y representa una línea de investigación con alto potencial para el futuro del procesamiento del lenguaje oral.