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.
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.
En este informe se presenta el trabajo desarrollado como estudiante miembro del semillero de investigación en Información Cuántica y Computación Cuántica, y que fue presentado en eventos científicos como ponencias orales y posters. El trabajo está dividido en dos partes principales. En primer lugar, se llevó a cabo un análisis de distinguibilidad de estados cuánticos por medio de la comparación de la distancia traza y la fidelidad, como métricas en el campo de la información cuántica. Se discutió la dinámica de estados cuánticos de dos qubits mediante la evolución temporal de dichas métricas al considerar la acción de ruido de amortiguación de amplitud sobre un estado inicial. En segundo lugar, se estudió la técnica de los algoritmos cuánticos variacionales (VQAs) como un enfoque para mejorar la precisión de las computadoras cuánticas. Los VQAs aprovechan procesadores clásicos para entrenar circuitos cuánticos mediante redes neuronales y luego se miden utilizando un procesador cuántico. Se presentaron varios sistemas cuánticos simulados utilizando estos algoritmos, comparando la efectividad de la técnica al simular sistemas sin optimización y sistemas optimizados. Se examinó el comportamiento de la función de costo de cada circuito cuántico para diferentes dinámicas de los sistemas simulados. Para realizar las optimizaciones de los circuitos, se utilizó la biblioteca Pennylane en Python, la cual proporciona diversos optimizadores variacionales cuánticos.
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.
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 computación cuántica ha impulsado múltiples líneas de investigación en los últimos años, debido al interés conjunto de la comunidad científica y de la industria tecnológica en diseñar ordenadores cuánticos capaces de ejecutar circuitos con alta precisión. Como resultado, nuevos enfoques como el MBQC (computación cuántica basada en mediciones) han surgido como alternativas viables al modelo estándar de computación cuántica. De igual manera, empresas tecnológicas como Google o IBM continúan impulsando de manera sostenida el desarrollo del hardware para computación cuántica, logrando avances significativos como el procesador Heron de 156 cúbits de IBM o el chip Willow de Google para la corrección de errores cuánticos. En particular, la introducción de Qiskit como software libre, por parte de IBM, brinda a los usuarios la posibilidad de realizar experimentos de computación cuántica utilizando ordenadores cuánticos reales, lo que sugiere la importancia de Qiskit dentro de este campo. Por tal motivo, el objetivo de este trabajo es diseñar una plantilla en Python con Qiskit para aplicar el protocolo MQBC en diferentes circuitos y ejecutarlos en un ordenador cuántico de IBM. Esta plantilla se basa en el modelo One-Way, un enfoque particular del MQBC, aplicado a un clúster lineal de 4 cúbits, y utiliza técnicas como la Postselección, Reetiquetado y Tomografía cuántica para caracterizar los estados de salida generados. Con ello, se busca implementar 5 circuitos cuánticos correspondientes a diferentes configuraciones clústers lineales y bidimensionales, a partir del estado clúster lineal de 4 cúbits. Asimismo, se mostrarán los pasos para implementar un circuito que detalla una búsqueda cuántica de dos cúbits. Para verificar la validez de los resultados, se calculará la fidelidad para cada estado de salida, considerando los circuitos teóricos descritos en el paper Experimental One-Way Quantum Computing. Finalmente, para las configuraciones de clúster bidimensionales, se analizará el grado de entrelazamiento para confirmar la generación de estados entrelazados a partir de cúbits codificados inicialmente separables. En adición, esta tesis tiene como finalidad servir como documento de referencia para facilitar el aprendizaje de Qiskit en futuros trabajos de computación cuántica.
Este trabajo proporciona una visión generalizada del estado actual de los algoritmos genéticos cuánticos (QGAs), mostrando los avances realizados en esta área de investigación los últimos 24 años. Los QGAs combinan conceptos de la computación cuántica y los algoritmos genéticos clásicos (CGAs), lo que les permite abordar problemas complejos de optimización y búsqueda de manera eficiente. Se presentan los principales hallazgos y contribuciones de estos algoritmos cuánticos destacando las tendencias y los enfoques más prometedores, así como los desafíos y limitaciones que deben superarse. Se presentan nuevos enfoques y técnicas de implementación de QGAs, incluyendo operadores genéticos cuánticos y esquemas de codificación eficientes que contribuyen a mejorar el rendimiento y la convergencia de los algoritmos. Se comparan los QGAs y otros enfoques similares, como los CGAs y los algoritmos cuánticos puros, destacando las ventajas y desventajas relativas de los QGAs en comparación a sus versiones clásicas. Se muestra también una implementación de QGA utilizando la biblioteca Qiskit. Se presentan la selección de los métodos usados para la generación de la población inicial, el cruzamiento y la mutación de las distintas poblaciones de los circuitos cuánticos simulados en los experimentos realizados, ejemplificando las ventajas significativas que estos pueden traer en comparación con los enfoques clásicos.
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.