La creciente complejidad de las amenazas cibernéticas exige sistemas de detección de intrusiones capaces de procesar tráfico de red dinámico y de alta dimensión. Aunque los métodos clásicos de aprendizaje automático han logrado un gran rendimiento en este ámbito, siguen enfrentándose a limitaciones relacionadas con la escalabilidad, la adaptabilidad y la robustez frente a los patrones de ataque en constante evolución. El aprendizaje automático cuántico se ha revelado como una alternativa prometedora; sin embargo, los procesadores cuánticos actuales, imponen limitaciones prácticas relacionadas con el ruido, la disponibilidad limitada de qubits, la decoherencia y la profundidad de los circuitos.Este artículo presenta a Xander, una arquitectura híbrida en ensamble cuántico-clásico para la detección de intrusiones en redes bajo las restricciones de la era NISQ. El marco propuesto integra modelos cuánticos, entre los que se incluyen componentes de máquinas de vectores de soporte cuánticos, clasificadores cuánticos variacionales y redes neuronales convolucionales cuánticas, con modelos clásicos como Random Forest, XGBoost y perceptrones multicapa.Estos modelos se combinan mediante un mecanismo optimizado de votación suave ponderada y se complementan con una estrategia de respaldo dinámica diseñada para reducir el impacto de los resultados cuánticos inestables. Los experimentos se llevaron a cabo utilizando subconjuntos reducidos y preprocesados de los conjuntos de datos CIC-IDS-2017 y CIC-IDS-2018, aplicando el análisis de componentes principales para permitir la codificación de características compatibles con la cuántica.El marco se evaluó mediante simulación clásica, simulación cuántica y ejecución en hardware cuántico real. Los resultados muestran que el enfoque híbrido alcanza un alto rendimiento de clasificación y mantiene un comportamiento estable bajo el ruido inducido por el hardware, alcanzando un rendimiento competitivo. Los hallazgos sugieren que los modelos híbridos constituyen una vía práctica para integrar la computación cuántica en aplicaciones de ciberseguridad sin requerir una ventaja cuántica a corto plazo.
La creciente complejidad de las amenazas cibernéticas exige sistemas de detección de intrusiones capaces de procesar tráfico de red dinámico y de alta dimensión. Aunque los métodos clásicos de aprendizaje automático han logrado un gran rendimiento en este ámbito, siguen enfrentándose a limitaciones relacionadas con la escalabilidad, la adaptabilidad y la robustez frente a los patrones de ataque en constante evolución. El aprendizaje automático cuántico se ha revelado como una alternativa prometedora; sin embargo, los procesadores cuánticos actuales, imponen limitaciones prácticas relacionadas con el ruido, la disponibilidad limitada de qubits, la decoherencia y la profundidad de los circuitos.Este artículo presenta a Xander, una arquitectura híbrida en ensamble cuántico-clásico para la detección de intrusiones en redes bajo las restricciones de la era NISQ. El marco propuesto integra modelos cuánticos, entre los que se incluyen componentes de máquinas de vectores de soporte cuánticos, clasificadores cuánticos variacionales y redes neuronales convolucionales cuánticas, con modelos clásicos como Random Forest, XGBoost y perceptrones multicapa.Estos modelos se combinan mediante un mecanismo optimizado de votación suave ponderada y se complementan con una estrategia de respaldo dinámica diseñada para reducir el impacto de los resultados cuánticos inestables. Los experimentos se llevaron a cabo utilizando subconjuntos reducidos y preprocesados de los conjuntos de datos CIC-IDS-2017 y CIC-IDS-2018, aplicando el análisis de componentes principales para permitir la codificación de características compatibles con la cuántica.El marco se evaluó mediante simulación clásica, simulación cuántica y ejecución en hardware cuántico real. Los resultados muestran que el enfoque híbrido alcanza un alto rendimiento de clasificación y mantiene un comportamiento estable bajo el ruido inducido por el hardware, alcanzando un rendimiento competitivo. Los hallazgos sugieren que los modelos híbridos constituyen una vía práctica para integrar la computación cuántica en aplicaciones de ciberseguridad sin requerir una ventaja cuántica a corto plazo.
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.
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.
En esta charla se presenta la evaluación computacional un grupode modelos de aprendizaje automatico, a través de un conjunto de datos sinteticos generados a partir del diseño de sensor de guías de onda de tipo slot, del cual se caracterizó la influencia de diversos iones inorgánicos. La fase central se enfocó en el análisis comparativo de cinco modelos: Árboles de Decisión (DT), Random Forest (RF), XGBoost, el Perceptrón Multicapa (MLP) y, como propuesta de vanguardia, una Red Neuronal Cuántica Híbrida (HQCNN). Esta última se implementó bajo el paradigma de la computación cuántica variacional, consolidándose como una prueba de concepto exitosa que demostró que los modelos híbridos pueden igualar la precisión de los clasificadores clásicos más robustos. Estos hallazgos abren nuevas fronteras en el desarrollo de sistemas de monitoreo ambiental inteligente, orientados a la detección temprana de contaminantes y la mitigación de riesgos para la salud pública.
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 documento desarrolla un análisis integral y profundamente técnico sobre la convergencia entre la computación cuántica y la inteligencia artificial, examinando los fundamentos físicos, algorítmicos y computacionales que están dando forma a un nuevo paradigma tecnológico. El texto expone de manera rigurosa los conceptos esenciales de qubits, superposición, entrelazamiento, algoritmos cuánticos de referencia y la evolución hacia la era NISQ, junto con una explicación detallada del aprendizaje automático moderno, sus limitaciones y la motivación para buscar aceleración cuántica. A partir de ese marco, se presenta un estudio completo de la inteligencia artificial cuántica (QAI), incluyendo arquitecturas híbridas, modelos nativos cuánticos, algoritmos variacionales, kernels cuánticos, aprendizaje supervisado y no supervisado cuántico, refuerzo cuántico, métodos generativos y optimización combinatoria mediante QAOA y recocido cuántico. El documento analiza aplicaciones sectoriales reales en salud, finanzas, energía, transporte, defensa y seguridad, así como estudios y casos documentados en laboratorios líderes como Google, IBM, RIKEN, NASA, USRA y múltiples startups especializadas. Profundiza en cómo la IA clásica potencia el desarrollo cuántico por medio de calibración autónoma, mitigación y corrección de errores, optimización experimental y descubrimiento automático de algoritmos. Finalmente, se abordan los desafíos técnicos, computacionales, éticos y teóricos que enfrenta la IA cuántica, incluyendo limitaciones del hardware NISQ, carga y extracción de datos, barren plateaus, ausencia de ventaja cuántica práctica demostrada y vacíos normativos emergentes. Dirigido a investigadores, ingenieros, decisores estratégicos y profesionales en ciencia de datos, computación cuántica, IA, ciberseguridad y prospectiva tecnológica que buscan comprender el estado del arte y las implicaciones geopolíticas y científicas de esta convergencia en rápido crecimiento.
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.