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.
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.
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.
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 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.
La computación cuántica ha evolucionado desde una disciplina teórica hasta convertirse en una realidad tecnológica emergente. Aunque los principales proveedores en la nube ya ofrecen acceso a hardware cuántico real, su adopción en sistemas reales sigue limitada por importantes desafíos de software. Entre ellos se encuentran la heterogeneidad del hardware, los ecosistemas específicos de cada proveedor, los modelos de programación de bajo nivel, los elevados costes de ejecución, los tiempos de espera y la falta de metodologías de ingeniería comparables a las del desarrollo clásico. En este contexto, la Ingeniería del Software Cuántico (QSE) surge como un área clave para cerrar la brecha entre las tecnologías cuánticas y las prácticas consolidadas de la ingeniería del software. Esta tesis doctoral por compendio investiga cómo avanzar de forma sistemática en QSE en entornos de computación cuántica como servicio, acercando el desarrollo cuántico a paradigmas clásicos mediante abstracción y gestión eficiente de recursos. El trabajo propone reducir la fragmentación entre proveedores adaptando patrones y conceptos de la computación clásica. En particular, presenta: (i) un análisis de la heterogeneidad de las principales plataformas cuánticas y el diseño de una capa de acceso independiente del proveedor; (ii) mecanismos de traducción para la ejecución portable de circuitos; (iii) estrategias de consolidación de cargas de trabajo a nivel de circuito; y (iv) un modelo de ejecución híbrido que integra multi-programación y ejecución distribuida basada en disparos. En conjunto, la tesis demuestra que adaptar principios consolidados de ingeniería mejora la viabilidad y sostenibilidad de la computación cuántica.
Esta tesis abordó el problema de la multiplicación segura de datos cifrados, donde se requiere preservar la seguridad y la integridad de los datos, con este objetivo se propuso el diseño y validación de un modelo híbrido – clásico cuántico – el cual multiplica polinomios cifrados, parte fundamental del criptosistema homomórfico aproximado Cheon–Kim–Kim-Song (CKKS), fundamentado en el problema Ring Learning With Errors (RLWE). Asimismo, esta solución empleó convoluciones cuánticas mediante la Quantum Fourier Transform (QFT), para explorar sus propiedades de interferencia y superposición en el dominio cuántico criptográfico. Metodológicamente, el modelo se implementó mediante circuitos cuánticos simulados utilizando el framework Qiskit, en conjunto con la librería criptográfica Microsoft SEAL y el lenguaje Python, lo que permitió evaluar el comportamiento del modelo en un entorno mixto – clásico cuántico. Los resultados obtenidos demostraron que el producto calculado sobre datos cifrados mediante un criptosistema homomórfico cuántico corresponde – dentro de un margen de error acotado y controlado – al producto en texto plano, validando que el uso de técnicas cuánticas en un criptosistema clásico no afecta la seguridad de los datos y preserva la fidelidad algebráica. Durante la multiplicación cuántica, los datos permanecieron ininteligibles, accesibles unicamente por un usuario autorizado, lo que constituye un aporte relevante y escalable para el desarrollo de modelos de procesamiento seguro de datos en escenarios cuánticos.