Línea de investigación: Aprendizaje automático

Quantum Machine Learning

Aprendizaje Automático Cuántico (Quantum Machine Learning)

El Aprendizaje Automático Cuántico (Quantum Machine Learning - QML) se sitúa en la intersección vanguardista de la Mecánica Cuántica y la Ciencia de Datos. Esta disciplina emergente explora cómo los principios de la física cuántica —como la superposición y el entrelazamiento— pueden utilizarse para mejorar los algoritmos de aprendizaje automático y, de manera recíproca, cómo las técnicas de machine learning pueden aplicarse para resolver problemas complejos en sistemas cuánticos. Nuestro grupo de investigación en la Universidad de Granada está comprometido con el desarrollo teórico y experimental de esta nueva generación de algoritmos, aprovechando la potencia computacional de las tecnologías cuánticas para superar las limitaciones de los enfoques clásicos.

El hardware cuántico, aunque todavía en una fase NISQ (Noisy Intermediate-Scale Quantum), tiene el potencial de ofrecer una ventaja cuántica sustancial para tareas computacionalmente intensivas, particularmente en el ámbito del machine learning. Al codificar la información en cúbits en lugar de bits clásicos, el QML busca acelerar el entrenamiento de modelos, mejorar la eficiencia del procesamiento de datos y permitir el análisis de conjuntos de datos de una complejidad intratable para las arquitecturas clásicas actuales.

Nuestra línea de investigación se articula en torno a varios proyectos clave que abordan tanto los fundamentos teóricos como las aplicaciones prácticas de esta disciplina.

Proyectos Clave en Quantum Machine Learning

Detección de Entrelazamiento con Técnicas de Machine Learning Clásico y Cuántico

El entrelazamiento cuántico es el recurso fundamental que dota a la computación cuántica de su poder. Sin embargo, su detección y cuantificación en sistemas multipartitos es una tarea notoriamente difícil, especialmente a medida que aumenta el número de partículas. En este proyecto, exploramos cómo los algoritmos de machine learning, tanto clásicos (como Redes Neuronales Convolucionales o Support Vector Machines) como cuánticos, pueden utilizarse para identificar y caracterizar el entrelazamiento.

Utilizamos datos de mediciones experimentales (como densidades de probabilidad y matrices de densidad) para entrenar modelos capaces de discriminar entre estados entrelazados y separables, o incluso clasificar diferentes tipos de entrelazamiento. El objetivo es desarrollar detectores de entrelazamiento eficientes y robustos que no requieran la reconstrucción completa del estado cuántico (tomografía), lo cual es exponencialmente costoso. Esta investigación es crucial para la verificación y caracterización de futuros hardware cuánticos.

Redes Neuronales Cuánticas (Quantum Neural Networks - QNNs)

Las Redes Neuronales Cuánticas (QNNs) son una de las arquitecturas más prometedoras en QML. Estas redes extienden el concepto de las redes neuronales artificiales clásicas, reemplazando las funciones de activación y las capas de procesamiento por circuitos cuánticos parametrizados. El entrenamiento de estas redes se realiza ajustando los parámetros de las puertas cuánticas (rotaciones), buscando minimizar una función de coste que evalúa el rendimiento del modelo en una tarea específica (clasificación, regresión).

Investigamos el diseño óptimo de las arquitecturas de QNNs, abordando desafíos como el problema de la "meseta barrena" (barren plateau), donde el gradiente de la función de coste se desvanece exponencialmente con el número de cúbits. Nuestro trabajo se centra en desarrollar estrategias de inicialización, optimización y codificación de datos (mapeo de datos clásicos a estados cuánticos) que maximicen el rendimiento de las QNNs en tareas como la clasificación de imágenes o la detección de anomalías.

Algoritmos Variacionales Cuánticos (Quantum Variational Algorithms - QVAs)

Los Algoritmos Variacionales Cuánticos (QVAs) representan la columna vertebral del QML en la era NISQ. Son algoritmos híbridos que combinan un circuito cuántico parametrizado (el ansatz) que se ejecuta en un procesador cuántico con un optimizador clásico que ajusta iterativamente los parámetros. El ejemplo más conocido es el Eigensolver Cuántico Variacional (VQE), utilizado para encontrar los valores propios (energías) de Hamiltonianos cuánticos.

Nuestra investigación en QVAs se centra en: 1) el diseño de ansatzes eficientes y hardware-aware, optimizados para arquitecturas cuánticas específicas; 2) la aplicación de estos algoritmos a problemas de optimización, simulación química y física de materiales; y 3) la mejora de los bucles de optimización clásicos para mitigar el ruido y acelerar la convergencia del algoritmo. Los QVAs son herramientas fundamentales para la simulación cuántica, un área donde se espera la primera ventaja cuántica real.

Paseos Cuánticos con Aplicaciones a Machine Learning (Quantum Walks)

Los Paseos Cuánticos (Quantum Walks) son el análogo cuántico de los Paseos Aleatorios (Random Walks) clásicos y ofrecen un marco poderoso para la exploración de gráficos y la búsqueda de información. La característica cuántica crucial es la interferencia, que permite una exploración más rápida y con una mayor probabilidad de encontrar el destino.

Este proyecto explora la aplicación de los Quantum Walks, tanto discretos como continuos, a problemas de machine learning, particularmente la clasificación de datos en gráficos (graph clustering) y la construcción de kernel cuánticos (Quantum Kernels). Investigamos cómo la estructura de un paseo cuántico puede utilizarse para codificar eficientemente la similitud entre puntos de datos, lo que conduce a clasificadores con potencial de rendimiento superior a sus contrapartes clásicas. Además, exploramos el uso de paseos cuánticos para desarrollar algoritmos de muestreo cuántico y acelerar la propagación de información en modelos de machine learning.

Redes Neuronales Cuánticas

No Comments Yet

Las Redes Neuronales Cuánticas (QNNs) son una de las arquitecturas más prometedoras en QML. Estas redes extienden el concepto de las redes neuronales artificiales clásicas, reemplazando las funciones de activación y las capas de procesamiento por circuitos cuánticos parametrizados.