Proyecto:
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.
Las QNNs son el análogo cuántico del deep learning. Investigamos la optimización de los circuitos cuánticos parametrizados (PQC) que actúan como capas de la red, centrándonos en el diseño de mapas de características (feature maps) eficaces para codificar datos clásicos en el espacio de Hilbert. Un desafío clave es la mitigación del fenómeno de la meseta barrena (barren plateau), que dificulta el entrenamiento. Exploramos técnicas como la optimización con información cuántica geométrica y el uso de QNNs de profundidad variable para garantizar que los gradientes de la función de coste sean lo suficientemente grandes para permitir un aprendizaje rápido y convergente en los dispositivos NISQ actuales y futuros.
