⚛️ quantum physics

Regression and Classification with Single-Qubit Quantum Neural Networks

Este artículo presenta una Red Neuronal Cuántica de Un Solo Qubit (SQQNN) eficiente en recursos que utiliza una novedosa técnica de carga de datos y un método de entrenamiento inspirado en la regresión polinómica para lograr un rendimiento rápido y libre de errores tanto en tareas de regresión como de clasificación en dispositivos cuánticos de corto plazo.

Autores originales: Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

Publicado 2026-08-12

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Leandro C. Souza, Bruno C. Guingo, Gilson Giraldi, Renato Portugal

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando enseñar a una computadora a reconocer patrones, como detectar un gato en una foto o predecir el clima de mañana. Durante décadas, hemos usado computadoras "clásicas", que piensan en bits: interruptores diminutos que son un 0 o un 1. Pero hay un nuevo jugador en la escena llamado computación cuántica. En lugar de interruptores simples, las computadoras cuánticas usan "qubits". Piensa en un qubit no como un interruptor de luz, sino como una moneda girando. Mientras está girando, no es solo cara o cruz; es un desenfoque de ambas al mismo tiempo. Esto permite que las computadoras cuánticas exploren muchas posibilidades simultáneamente, como intentar probar cada llave en un llavero gigante a la vez en lugar de una por una.

La gran pregunta que los científicos se hacen es: ¿Podemos usar estas monedas inestables y giratorias para construir mejores "redes neuronales"? Las redes neuronales son el software inteligente detrás de la IA que aprende de los datos. Usualmente, estas redes son enormes y hambrientas de energía. Pero, ¿y si pudiéramos construir una IA súper eficiente usando solo una pequeña y diminuta moneda cuántica? Este es el patio de juegos del "Aprendizaje Automático Cuántico" (Quantum Machine Learning), un campo donde las extrañas reglas de la física cuántica se encuentran con la magia de la detección de patrones de la IA. El objetivo es crear modelos que sean tan pequeños y eficientes que puedan ejecutarse en las frágiles computadoras cuánticas de etapa temprana que tenemos ahora, en lugar de esperar a máquinas masivas y perfectas del futuro.

Entra la Red Neuronal Cuántica de un Solo Qubit (SQQNN por sus siglas en inglés), una idea ingeniosa propuesta por los investigadores Leandro C. Souza y su equipo. Ellos se hicieron una pregunta simple: ¿Necesitamos una máquina cuántica gigante y compleja para aprender, o podemos lograr el trabajo con un solo y diminuto qubit? Su respuesta es un rotundo "sí, podemos". Construyeron un modelo que actúa como una única, superinteligente neurona cuántica. En lugar de usar un ejército masivo de qubits, su sistema utiliza solo una moneda giratoria para procesar información.

Así es como funciona su truco de magia. En una computadora normal, una "neurona" toma números, hace algo de matemáticas y escupe una respuesta. En la SQQNN, la "neurona" es un solo qubit. Los investigadores alimentan datos a este qubit haciéndolo girar en direcciones específicas (usando lo que llaman puertas de rotación). Es como decirle a la moneda giratoria: "Gira un poco más si la entrada es caliente, y gira menos si es fría". Después de que el qubit ha sido girado y retorcido basado en los datos, los investigadores lo miden. Debido a las reglas cuánticas, el resultado no es un simple sí o no, sino una probabilidad: una suposición que se inclina hacia un lado u otro. Al ajustar los "ángulos de giro" (los pesos), la red aprende a hacer mejores suposiones con el tiempo.

El equipo descubrió que esta configuración diminuta de un solo qubit es sorprendentemente poderosa. La probaron en dos tipos principales de tareas: regresión (predecir un número, como cuánta electricidad producirá una planta de energía) y clasificación (clasificar cosas en grupos, como distinguir si un tumor es benigno o maligno).

Para los trabajos de predicción de números, utilizaron un método estándar llamado "descenso de gradiente". Imagina que estás bajando una montaña con niebla con los ojos vendados. Sientes el suelo bajo tus pies; si la pendiente baja, das un paso en esa dirección. Si la pendiente sube, retrocedes. La SQQNA hace esto matemáticamente, sintiendo la "pendiente" de sus errores y ajustando sus ángulos para deslizarse hacia el error más bajo posible. Probaron esto en acertijos lógicos (como las puertas clásicas AND, OR, XOR) y datos del mundo real como la producción de una planta de energía. Los resultados fueron impresionantes: la red de un solo qubit aprendió estas tareas con muy pocos pasos y errores diminutos, superando a menudo a modelos cuánticos más antiguos y complejos que usaban dos qubits.

Para los trabajos de clasificación, inventaron un truco de entrenamiento completamente nuevo. En lugar de bajar la montaña paso a paso, utilizaron un método de "mínimos cuadrados lineales basados en polinomios". Piensa en esto como tener un mapa que muestra exactamente el fondo del valle de un solo vistazo, en lugar de tropezar por la niebla. Al convertir el problema en un tipo específico de acertijo matemático, pudieron calcular la respuesta perfecta en un solo paso. Esto hizo que el entrenamiento fuera increíblemente rápido, tomando a menudo solo unos segundos en una computadora portátil común. Lo probaron con conjuntos de datos famosos como los datos de cáncer de mama de Wisconsin (clasificando células cancerosas) e incluso partes del conjunto de datos MNIST (reconociendo números escritos a mano). En muchos casos, la red de un solo qubit logró una precisión casi perfecta, distinguiendo entre pares complicados de números como "2 y 3" o "8 y 9" con más del 97% de éxito.

Los investigadores son cuidadosos al notar que estos resultados provienen de simulaciones. Ejecutaron su modelo cuántico en una computadora clásica que pretendía ser una cuántica. Aún no lo han ejecutado en una máquina cuántica real, pero son optimistas. ¿Por qué? Porque las operaciones de un solo qubit están entre las cosas más confiables que podemos hacer en el hardware cuántico actual. Son menos propensas a romperse o generar ruido que los sistemas complejos de múltiples qubits. Esto sugiere que cuando finalmente lo ejecuten en hardware real, debería funcionar bien.

En resumen, este artículo sugiere que no necesitamos esperar a supercomputadoras cuánticas masivas y libres de errores para empezar a hacer IA útil. Al usar un enfoque de "menos es más" con una sola moneda cuántica bien ajustada, podemos construir modelos que son rápidos, precisos y listos para los dispositivos cuánticos que tenemos hoy. Es un recordatorio de que, a veces, la herramienta más poderosa no es la más grande, sino la que sabe exactamente cómo girar.

Resumen Técnico: Regresión y Clasificación con Redes Neuronales Cuánticas de Un Solo Qubit

Planteamiento del Problema
El artículo aborda la necesidad de Redes Neuronales Cuánticas (QNN) que sean eficientes en recursos y escalables, adecuadas para dispositivos cuánticos de la era NISQ (cuántica de escala intermedia con ruido). Mientras que el aprendizaje automático clásico ha transformado el reconocimiento de patrones y la toma de decisiones, la computación cuántica ofrece ventajas potenciales a través del paralelismo y el entrelazamiento. Sin embargo, muchas arquitecturas de QNN existentes requieren circuitos complejos de múltiples qubits que son propensos al ruido y la decoherencia. Los autores proponen una Red Neuronal Cuántica de un Solo Qubit (SQQNN) para realizar tareas tanto de regresión como de clasificación binaria utilizando los mínimos recursos cuánticos, específicamente aprovechando neuronas de un solo qubit y operadores unitarios parametrizados.

Metodología
La arquitectura SQQNN propuesta se basa en un modelo generalizado de neurona cuántica de un solo qubit.

Modelo de Neurona: La unidad fundamental es un único qubit sometido a una secuencia de puertas de rotación $R_z(\alpha)R_y(\beta)R_z(\gamma)$ , donde los ángulos son funciones de los datos de entrada. La salida es el valor de la esperanza de un observable $O$ , medido tras un cambio de base unitario $U_O$ . Los autores definen una ecuación de salida general (Ec. 1) dependiente de los parámetros del estado de entrada y de los pesos entrenables.
Arquitectura: La red consiste en $K$ neuronas de un solo qubit conectadas secuencialmente. El efecto acumulativo de estas neuronas es matemáticamente equivalente a una única neurona cuántica efectiva.
Codificación de Datos: A diferencia de enfoques anteriores que descomponen entradas de alta dimensión en múltiples vectores 3D (aumentando la profundidad del circuito), este método emplea una estrategia de "re-carga de datos" (data re-uploading). Los datos de entrada se preprocesan clásicamente para calcular los ángulos de las puertas de rotación. Específicamente, los parámetros de rotación se modelan como funciones polinómicas aditivas de las características de entrada (Ec. 4), lo que permite a la red manejar dimensiones arbitrarias de entrada directamente.
Modelo Reducido: Se introduce una versión simplificada de la SQQNN donde el estado de entrada y el observable están fijos (medidos en la base computacional), reduciendo los parámetros entrenables a un único ángulo $\beta$ por neurona, que suma un ángulo de rotación global.
Estrategias de Entrenamiento:
- Regresión: El modelo utiliza el Descenso de Gradiente para minimizar el Error Cuadrático Medio (MSE). Los autores proporcionan expresiones analíticas para las derivadas parciales de la salida con respecto a los ángulos de la red, lo que facilita una optimización eficiente.
- Clasificación: Para la clasificación binaria, los autores introducen un novedoso método de Mínimos Cuadrados Lineales (LLS) basado en Polinomios. Al transformar el problema de clasificación en una tarea de regresión mediante una función $\text{arctanh}$ sobre las etiquetas, los pesos pueden determinarse en un solo paso utilizando la pseudo-inversa de Moore–Penrose (Ec. 6). Este enfoque busca un minimizador global de la función objetivo cuadrática de mínimos cuadrados transformada, evitando los mínimos locales comunes en los métodos iterativos basados en gradiente.

Contribuciones Clave

Arquitectura Eficiente en Recursos: La propuesta de una QNN de un Solo Qubit que generaliza el trabajo previo (Ref. [31]) al manejar entradas multidimensionales sin descomponerlas, reduciendo así la profundidad del circuito y las demandas de hardware.
Algoritmo de Entrenamiento Novedoso: El desarrollo de un método de entrenamiento de forma cerrada y basado en matrices para la clasificación, inspirado en la regresión polinómica. Este método permite una estimación de parámetros rápida y determinista en un solo paso, acelerando significativamente el entrenamiento en comparación con el descenso de gradiente iterativo.
Versatilidad: Demostración de la capacidad de la SQQNN para realizar tanto regresión (puertas lógicas, funciones continuas, conjuntos de datos del mundo real) como clasificación binaria (conjuntos de datos sintéticos y reales) con alta precisión.

Resultos
Los autores evaluaron la SQQNN utilizando simulaciones clásicas de circuitos cuánticos en diversos conjuntos de datos:

Tareas de Regresión:
- Puertas Lógicas: La SQQNN logró errores de entrenamiento bajos (MSE entre $6 \cdot 10^{-4}$ y $2 \cdot 10^{-3}$ ) para las puertas AND, OR, XOR, NAND, NOR y XNOR con relativamente pocos épocas de descenso de gradiente (38–79).
- Función Sinc: El modelo aproximó con éxito la función oscilatoria sinc, manteniendo el rendimiento incluso con la adición de ruido blanco, convergiendo a un MSE de aproximadamente $10^{-3}$ .
- Conjuntos de Datos del Mundo Real: En el conjunto de datos de la Planta de Energía de Ciclo Combinado (CCPP), el modelo logró un MSE de prueba de $0.0035 \pm 0.0002$ , superando los resultados cuánticos previos por un orden de magnitud. En el conjunto de datos de Comunidades y Crimen, logró un MSE de prueba de $0.1195 \pm 0.0252$ , significativamente inferior a los referentes clásicos citados en la literatura.
Tareas de Clasificación:
- Dos Lunas (Two Moons): El modelo alcanzó un 100% de precisión en este conjunto de datos sintético no linealmente separable con un orden de modelo $K_{code} \ge 4$ .
- Cáncer de Mama de Wisconsin (WBCD): El modelo alcanzó una precisión de $0.956 \pm 0.028$ , superando ligeramente a un ensamble de bagging cuántico reportado en la literatura.
- MNIST: Utilizando una SQQNN reducida con $K_{code}=1$ y preprocesamiento de Transformada de Coseno Discreta (DCT), el modelo logró una precisión casi perfecta (por ejemplo, $0.999 \pm 0.001$ para los dígitos 0 vs. 1) en tareas de clasificación de dígitos binarios. Los tiempos de entrenamiento se reportaron en aproximadamente 8 segundos por iteración en una computadora portátil estándar.

Significancia y Reivindicaciones
El artículo afirma que la SQQNN ofrece una alternativa versátil, escalable y práctica a los modelos de múltiples qubits para dispositivos cuánticos de corto plazo. Al depender de puertas de un solo qubit, que son entre las operaciones más fiables en el hardware actual con una decoherencia mínima, el modelo es adecuado para su despliegue en dispositivos NISQ. Los autores enfatizan que el método de entrenamiento LLS basado en polinomios proporciona una aceleración significativa para las tareas de clasificación al encontrar los minimizadores globales de la función objetivo cuadrática de mínimos cuadrados transformada en un solo paso.

Los resultados demuestran que la SQQNN puede aprender relaciones lineales y no lineales con un fuerte desempeño en muchos de los escenarios probados. Aunque los resultados actuales se basan en simulaciones clásicas, los autores señalan que la profundidad superficial y la naturaleza de un solo qubit de los circuitos los hacen favorables para el hardware cuántico real, aunque la validación experimental en dispositivos reales sigue siendo un paso futuro necesario. El trabajo subraya el potencial de los modelos cuánticos ligeros para cerrar la brecha entre las capacidades actuales del hardware cuántico y las aplicaciones prácticas de aprendizaje automático.

Más como este