⚛️ quantum physics

Enhanced Variational Quantum Kolmogorov-Arnold Network

Este artículo presenta la Red de Kolmogorov-Arnold Cuántica Variacional Mejorada (EVQKAN), un ansatz cuántico variacional que mejora la precisión del ajuste de funciones sobre los métodos cuánticos existentes pero que actualmente enfrenta limitaciones de clasificación significativas y altos costos de circuito debido al sobreajuste y las demandas de recursos, posicionándose como una arquitectura a escala de simulador en lugar de una solución para la era NISQ.

Autores originales: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

Publicado 2026-07-30

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Hikaru Wakaura, Rahmat Mulyawan, Andriyan B. Suksmono

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

El patio de recreo cuántico: Donde las matemáticas se encuentran con la magia

Imagina que estás intentando enseñar a una computadora a reconocer patrones, como detectar un gato en una foto o predecir el clima. Durante décadas, hemos utilizado "redes neuronales", que son básicamente cerebros digitales hechos de capas de diminutos procesadores (neuronas) conectados por cables. En estos cerebros digitales, el "aprendizaje" ocurre ajustando la fuerza de las conexiones entre las neuronas. Es como ajustar las perillas de volumen en una enorme mesa de mezclas hasta que la música suene perfecta.

Pero, ¿qué pasaría si, en lugar de solo girar perillas, las conexiones mismas pudieran cambiar de forma? Imagina que los cables que conectan las neuronas no fueran solo cables estáticos, sino que pudieran estirarse, retorcerse y transformarse en cualquier curva que necesitaran para resolver un problema. Esta es la idea detrás de un nuevo tipo de IA llamada Red Kolmogorov-Arnold (KAN, por sus siglas en inglés). Es un giro inteligente al diseño antiguo que hace que las matemáticas sean mucho más eficientes.

Ahora, imagina tomar esta IA súper eficiente e intentar ejecutarla en una computadora cuántica. Las computadoras cuánticas son la próxima gran revolución en la computación; utilizan las extrañas reglas del mundo subatómico (como que las partículas estén en dos lugares a la vez) para resolver problemas que a las computadoras normales les tomaría una eternidad. La gran pregunta que los científicos se hacen es: ¿Podemos construir una versión cuántica de esta IA que cambia de forma? Si podemos, podría aprender más rápido y mejor que cualquier cosa que tengamos hoy. Este artículo trata sobre un equipo que intenta construir esa máquina cuántica, viendo qué tan bien funciona y descubriendo por qué a veces tropieza.

La máquina cuántica que cambia de forma

Los autores de este artículo, Hikaru Wakaura y sus colegas, han construido un nuevo diseño que llaman Red Kolmogorov-Arnold Cuántica Variacional Mejorada, o EVQKAN por su sigla en inglés. Piensa en EVQKAN como una receta muy específica para un circuito cuántico. En una computadora cuántica normal, tienes "qubits" (la versión cuántica de los bits) que pueden ser 0, 1, o ambos al mismo tiempo. Para hacerlos aprender, aplicas una serie de puertas (operaciones) que rotan estos qubits.

En la receta de EVQKAN, la parte del "aprendizaje" es manejada por curvas matemáticas especiales llamadas splines. En lugar de tener solo una rotación fija, las puertas cuánticas están controladas por estas curvas flexibles. La gran innovación del equipo es una forma ingeniosa de organizar estas curvas utilizando un método de "teselado" (tiling). Imagina que estás tratando de cubrir un piso con baldosas. En lugar de hacer una baldosa gigante y personalizada para cada lugar, descubrieron cómo usar unos pocos patrones inteligentes y repetitivos (rotaciones controladas) para cubrir todo el piso de manera eficiente. Este diseño les permite usar muchas menos "perillas" para girar (parámetros entrenables) que otros métodos cuánticos, lo cual es algo enorme porque menos perillas significan que la computadora tiene más fácil encontrar la configuración correcta.

El gran concurso de ajuste: ¿Quién gana?

Para ver si EVQKAN realmente funciona, el equipo lo puso en un concurso contra otros modelos cuánticos e incluso contra un modelo de IA clásica. El primer desafío fue un problema de ajuste (fitting). Imagina que tienes una dispersión de puntos en un gráfico y necesitas dibujar una línea suave que los conecte perfectamente.

En esta simulación, EVQKAN fue la estrella del espectáculo. Cuando se le pidió dibujar esa línea a través de los puntos, hizo un trabajo significativamente mejor que los otros modelos cuánticos (como la Red Neuronal Cuántica estándar o la antigua VQKAN). De hecho, en cada uno de los diez intentos que realizaron, EVQKAN venció a los modelos cuánticos anteriores. Fue mucho más consistente, tanto que sus resultados fueron casi siempre mejores que los de la competencia.

Sin embargo, había un truco. Aunque EVQKAN fue el mejor modelo cuántico, todavía no pudo vencer al KAN clásico (la versión no cuántica ejecutándose en una computadora normal). El modelo clásico seguía siendo el más preciso. Por lo tanto, aunque EVQKAN demostró que este nuevo diseño cuántico es una gran mejora respecto a los intentos cuánticos anteriores, aún no ha logrado vencer a la mejor IA no cuántica.

El giro de la clasificación: Cuando el guion se invierte

Luego, el equipo probó un desafío diferente: la clasificación. Esto es como clasificar un montón de canicas rojas y azules mezcladas en dos frascos separados. Crearon un escenario donde las canicas estaban dispuestas en un patrón complicado, y la IA tenía que adivinar a qué frasco pertenecía cada canica.

Aquí, la historia cambió completamente. Cuando la tarea fue clasificar las canicas, EVQKAN lo hizo peor que los otros modelos cuánticos. Logró hacerlo mejor que el azar (obteniendo aproximadamente un 62% de aciertos), pero la Red Neuronal Cuántica (QNN) estándar lo aplastó, logrando un 75% de aciertos. Esto fue sorprendente porque EVQKAN tenía menos "perillas" para girar y se suponía que era más eficiente.

Los autores fueron muy cuidadosos aquí. Se dieron cuenta de que en una versión anterior de su trabajo, accidentalmente le habían dado a EVQKAN una "hoja de trucos" al introducir la respuesta (la etiqueta) directamente en la máquina como una pista, mientras que los otros modelos no recibieron esa pista. Corrigieron este "error de filtración" y repitieron la prueba. Incluso con un campo de juego justo, EVQKAN perdió el juego de clasificación. Esto nos dice que el truco de teselado que hace que EVQKAN sea excelente dibujando líneas (ajuste) no necesariamente ayuda a clasificar cosas (clasificación).

Por qué no está lista para tu teléfono todavía

Entonces, ¿por qué esta super-IA cuántica no está corriendo en tu laptop o teléfono? La respuesta reside en el costo del circuito.

Para que EVQKAN funcione, el equipo tuvo que construir un circuito muy complejo. Para solo tres capas de esta red, el circuito requiere 4,110 puertas de dos qubits tras desglosar las operaciones complejas. Para ponerlo en perspectiva, las computadoras cuánticas actuales (llamadas dispositivos NISQ) son muy ruidosas y solo pueden manejar una fracción mínima de eso antes de que la información se desordene. Los autores son honestos: este diseño es actualmente un proyecto a "escala de simulador". Funciona perfectamente en una simulación de computadora donde no hay ruido, pero es demasiado grande y complejo para el hardware cuántico real de hoy en día.

El problema del sobreajuste: Demasiadas preguntas, muy pocas respuestas

El equipo también investigó por qué los modelos cuánticos no eran tan precisos como los clásicos. Encontraron un culpable principal: el sobreajuste (overfitting).

Imagina que estás estudiando para un examen de matemáticas. Si solo tienes 10 preguntas de práctica pero estás tratando de memorizar 96 reglas diferentes, podrías memorizar perfectamente las respuestas de esas 10 preguntas pero fallar en el examen real porque no aprendiste el concepto general. Eso fue lo que pasó aquí. El modelo tenía 96 "perillas" para girar pero solo fue entrenado con 10 puntos de datos.

Los autores probaron esto dándole al modelo más preguntas de práctica (aumentando los datos de entrenamiento de 10 a 100 puntos). Cuando hicieron esto, la brecha entre qué tan bien le iba al modelo en las preguntas de práctica frente al examen real se redujo en un 58%. Esto demostró que el modelo no estaba "roto"; simplemente necesitaba más datos para aprender correctamente. Sin embargo, incluso con más datos, el modelo cuántico todavía no lograba alcanzar al modelo clásico.

La conclusión

El artículo concluye que EVQKAN es una nueva arquitectura prometedora que hace que la IA cuántica sea mucho mejor para ajustar curvas que los intentos anteriores. Es más confiable y precisa que otros métodos cuánticos para ese trabajo específico. Sin embargo, tiene dificultades con las tareas de clasificación y es actualmente demasiado compleja para ejecutarse en hardware cuántico real debido a la enorme cantidad de puertas requeridas.

Los autores dejan claro que esto es un trabajo en progreso. Sugieren que el trabajo futuro debe centrarse en simplificar el circuito (quizás usando nuevos trucos matemáticos llamados "codificación de bloques") y probar cómo escala el modelo. Por ahora, EVQKAN es una brillante simulación que nos muestra el camino a seguir, pero el viaje hacia una IA cuántica del mundo real que supere a las computadoras clásicas aún está por delante.

Resumen Técnico: Red Kolmogorov-Arnold Cuántica Variacional Mejorada (EVQKAN)

Planteamiento del Problema
La Red Kolmogorov-Arnold (KAN) es una arquitectura de red neuronal donde las funciones entrenables residen en las sinapsis (bordes) en lugar de en las neuronas, ofreciendo ventajas potenciales en interpretabilidad y eficiencia. Aunque las KAN clásicas han mostrado resultados prometedores, sus implementaciones cuánticas enfrentan obstáculos significativos. Los enfoques actuales de KAN cuántica sufren un compromiso entre precisión y costo de recursos:

Red Kolmogorov-Arnold Cuántica Variacional (VQKAN): Carece de la precisión suficiente para tareas prácticas.
Red Kolmogorov-Arnold Cuántica (usando Codificación de Bloques/Procesamiento de Señal Cuántica): Requiere un gran número de puertas de control y cúbits ancilla, lo que la hace inadecuada para los dispositivos actuales de Escala Intermedia con Ruido Cuántico (NISQ) y difícil de optimizar a medida que aumenta el tamaño de la red.

Los autores pretenden cerrar esta brecha proponiendo una variante de KAN cuántica que equilibre la eficiencia de parámetros con la complejidad del circuito, dirigiéndose específicamente a tareas de ajuste de funciones y clasificación.

Metodología: Red Kolmogorov-Arnold Cuántica Variacional Mejorada (EVQKAN)
Los autores introducen la EVQKAN, un ansatz variacional diseñado para emular una matriz de capa KAN de dimensión $2^{N_q}$ . La metodología central involucra:

Arquitectura: La red utiliza una "construcción de operador de suma de teselas" para emular las capas KAN. En lugar de entrenar parámetros para cada elemento en la matriz de la capa, la EVQKAN emplea rotaciones controladas distribuidas en teselas (tiled) a través del circuito.
Eficiencia de Parámetros: Una capa con $N_q$ cúbits (dimensión $2^{N_q}$ ) requiere solo $2^{N_q-1}$ funciones spline entrenables. Cada spline está definida por $N_g$ puntos de control. Para un sistema de 3 cúbits ( $N_q=3$ ) con 8 puntos de control ( $N_g=8$ ) y 3 capas, el modelo utiliza solo 96 parámetros entrenables, en comparación con los cientos o miles requeridos por los enfoques basados en elementos de matriz.
Codificación de Entrada: El vector de entrada se codifica en el estado inicial. Los ángulos de rotación para el ansatz se generan evaluando las funciones spline entrenables sobre los valores de lectura de la capa anterior.
Construcción del Circuito: El ansatz se construye utilizando puertas de rotación multicontroladas. Los autores señalan que esta construcción se basa en operadores de suma implementados mediante técnicas de codificación de bloques.
Optimización: Los parámetros se optimizan utilizando el algoritmo COBYLA (a menos que se especifique lo contrario) para minimizar una función de pérdida definida como la distancia absoluta entre el valor de la esperanza del Hamiltoniano y el valor de la función objetivo.
Entorno de Simulación: Todos los resultados reportados se basan en simulaciones de estado vectorial sin ruido con infinitos disparos (shots). Los autores declaran explícitamente que la construcción actual no está lista para NISQ debido al alto número de puertas.

Resultados Clave

Tarea de Ajuste de Funciones:
- Desempeño: La EVQKAN superó significativamente a las Redes Neuronales Cuánticas (QNN), la VQKAN y la VQKAN Adaptativa en el ajuste de una función elemental ( $f(x) = \exp(\sin(x_0^2 + x_1^2) + \sin(x_2^2 + x_3^2))$ ).
- Estadísticas: Sobre diez intentos independientes, la EVQKAN logró un error de prueba medio de $15.088 \pm 1.739$ , frente a $25.965$ para QNN y $\approx 22.6$ para VQKAN. La diferencia fue estadísticamente significativa ( $p < 0.002$ ) con grandes tamaños de efecto (Cliff's $\delta \le -0.86$ ). En cada instancia, la EVKNA superó a la VQKAN.
- Fiabilidad: La EVKNA demostró una varianza notablemente menor (DE $\approx 1.7$ ) en comparación con QNN (DE $\approx 7.0$ ), lo que indica una mayor reproducibilidad.
- Línea Base Clásica: La KAN clásica siguió siendo el método más preciso ($13.497$), confirmando que el modelo cuántico no superó a su contraparte clásica en esta tarea, pero la separación entre los métodos cuánticos fue clara.
Tarea de Clasificación:
- Corrección de Protocolo: Los autores retiraron los resultados de una versión anterior de este trabajo debido a un error de "filtración" (leakage) donde la etiqueta objetivo se codificó inadvertidamente como una característica en el circuito EVKNA pero no en los modelos de comparación.
- Resultados Revisados: Bajo un protocolo libre de filtración donde todos los métodos compartían la misma codificación y características, el orden de desempeño se invirtió. La EVKNA clasificó por encima del azar (precisión $0.620$, $p=0.0005$ ) pero fue significativamente menos precisa que una QNN con un quinto de los parámetros (precisión de QNN $0.754$, $\Delta \text{precisión} = -0.134$ , $p=0.0014$ ).
- Conclusión: La ventaja del ansatz de teselas observada en el ajuste de funciones no se transfirió a la tarea de clasificación.
Limitaciones y Fuentes de Error:
- Sobreajuste (Overfitting): La principal fuente de error en la tarea de ajuste se identificó como el sobreajuste impulsado por un conjunto de entrenamiento subdeterminado (10 muestras para 96 parámetros). Aumentar el tamaño del conjunto de entrenamiento de 10 a 100 muestras cerró la brecha entre entrenamiento y prueba en un 58%, aunque la precisión de prueba mejoró solo marginalmente (9%).
- Costo del Circuito: La construcción es computacionalmente costosa. Una EVKNA de 3 capas con $N_q=3$ emite 1017 operaciones, que se descomponen en 4110 puertas de dos cúbits. Esto sitúa al método en la categoría de "escala de simulador" y "era de tolerancia a fallos", mucho más allá de las capacidades actuales de NISQ.

Significado y Reivindicaciones
El artículo reivindica tres contribuciones principales:

Arquitectura: Una KAN cuántica variacional con parámetros eficientes (EVKNA) que reduce el número de funciones entrenables a la raíz cuadrada de la dimensión de la capa, haciéndola competitiva entre los modelos cuánticos para el ajuste de funciones.
Rigor Metodológico: La introducción de un protocolo "libre de filtración" y métricas estándar (precisión, AUC) que permiten comparaciones honestas y justas entre las variantes de KAN cuántica, corrigiendo errores metodológicos previos.
Análisis Cuantitativo: Una identificación clara de los cuellos de botella actuales: el sobreajuste debido a conjuntos de entrenamiento pequeños y el costo prohibitivo de las puertas multicontroladas.

Conclusiones Modestas
Los autores son explícitos en que la EVKNA aún no es una solución para los dispositivos NISQ. Afirman que la superioridad del método se limita actualmente a tareas específicas (ajuste de funciones) y que el costo del circuito debe reducirse mediante codificación de bloques y qubitización antes de que su despliegue en hardware sea factible. Además, reconocen que los métodos clásicos (KAN clásica, Regresión Logística, MLP) superan actualmente a todos los métodos cuánticos probados en ambas tareas, y que la importancia del artículo reside en establecer una jerarquía entre los modelos cuánticos en lugar de demostrar una ventaja cuántica sobre la computación clásica.