⚛️ quantum physics

Evaluation of Variational Quantum Classifiers (VQC) for Cyberattack Detection in the NISQ Era

Este artículo evalúa un Clasificador Cuántico Variacional de 4 cúbits en el conjunto de datos NSL-KDD, encontrando que si bien logra un 88% de precisión en la clasificación binaria, su bajo rendimiento en tareas multiclasa y la brecha significativa respecto a una línea base clásica sugieren que la compresión agresiva de datos en estados cuánticos restringidos limita la expresividad más que los algoritmos de optimización siendo el principal cuello de botella.

Autores originales: Angelos Thomos, Theodore Andronikos

Publicado 2026-06-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Angelos Thomos, Theodore Andronikos

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

La Gran Idea: Intentar meter una maleta en un estuche de lápices

Imagina que estás intentando guardar una maleta enorme y compleja llena de ropa (datos de red) en un estuche de lápices diminuto (una computadora cuántica de 4 cúbits). El objetivo es ver si este "estuche de lápices cuántico" puede distinguir entre un atuendo normal (tráfico seguro) y un arma peligrosa escondida entre la ropa (un ciberataque).

Los investigadores de la Universidad Ionia en Grecia intentaron construir un Clasificador Cuántico Variacional (VQC). Piensa en esto como un robot cuántico que aprende a detectar a los malos en el tráfico de red. Utilizaron un conjunto de datos famoso llamado NSL-KDD, que es como una biblioteca gigante de ataques de red pasados.

El Experimento: El truco de la "Amplitud"

Para meter los datos en la diminuta máquina de 4 cúbits, utilizaron una técnica llamada Codificación de Amplitud (Amplitude Encoding).

La Analogía: Imagina que tienes 16 colores diferentes de pintura. En lugar de ponerlos en 16 cubetas separadas, intentas mezclar todos en una sola gota de agua, donde la intensidad del color representa el dato.
El Resultado: Esto es increíblemente eficiente (ahorras espacio), pero también es "con pérdida" (lossy). Estás aplastando mucha información en un espacio muy pequeño.

¿Qué pasó? (Los Resultados)

1. La Prueba Binaria (Bueno vs. Malo)
Primero, le hicieron una pregunta simple al robot cuántico: "¿Es este tráfico normal o un ataque?".

La Puntuación: El robot acertó el 88% de las veces.
La Verificación: Los investigadores se preocuparon: "¿Tal vez el robot se quedó atascado en un mal punto y no aprendió correctamente?". Así que probaron con dos "maestros" (optimizadores) diferentes para entrenarlo: uno que piensa de forma muy cuidadosa (COBYLA) y otro que lanza golpes al azar para encontrar el mejor camino (SPSA).
El Hallazgo: Ambos maestros obtuvieron exactamente la misma puntuación del 88%. Esto demostró que el robot no era "estúpido" ni estaba mal entrenado; simplemente se quedó sin espacio. El "estuche de lápices" era demasiado pequeño para contener suficiente detalle para hacerlo mejor.

2. La Prueba Difícil (Los 22 tipos de ataques)
Después, le pidieron al robot que fuera más específico. En lugar de solo decir "Malo", le pidieron que identificara 22 tipos diferentes de ataques (como un virus específico frente a un hacker específico).

La Puntuación: El robot colapsó. Obtuvo solo un 9% de precisión.
El Error: El robot básicamente se rindió. Empezó a adivinar los mismos dos tipos de ataques para todo, ignorando los otros 20 tipos por completo.
La Analogía: Es como un estudiante tomando un examen con 22 preguntas. En lugar de intentar responderlas, el estudiante simplemente escribe "Manzana" para cada una de las preguntas porque está tan abrumado por la complejidad que no puede distinguir las preguntas entre sí.

La Comparación: El "Cerebro Diminuto" Clásico

Para ver si el problema era la naturaleza cuántica de la máquina o simplemente el tamaño pequeño de los datos, construyeron un cerebro de computadora clásico diminuto (un "MLP diminuto") que fue forzado a usar exactamente la misma cantidad pequeña de datos.

La Puntuación: Este cerebro clásico diminuto obtuvo un 97% de precisión.
La Lección: Los datos no eran el problema. El problema era que la máquina cuántica no podía "doblar" los datos de la misma forma que la máquina clásica. La máquina cuántica estaba intentando usar líneas rectas para separar formas que necesitaban curvas, y se estaba quedando sin espacio para dibujar esas curvas.

La Conclusión: No aplastes los datos

El artículo concluye que, para la generación actual de computadoras cuánticas (llamadas dispositivos NISQ, que son pequeños y un poco "ruidosos"), intentar comprimir demasiados datos en muy pocos cúbits (usando la Codificación de Amplitud) es un callejón sin salida.

El Veredicto: Puedes obtener resultados aceptables (88%) para tareas simples de "Bueno vs. Malo", pero tan pronto como necesitas ser específico, el modelo cuántico colapsa porque pierde demasiado detalle durante el proceso de "empaquetado".

El Plan Futuro: La idea de "Un rasgo, un cúbit"

Los autores sugieren una nueva forma de hacer esto. En lugar de comprimir 16 colores en una sola gota, proponen dar a cada color su propia cubeta.

El Nuevo Plan: Usar 16 cúbits (cubetas) para 16 rasgos.
El Beneficio: Esto se llama Codificación de Ángulo (Angle Encoding). No comprime los datos. Distribuye los datos en un espacio enorme y de alta dimensión donde los diferentes tipos de ataques están naturalmente separados y son fáciles de distinguir.
El Problema: Simular una máquina de 16 cúbits en una computadora normal es increíblemente lento y pesado. El artículo señala que aún no han probado esto completamente porque requiere demasiada potencia de cómputo en este momento, pero creen que esta es la única forma de que la detección de ciberataques cuánticos funcione en el futuro.

Resumen en una frase

El artículo encontró que intentar forzar datos complejos de ciberataques en un formato cuántico comprimido y diminuto funciona bien para tareas simples, pero falla estrepitosamente para tareas detalladas, lo que sugiere que las futuras computadoras cuánticas necesitan más "espacio" (cúbits) para manejar los datos sin aplastarlos primero.

Resumen Técnico: Evaluación de Clasificadores Cuánticos Variacionales para la Detección de Ciberataques en la Era NISQ

Planteamiento del Problema
El artículo aborda el desafío de aplicar el Aprendizaje Automático Cuántico (QML) a la detección de intrusiones en redes dentro de las limitaciones de la era de la Tecnología Cuántica de Escala Intermedia con Ruido (NISQ). Si bien los Clasificadores Cuánticos Variacionales (VQC) ofrecen teóricamente una separabilidad no lineal a través de espacios de Hilbert de alta dimensión, su aplicación práctica se ve obstaculizada por las limitaciones del hardware, específicamente el número limitado de cúbits y la decoherencia. La pregunta central de investigación investiga si un VQC que utiliza Codificación de Amplitud (Amplitude Encoding) —que comprime datos clásicos en un número restringido de cúbits— puede servir como una solución efectiva para detectar anomalías de red en el conjunto de datos NSL-KDD, o si esta estrategia de codificación impone un techo de rendimiento estructural.

Metodología
El estudio emplea un marco experimental riguroso utilizando el subconjunto de investigación oficial del 20% del conjunto de datos NSL-KDD (25,192 registros), particionado en divisiones de entrenamiento/prueba de 80/20. La metodología se centra en una configuración arquitectónica específica:

Preprocesamiento de Datos: Las características categóricas se convirtieron mediante Codificación de Objetivo (Target Encoding) para evitar la dispersión, seguido de un Análisis de Componentes Principales (PCA) para reducir las 41 características originales a 16 componentes principales (reteniendo aproximadamente el 86.78% de la varianza).
Arquitectura Cuántica: Se construyó un VQC de 4 cúbits. Los 16 componentes de PCA se integraron en el espacio de estados de 4 cúbits utilizando Codificación de Amplitud ( $2^4 = 16$ ). El componente entrenable consistió en un ansatz RealAmplitudes con 5 repeticiones, lo que resultó en 24 parámetros entrenables.
Estrategia de Optimización: Para distinguir entre fallos de optimización y límites de expresibilidad estructural, el estudio utilizó dos optimizadores fundamentalmente diferentes: COBYLA (determinista, libre de gradientes) y SPSA (estocástico, resiliente al ruido).
Líneas Base Comparativas: El VQC se comparó con un modelo de Regresión Logística y un "Tiny MLP" (una red neuronal clásica con una capa oculta de 4 nodos) para asegurar la paridad arquitectónica respecto a la dimensionalidad de entrada y la complejidad.
Alcance Experimental: Los experimentos incluyeron clasificación binaria (Normal vs. Ataque) y clasificación multiclase (4 familias agrupadas y 22 categorías de ataque puras).

Resultos Clave

Rendimiento de Clasificación Binaria: El VQC de 4 cúbits alcanzó una precisión constante del 88% en el conjunto de prueba reservado. Crucialmente, tanto el optimizador COBYLA como el SPSA se estancaron en esta misma precisión exacta, lo que indica que el límite de rendimiento no se debe a que el optimizador se haya quedado atrapado en mínimos locales, sino que es una propiedad intrínseca de la arquitectura.
Benchmarking Clásico: Bajo la misma compresión de entrada (16 características de PCA), un Tiny MLP clásico con una capa oculta de 4 nodos logró un 97% de precisión. Esto sugiere que el conjunto de datos retiene la separabilidad lineal tras la compresión, pero que el modelo cuántico, debido a su dependencia de transformaciones unitarias lineales (sin funciones de activación no lineales como ReLU), no puede desenredar eficazmente las amplitudes de probabilidad comprimidas.
Fallo Multiclase (Colapso de Modo): Al entrenarse en un conjunto equilibrado de las 22 categorías de ataque puras y evaluarse in-sample, el VQC colapsó a una precisión del 9%. El modelo falló al distinguir entre clases, prediciendo solo dos clases específicas ('back' y 'buffer overflow') para la gran mayoría de las entradas. Este "colapso de modo degenerativo" sugiere que la compresión agresiva de 16 características en 4 cúbits mediante la Codificación de Amplitud hace que las firmas de ataque distintas se vuelvan indistinguibles (alta fidelidad) dentro del espacio de probabilidad cuántica, provocando una pérdida de la separabilidad lineal.

Contribuciones Clave

Línea Base Empírica para IDS en NISQ: El artículo establece una línea base cuantitativa que demuestra que, si bien los VQC pueden funcionar para la detección de anomalías binarias, enfrentan severos cuellos de botella estructurales cuando se aplican a la detección de intrusiones multiclase granular bajo las restricciones de NISQ.
Aislamiento de Optimización vs. Expresibilidad: Al demostrar que tanto los optimizadores deterministas como los estocásticos producen un techo de rendimiento idéntico, el estudio proporciona evidencia empírica de que el límite de rendimiento es un problema de expresibilidad estructural causado por la Codificación de Amplitud, más que un artefacto de optimización.
Cuantificación del "Cuello de Botella Cuántico": La investigación destaca que la reducción de dimensionalidad clásica agresiva (PCA) combinada con la Codificación de Amplitud puede eliminar componentes críticos de la varianza necesarios para la separación de clases minoritarias, lo que conduce a una pérdida de la información de separación de clases que los modelos no lineales clásicos aún pueden recuperar.
Propuesta de Paradigmas Alternativos: El artículo plantea un cambio de la Codificación de Amplitud hacia la Codificación de Ángulo (Angle Encoding) con un enfoque de "Un Rasgo por Cúbit" (por ejemplo, un VQC de 16 cúbits). Este enfoque aprovecha el Teorema de Cover para expandir la dimensionalidad del espacio de Hilbert, asegurando teóricamente la separabilidad lineal para vectores de ataque complejos y no lineales sin depender de una compresión clásica con pérdida de información.

Significancia y Reivindicaciones
El artículo afirma modestamente proporcionar una respuesta definitiva a la pregunta de investigación específica sobre los VQC de 4 cúbits con Codificación de Amplitud en el subconjunto del 20% de NSL-KDD. No pretende haber probado un límite matemático universal para todos los clasificadores cuánticos, ni aislar la codificación como la única causa del fallo sin reconocer posibles factores de confusión como la profundidad del ansatz o el presupuesto del optimizador (aunque identifica la codificación como el motor más probable).

La significancia reside en la identificación constructiva de un modo de fallo: la actual estrategia de "Economía Cuántica" de comprimir datos en pocos cúbits es insuficiente para la detección de ciberataques multiclase complejos. El artículo argumenta que realizar la promesa teórica del QML en este dominio requiere abandonar la reducción agresiva de dimensionalidad clásica en favor de arquitecturas que preserven la granularidad de los datos mediante codificaciones escalables y de alta fidelidad (como la Codificación de Ángulo) y la ejecución en hardware físico para superar las sobrecargas de simulación.