Aprendizaje automático cuántico para la clasificación de imágenes

Resumen La clasificación de imágenes, una tarea fundamental en múltiples industrias, enfrenta desafíos computacionales debido al creciente volumen de datos visuales. Esta investigación aborda estos desafíos introduciendo dos modelos de aprendizaje automático cuántico que aprovechan los principios de la mecánica cuántica para cálculos efectivos. Nuestro primer modelo, una red neuronal cuántica híbrida con circuitos cuánticos paralelos, permite la ejecución de cálculos incluso en la era cuántica intermedia ruidosa, donde los circuitos con un gran número de qubits son actualmente inviable. Este modelo demostró una precisión de clasificación récord del 99.21% en el conjunto de datos MNIST completo, superando el rendimiento de los modelos cuántico-clásicos conocidos, mientras que tiene ocho veces menos parámetros que su contraparte clásica. Además, los resultados de las pruebas de este modelo híbrido en un Medical MNIST (precisión de clasificación superior al 99%) y en CIFAR-10 (precisión de clasificación superior al 82%), pueden servir como evidencia de la generalizabilidad del modelo y resalta la eficiencia de las capas cuánticas en distinguir características comunes de los datos de entrada. Nuestro segundo modelo introduce una red neuronal cuántica híbrida con una capa de Quanvolución, reduciendo la resolución de la imagen a través de un proceso de convolución. El modelo iguala el rendimiento de su contraparte clásica, teniendo cuatro veces menos parámetros entrenables, y supera a un modelo clásico con parámetros de peso iguales. Estos modelos representan avances en la investigación de aprendizaje automático cuántico y iluminan el camino hacia sistemas de clasificación de imágenes más precisos.