Mejorando el Rendimiento del Aprendizaje Automático Cuántico mediante Técnicas de Aprendizaje por Transferencia

Resumen El aprendizaje automático cuántico (QML) es un campo interdisciplinario en rápido crecimiento en la intersección de la computación cuántica y el aprendizaje automático, que busca aprovechar las propiedades únicas de la mecánica cuántica para abordar desafíos computacionales complejos y mejorar el rendimiento algorítmico. A pesar de su potencial, el QML enfrenta desafíos significativos como la complejidad computacional, la eficiencia de los datos y los requisitos de recursos. Este documento introduce un nuevo enfoque de aprendizaje por transferencia para mejorar el rendimiento y la eficiencia de los modelos cuánticos. Al aprovechar el conocimiento de modelos cuánticos previamente entrenados, nuestro método reduce el tiempo de entrenamiento y mejora la precisión, haciendo que el QML sea más práctico para aplicaciones del mundo real. Los resultados experimentales validan la efectividad de nuestro enfoque, demostrando mejoras sustanciales tanto en precisión como en tiempo de entrenamiento. Números PACS: 03.67.Ac, 03.67.Lx, 03.67.Mn, 03.67.Pp