Quantum Circuit Learning: Un framework híbrido para la implementación de Machine Learning en procesadores cuánticos

Fecha: Miércoles 4 de septiembre a las 12 horas.

Meet: Enlace

Resumen
La investigación teórica y las simulaciones numéricas demuestran que un circuito cuántico puede aproximar funciones no lineales de manera eficiente. Quantum Circuit Learning (QCL) es un marco en el que un circuito cuántico aprende una tarea ajustando iterativamente sus parámetros de implementación. Este proceso comienza codificando los datos de entrada en estados cuánticos mediante operadores unitarios, los cuales se introducen en un circuito cuántico compuesto por compuertas simples. Los parámetros de estas compuertas son optimizados clásicamente hasta lograr el resultado deseado. El trabajo explora varias aplicaciones de esta técnica. Por un lado, se investiga cómo el QCL puede aplicarse a una tarea clásica de clasificación, demostrando su capacidad para aprender y generalizar a partir de datos etiquetados. Por otro lado, se muestra cómo puede ajustar la dinámica de un sistema de 10 espines, simulando el comportamiento del sistema cuántico. Esta metodología evita la necesidad de circuitos cuánticos de alta profundidad, ya que no requiere realizar operaciones matriciales complejas, acercándonos a la implementación práctica de dispositivos cuánticos a corto plazo en el aprendizaje automático.

Sofía Perón Santana es licenciada en física, egresada de FAMAF. Actualmente, es estudiante del Doctorado en Física y becaria de CONICET. Su investigación está orientada a la aplicación de técnicas de aprendizaje automático a problemas de Mecánica Cuántica.