Exploring Quantum Computing applications in Machine Learning: Variational Classifiers & Quantum Convolution

Este proyecto explora las aplicaciones de la computación cuántica (QC) en el ámbito del aprendizaje automático (ML). Comienza con un análisis de la mecánica cuántica, la computación cuántica, los algoritmos cuánticos y el aprendizaje automático cuántico. Se centra en el Clasificador Cuántico Variacional (QVC) y la Convolución Cuántica (QCNN), dos modelos híbridos cuántico-clásicos, destacando las sinergias entre la computación cuántica y el aprendizaje automático.
Se analiza el estado actual y el progreso en cuanto a hardware y algoritmos cuánticos, revisando las tecnologías más populares para construir qubits físicos y la literatura más reciente sobre aprendizaje automático cuántico. El trabajo resalta la clara brecha entre los algoritmos cuánticos en el marco teórico y su aplicabilidad práctica, evidenciando la necesidad de arquitecturas híbridas para acortarla.
Después, se implementan los modelos híbridos previamente discutidos, QVC y QCNN, usando la librería PennyLane con el plugin de Qiskit, y la plataforma de computación cuántica de IBM. En los resultados se muestran métricas de rendimiento para nuestros modelos en simuladores cuánticos y ordenadores cuánticos, evidenciando las limitaciones del hardware cuántico actual para las aplicaciones de aprendizaje automático. Los experimentos revelan el largo tiempo de ejecución para este tipo de algoritmos en los ordenadores cuánticos de acceso gratuito, como los disponibles en la plataforma IBMQ.
La tesis concluye con una reflexión sobre el potencial del aprendizaje automático cuántico, centrándose en los desafíos actuales y la escalabilidad futura.

This thesis explores quantum computing (QC) applications in machine learning (ML). It begins with an analysis of quantum mechanics, quantum computing, quantum algorithms and quantum machine learning. It focuses on the Variational Quantum Classifier (VQC) and Quanvolution (Quantum Convolution), two hybrid quantum-classical models, highlighting the synergies between QC and ML.
The current state of the field and the progress in quantum hardware and quantum algorithms are examined by reviewing popular technologies to build physical qubits and the latest literature on quantum machine learning. The work shows the clear gap between theoretical quantum algorithms and their practical applicability, evidencing the need for quantum-classical hybrid architectures to bridge the divide.
Then, the hybrid models previously discussed, VQC and QCNN, are implemented using technologies such as PennyLane, Qiskit, and IBM's Quantum Computing platform. Results provide performance metrics for our models on quantum simulators and quantum computers, acknowledging the limitations of current quantum hardware for ML applications. The experiments reveal how these types of algorithms take an extremely long time to run on freely available cloud quantum computers, such as the IBMQ platform.
The thesis concludes with a reflection on the potential for quantum machine learning, focusing on the current challenges and future scalability.