🌌 Exploración y divulgación de los fundamentos básicos de Quantum Machine Learning (QML) en la Facultad de Ingeniería y Ciencias Básicas de la Universidad Autónoma de Occidente
El Quantum Machine Learning (QML) se ubica en el punto de encuentro entre la Inteligencia Artificial (IA) y la Computación Cuántica, ofreciendo un nuevo marco de trabajo para explorar y procesar información.
Mientras el Machine Learning clásico aprende patrones a partir de datos mediante modelos matemáticos, el QML utiliza las propiedades de la mecánica cuántica para representar y manipular información de forma más rica y potencialmente más eficiente.
Este repositorio tiene como objetivo divulgar y hacer accesibles los fundamentos conceptuales del QML, acercando su comprensión a la comunidad académica de la Facultad de Ingeniería y Ciencias Básicas de la Universidad Autónoma de Occidente.
Este material está diseñado para estudiantes de ingeniería y ciencias básicas interesados en comprender los principios esenciales del Quantum Machine Learning desde una perspectiva educativa y conceptual, sin requerir conocimientos previos avanzados de programación ni física cuántica.
A continuación se presentan las tres capas conceptuales que estructuran el aprendizaje del QML, desde la base clásica del Machine Learning hasta su integración con la mecánica cuántica.
El Machine Learning (ML) es una rama de la inteligencia artificial que busca entrenar modelos capaces de aprender patrones a partir de datos, imitando el proceso de aprendizaje humano.
Los algoritmos de ML permiten que las máquinas tomen decisiones, clasifiquen información o realicen predicciones sin estar explícitamente programadas para cada tarea.
Tipos de aprendizaje:
- Aprendizaje Supervisado: Los modelos se entrenan con datos etiquetados (por ejemplo, reconocer imágenes de gatos y perros).
- Aprendizaje No Supervisado: El sistema busca patrones o agrupamientos en datos sin etiquetas, descubriendo estructuras ocultas.
- Aprendizaje por Refuerzo: El modelo aprende por prueba y error, optimizando sus acciones a partir de recompensas o penalizaciones.
Métricas comunes de evaluación:
- Precisión: Porcentaje de predicciones correctas.
- Recall (Exhaustividad): Capacidad del modelo para identificar todos los casos relevantes.
- F1-Score: Promedio armónico entre precisión y recall, equilibrando ambas medidas.
Para comprender el QML, es necesario introducir los conceptos básicos de la información cuántica, donde los datos dejan de ser simples ceros y unos, y se representan mediante estados cuánticos.
-
Qubit:
Es la unidad fundamental de información cuántica. A diferencia del bit clásico (que solo puede ser 0 o 1), un qubit puede estar en una superposición de ambos estados al mismo tiempo. -
Superposición:
Permite que un qubit represente múltiples estados simultáneamente hasta que se mide, momento en el cual “colapsa” a un resultado específico.
Este principio otorga a la computación cuántica su carácter paralelo y altamente expresivo. -
Entrelazamiento:
Fenómeno en el que dos o más qubits se correlacionan de tal forma que el estado de uno depende instantáneamente del otro, sin importar la distancia.
Es una propiedad clave para la comunicación y procesamiento cuántico. -
Circuitos Cuánticos:
Son secuencias de operaciones lógicas (puertas cuánticas) que manipulan los qubits.
Ejemplos como el Algoritmo de Grover muestran cómo la computación cuántica puede acelerar búsquedas en grandes volúmenes de datos, ilustrando su ventaja potencial frente a los métodos clásicos.
El Quantum Machine Learning combina técnicas de aprendizaje clásico con la capacidad de procesamiento cuántico, formando modelos híbridos que integran lo mejor de ambos mundos.
En el QML, los kernels cuánticos redefinen la forma en que los datos son representados.
Se busca mapear los datos a un espacio cuántico, donde las diferencias entre clases o patrones se vuelven más distinguibles gracias a la geometría de los estados cuánticos.
Este enfoque permite evaluar la similitud entre datos desde una perspectiva cuántica.
Un modelo variacional diseña un circuito cuántico con parámetros ajustables, los cuales se optimizan mediante algoritmos clásicos.
De manera similar a una red neuronal, el sistema aprende a mejorar su rendimiento ajustando dichos parámetros.
Este tipo de modelo constituye uno de los pilares actuales en la investigación y simulación del QML.
El repositorio contiene material educativo, guías teóricas y ejemplos de simulación controlada orientados a la comprensión conceptual del Quantum Machine Learning.
Entre los recursos se incluyen:
- Guías explicativas: Documentos que introducen y relacionan los principios del ML clásico con los fundamentos cuánticos.
- Ejemplos ilustrativos: Notebooks y simulaciones que muestran cómo los modelos híbridos pueden clasificar datos y calcular métricas de desempeño.
- Recursos visuales: Diagramas y esquemas que facilitan la interpretación de los procesos cuántico-clásicos.
Todo el contenido está orientado a favorecer la divulgación científica y el aprendizaje autodirigido dentro del entorno universitario.
| Nombre | Rol | Universidad |
|---|---|---|
| Juan David Álvarez Arce | Divulgador / Coordinador del proyecto | Universidad Autónoma de Occidente |
| Juan Steban Burbano Hidalgo | Analista conceptual | Universidad Autónoma de Occidente |
| David Santiago Granados | Investigador en aprendizaje automático | Universidad Autónoma de Occidente |
| Santiago López Velasco | Diseñador de material educativo | Universidad Autónoma de Occidente |
Promover el aprendizaje accesible y la divulgación científica de los conceptos fundamentales del Quantum Machine Learning, impulsando la formación interdisciplinaria y el interés por la computación cuántica dentro de la comunidad académica.
“Comprender el mundo cuántico no solo amplía los límites de la ciencia, sino también los de nuestra imaginación.”
— Equipo QML UAO 💫