[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-121458-en":3,"doc-seo-121458-105":30,"detail-sidebar-cat-0-en-105":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},121458,13056703019662,"Evangeline","https://ap-avatar.wpscdn.com/avatar/be000253a8e92610077?_k=1778726343310543188",8,"Research & Report","Quantum Machine Learning: Fonaments i Implementacions Pràctiques","This work explores the foundations and practical implementations of Quantum Machine Learning (QML), an emerging field at the intersection of quantum computing and machine learning. It starts by examining the limitations of classical learning algorithms on algebraically structured tasks, such as classification based on the discrete logarithm. After introducing quantum computing concepts—qubits, gates, circuits, and entanglement—it builds hybrid models using quantum feature maps and variational circuits via Qiskit simulations in ideal and noisy settings. Two supervised models are implemented and evaluated, highlighting circuit expressivity and noise sensitivity while clarifying QML’s theoretical potential, current constraints, and directions for future research toward more robust encodings, entanglement-centric circuits, and hardware-level experimentation.","Treball 􀀌nal de grau  \nGRAU D'ENGINYERIA  \n􀀒  \nINFORMATICA  \nFacultat de Matem􀀒atiques i Inform􀀒atica Universitat de Barcelona  \nQuantum Machine Learning: Fonaments i Implementacions  \nPr􀀒actiques  \nAutor: Josep Arnau Belmonte Juliachs  \nDirector: Albert Catal􀀓an Tatjer  \nRealitzat a: Departament de Matem􀀒atiques i Inform􀀒atica  \nBarcelona, 10 de juny de 2025  \nAbstract  \nThis work explores the foundations and practical implementations of Quantum Machine Learning (QML), an emerging 􀀌eld at the intersection of quantum computing and machine learning. The study begins by analyzing the limitations of classical learning algorithms, particularly in problems with algebraic structure, such as classi􀀌cation based on the discrete logarithm | a task considered intractable under classical complexity assumptions.  \nAfter introducing the principles of quantum computing, including qubits, gates, circuits, and entanglement, the work focuses on how quantum feature maps and variational circuits can be used to build hybrid learning models. The Qiskit library is used as the main development framework, with simulations carried out in both idealand noisy environments, as well as using primitives like Sampler and Estimator introduced in Qiskit 2 .0.  \nTwo supervised learning models are implemented: a Quantum Kernel Estimator (QKE) inspired by the work of Liu et al. (2020), and a Variational Quantum Classi􀀌er (VQC) trained on the Breast Cancer Wisconsin dataset. While the quantum models did not outperform classical counterparts in practice, the experiments highlight the challenges of building expressive circuits and the sensitivity of quantum algorithms to noise.  \nOverall, this project o􀀋ers a rigorous and critical understanding of current QML techniques, emphasizing their theoretical potential, current limitations, and the importance of future research in more robust encodings, entanglement-based circuits, and hardware-level experimentation.  \nResum  \nAquest treball explora els fonaments i les implementacions pr􀀒actiques del Quantum Machine Learning (QML), una disciplina emergent que combina la computaci􀀓o qu􀀒antica amb l'aprenentatge autom􀀒atic. Es parteix de la limitaci􀀓o dels models cl􀀒assics per abordar certs problemes, com el de classi􀀌caci􀀓o basada en el logaritme discret, i s'analitza com la codi􀀌caci􀀓o qu􀀒antica pot superar aquestes barreres mitjan􀀘cant espais de caracter􀀓􀀐stiques no accessibles cl􀀒assicament.  \nLa mem􀀒oria inclou una an􀀒alisi te􀀒orica de la computaci􀀓o qu􀀒antica |amb especial atenci􀀓o als qubits, portes qu􀀒antiques, circuits i fen􀀒omens com l'entrella􀀘cament ila decoher􀀒encia| i introdueix els components clau del QML: codi􀀌caci􀀓o de dades, mapes de caracter􀀓􀀐stiques qu􀀒antics i circuits variacionals. Tamb􀀓e es descriu l'ecosistema de desenvolupament amb Qiskit, incloent simuladors amb i sense soroll, aix􀀓􀀐 com l'􀀓us de primitives modernes com Sampler i Estimator.  \nA nivell pr􀀒actic, es presenten dos experiments principals: un model de Quantum Kernel Estimation (QKE) aplicat a un problema algebraicment estructurat, i un Variational Quantum Classi􀀌er (VQC) entrenat sobre dades reals de c􀀒ancer de mama. Tot i que els resultats no han demostrat un avantatge emp􀀓􀀐ric clar sobre  \nmodels cl􀀒assics, el treball posa en relleu les di􀀌cultats reals associades al desenvolupament de models qu􀀒antics 􀀓utils i valida la viabilitat t􀀒ecnica de construir, executari optimitzar aquests sistemes en simuladors.  \nAquesta investigaci􀀓o proporciona una base s􀀒olida per a futures exploracions en QML, destacant la necessitat de circuits m􀀓es expressius, millor acc􀀓es a hardware qu􀀒antic i estrat􀀒egies d'entrenament m􀀓es robustes. M􀀓es enll􀀒a dels resultats concrets, el treball contribueix a entendre el potencial del QML com a eina complement􀀒aria per abordar problemes d'aprenentatge que romanen dif􀀓􀀐cils per a la computaci􀀓o cl􀀒assica.  \n􀀓  \nIndex  \n1 Introducci􀀓o 1  \n2 Quan el Machine Learning cl􀀒assic falla: una porta per al Quantum  \nMachine ","cbCaifci0E4pb0Wj","https://ap.wps.com/l/cbCaifci0E4pb0Wj","pdf",4193000,1,41,"English","en",105,"# Introducció\n## Limitacions del Machine Learning clàssic\n## Avantatge formal del Quantum Machine Learning\n## Un problema de classificació intractable clàssicament\n## Codificació quàntica i separació en espais de Hilbert\n## Resultat formal: avantatge robust del model quàntic\n## Valor teòric del resultat i motivació per al QML\n# Fonaments de computació quàntica\n## Introducció general\n## El qubit: unitat fonamental d'informació quàntica\n## Superposició: multiplicació de l'espai d'estats\n## L'entrellaçament: correlacions no clàssiques\n## Portes quàntiques i operadors unitaris\n## Circuits quàntics: estructures de càlcul\n## Decoherència i errors quàntics\n## Conclusió\n# Introducció a Quantum Machine Learning\n## Definició i Motivació\n## Tècniques híbrides i Variacionals\n## Codificació de Dades Clàssiques\n## Mapes de Característiques Quàntiques (Quantum Feature Maps)\n## Tipus d'Algorismes en Quantum Machine Learning\n# Ecosistema actual de la computació quàntica\n## Panoràmica de llibreries i plataformes\n## Simuladors: execució local i amb soroll\n## Primitives: execució estàndard moderna\n## Exemple conceptual: Sampler i Estimator sobre un circuit de Bell\n## Conclusió\n# Kernel Quàntic\n## Definició\n## Implementació","[{\"question\":\"Quina és la motivació principal del Quantum Machine Learning en aquest treball?\",\"answer\":\"El treball parteix de les limitacions dels algorismes clàssics en tasques amb estructura algebraica i analitza com la codificació quàntica pot obrir possibilitats mitjançant espais de característiques no accessibles clàssicament.\"},{\"question\":\"Quins conceptes de computació quàntica s’utilitzen per construir models híbrids?\",\"answer\":\"S’hi introdueixen qubits, portes, circuits i l’entrellaçament, i s’exploren mapes de característiques quàntiques i circuits variacionals per combinar aprenentatge automàtic i mecànica quàntica.\"},{\"question\":\"Com s’avaluen els models QKE i VQC i quins resultats es destaquen?\",\"answer\":\"Es desenvolupen dos models supervisats: un Quantum Kernel Estimator i un Variational Quantum Classifier, entrenats i simulats en entorns ideals i sorollosos. Els resultats no superen de forma clara els mètodes clàssics, i l’estudi posa l’accent en la dificultat d’aconseguir circuits expressius i en la sensibilitat al soroll.\"}]","Quantum Machine Learning: Fonaments i Implementacions Pràctiques | PDF",1785735752,103,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"quantum-machine-learning-foundations-and-practical-implementations","",{"@graph":36,"@context":85},[37,54,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/document/research-report/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/document/quantum-machine-learning-foundations-and-practical-implementations/121458/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":62,"encodingFormat":61,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-03",true,{"@type":65,"interactionType":66,"userInteractionCount":20},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"Quina és la motivació principal del Quantum Machine Learning en aquest treball?","Question",{"text":75,"@type":76},"El treball parteix de les limitacions dels algorismes clàssics en tasques amb estructura algebraica i analitza com la codificació quàntica pot obrir possibilitats mitjançant espais de característiques no accessibles clàssicament.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Quins conceptes de computació quàntica s’utilitzen per construir models híbrids?",{"text":80,"@type":76},"S’hi introdueixen qubits, portes, circuits i l’entrellaçament, i s’exploren mapes de característiques quàntiques i circuits variacionals per combinar aprenentatge automàtic i mecànica quàntica.",{"name":82,"@type":73,"acceptedAnswer":83},"Com s’avaluen els models QKE i VQC i quins resultats es destaquen?",{"text":84,"@type":76},"Es desenvolupen dos models supervisats: un Quantum Kernel Estimator i un Variational Quantum Classifier, entrenats i simulats en entorns ideals i sorollosos. Els resultats no superen de forma clara els mètodes clàssics, i l’estudi posa l’accent en la dificultat d’aconseguir circuits expressius i en la sensibilitat al soroll.","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,97,101,105,110,115,120,123,128,131,135],{"id":20,"doc_module":4,"doc_module_name":46,"category_name":94,"show_sort_weight":95,"slug":96},"Story & Novel",90,"story-novel",{"id":47,"doc_module":4,"doc_module_name":46,"category_name":98,"show_sort_weight":99,"slug":100},"Literature",80,"literature",{"id":53,"doc_module":4,"doc_module_name":46,"category_name":102,"show_sort_weight":103,"slug":104},"Exam",70,"exam",{"id":106,"doc_module":4,"doc_module_name":46,"category_name":107,"show_sort_weight":108,"slug":109},5,"Comic",60,"comic",{"id":111,"doc_module":4,"doc_module_name":46,"category_name":112,"show_sort_weight":113,"slug":114},6,"Technology",50,"technology",{"id":116,"doc_module":4,"doc_module_name":46,"category_name":117,"show_sort_weight":118,"slug":119},7,"Healthcare",40,"healthcare",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":121,"slug":122},30,"research-report",{"id":124,"doc_module":4,"doc_module_name":46,"category_name":125,"show_sort_weight":126,"slug":127},9,"Religion & Spirituality",20,"religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":129,"show_sort_weight":126,"slug":130},"World Cup","world-cup",{"id":132,"doc_module":4,"doc_module_name":46,"category_name":133,"show_sort_weight":132,"slug":134},10,"Lifestyle","lifestyle",{"id":136,"doc_module":4,"doc_module_name":46,"category_name":137,"show_sort_weight":106,"slug":138},19,"General","general"]