[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-118451-es":3,"doc-seo-118451-110":31,"detail-sidebar-cat-0-es-110":92},{"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":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},118451,2336475104042,"Skyler","https://ap-avatar.wpscdn.com/avatar/22000c4c32af1715be0?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786537525561427321",41,"Investigación e Informes","QUANTUM MACHINE LEARNING - REDES NEURONALES HÍBRIDAS - TRABAJO FIN DE GRADO","Trabajo fin de grado centrado en el Quantum Machine Learning y en el uso de redes neuronales cuánticas e híbridas para combinar computación cuántica y clásica. Parte de una introducción a la computación cuántica: qubits, circuitos cuánticos, puertas, esfera de Bloch, mediciones y particularidades como no clonación, teletransportación y paralelismo/interferencia. Posteriormente desarrolla la base de machine learning y redes neuronales, y aplica el enfoque a circuitos variacionales, entrenamiento, retos NISQ y eficiencia mediante ejemplos de detección de señales físicas.","QUANTUM MACHINE LEARNING: REDES NEURONALES HÍBRIDAS  \nTRABAJO FIN DE GRADO DE FÍSICA  \nFACULTAD DE CIENCIAS  \nDOBLE GRADO EN MATEMÁTICAS Y FÍSICA  \nMIGUEL CARRASCO ARANGO  \nTUTORIZADO POR IGNACIO FERNÁNDEZ RÚA Y  \nELÍAS FERNÁNDEZ-COMBARRO ÁLVAREZ.  \nPRESENTADO EN: JULIO DE 2024  \nÍndice general  \nPágina  \nIntroducción 5  \n1. Computación Cuántica 8  \n1.1. Breve introducción a la computación cuántica . . . . . . . . . . . . . . . . . . . . . . 8  \n1.2. ¿Qué son los qubits? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9  \n1.3. Circuitos Cuánticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10  \n1.3.1. Puertas Cuánticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11  \n1.4. La esfera de Bloch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12  \n1.5. Trabajando con múltiples qubits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16  \n1.5.1. Sistemas de dos qubits   16  \n1.5.2. Entrelazamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19  \n1.5.3. Sistemas de n qubits   19  \n1.5.4. Conjuntos de puertas cuánticas universales . . . . . . . . . . . . . . . . . . . 20  \n1.6. Medidas y observables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21  \n1.6.1. Medidas proyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22  \n1.7. Particularidades de la Computación Cuántica   23  \n1.7.1. Teorema de no clonación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24  \n1.7.2. Teletransportación cuántica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24  \n1.7.3. Codificación superdensa   26  \n1.7.4. Paralelismo cuántico e interferencia . . . . . . . . . . . . . . . . . . . . . . . . 27  \n1.8. Ordenadores actuales y simuladores clásicos . . . . . . . . . . . . . . . . . . . . . . . 28  \nResumen del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29  \n2. Machine Learning 30  \n2.1. Introducción al machine learning ............................. 30  \n2.2. Redes neuronales artificiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33  \n2.2.1. Funciones de activación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35  \n2.2.2. Función pérdida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36  \n2.2.3. Optimizando el valor de la función de pérdida   37  \n2.3. Desempeño de los clasificadores binarios   39  \nResumen del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40  \n3. Redes Neuronales Cuánticas 42  \n3.1. Quantum machine learning ................................ 42  \n3.2. Redes neuronales cuánticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44  \n3.3. Circuitos variacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45  \n3.3.1. Feature maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45  \n3.3.2. Formas variacionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48  \n3.4. Medición del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51  \n3.5. Entrenando el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54  \n3.5.1. Aproximación numérica   54  \n3.5.2. Diferenciación automática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54  \n3.5.3. Parameter-Shift Rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56  \n3.6. Retos y problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58  \n3.6.1. La era NISQ   59  \n3.6.2. Barren Plateaus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60  \n3.6.3. Eficiencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61  \n3.7. Ejemplo: detección del bosón de Higgs I . . . . . . . . . . . . . . . . . . . . . . . . . 61  \nResumen del capítulo . . . . . . . ","cbCaitUXhv2pl50h","https://ap.wps.com/l/cbCaitUXhv2pl50h","pdf",1594747,2,1,87,"Spanish","es",110,"# Introducción\n# Computación Cuántica\n## Breve introducción a la computación cuántica\n## ¿Qué son los qubits?\n## Circuitos Cuánticos\n## La esfera de Bloch\n## Trabajando con múltiples qubits\n## Medidas y observables\n## Particularidades de la Computación Cuántica\n## Ordenadores actuales y simuladores clásicos\n# Machine Learning\n## Introducción al machine learning\n## Redes neuronales artificiales\n## Desempeño de los clasificadores binarios\n# Redes Neuronales Cuánticas\n## Quantum machine learning\n## Redes neuronales cuánticas\n## Circuitos variacionales\n## Medición del sistema\n## Entrenando el modelo\n## Retos y problemas\n## Ejemplo: detección del bosón de Higgs I\n# Redes Neuronales Híbridas\n## Clasificador múltiple\n## Ejemplo: detección del bosón de Higgs II\n# Conclusión\n# Anexo A: Complejidad Computacional\n# Anexo B: Computación reversible\n# Anexo C: Postulados de la Mecánica Cuántica","[{\"question\":\"Cuál es el objetivo del trabajo sobre Quantum Machine Learning?\",\"answer\":\"El trabajo analiza cómo aplicar Quantum Machine Learning mediante redes neuronales cuánticas e híbridas, integrando computación cuántica y clásica para aprovechar ventajas de ambos enfoques en problemas de información y clasificación.\"},{\"question\":\"Qué fundamentos de computación cuántica se cubren antes del machine learning cuántico?\",\"answer\":\"Se abordan qubits, circuitos cuánticos y puertas, la esfera de Bloch, sistemas con múltiples qubits, entrelazamiento, medidas y observables, además de particularidades como no clonación, teletransportación, codificación superdensa e interferencia.\"},{\"question\":\"Cómo se entrenan los modelos en redes neuronales cuánticas y qué retos aparecen?\",\"answer\":\"Se estudia el entrenamiento con medición del sistema y métodos como aproximación numérica, diferenciación automática y reglas tipo Parameter-Shift. También se discuten retos como la era NISQ, barren plateaus y cuestiones de eficiencia.\"}]","QUANTUM MACHINE LEARNING - REDES NEURONALES HÍBRIDAS - TRABAJO FIN DE GRADO | PDF",1785683676,134,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"quantum-machine-learning-hibrid-neural-networks-undergraduate-final-thesis","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/quantum-machine-learning-hibrid-neural-networks-undergraduate-final-thesis/118451/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-18","2026-08-02",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo del trabajo sobre Quantum Machine Learning?","Question",{"text":76,"@type":77},"El trabajo analiza cómo aplicar Quantum Machine Learning mediante redes neuronales cuánticas e híbridas, integrando computación cuántica y clásica para aprovechar ventajas de ambos enfoques en problemas de información y clasificación.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué fundamentos de computación cuántica se cubren antes del machine learning cuántico?",{"text":81,"@type":77},"Se abordan qubits, circuitos cuánticos y puertas, la esfera de Bloch, sistemas con múltiples qubits, entrelazamiento, medidas y observables, además de particularidades como no clonación, teletransportación, codificación superdensa e interferencia.",{"name":83,"@type":74,"acceptedAnswer":84},"Cómo se entrenan los modelos en redes neuronales cuánticas y qué retos aparecen?",{"text":85,"@type":77},"Se estudia el entrenamiento con medición del sistema y métodos como aproximación numérica, diferenciación automática y reglas tipo Parameter-Shift. También se discuten retos como la era NISQ, barren plateaus y cuestiones de eficiencia.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]