QKAN: redes cuánticas Kolmogorov‑Arnold con aplicaciones en aprendizaje automático y preparación de estados multivariantes

Cerebros cuánticos para patrones complejos

Muchos de los problemas más difíciles hoy en día —desde comprender materiales exóticos hasta analizar datos de alta dimensión— implican patrones que resultan difíciles de capturar con ordenadores y redes neuronales convencionales. Este artículo presenta un nuevo tipo de “cerebro cuántico”, llamado Red Cuántica Kolmogorov‑Arnold (QKAN), diseñado para ejecutarse en futuros ordenadores cuánticos tolerantes a fallos. QKAN pretende procesar conjuntos masivos de datos cuánticos e incluso construir estados cuánticos complejos de manera más eficiente que los métodos clásicos, abriendo potencialmente nuevas vías para el aprendizaje automático cuántico y la simulación cuántica.

De una idea matemática clásica a una arquitectura cuántica

El trabajo se basa en una intuición matemática conocida como la representación de Kolmogorov‑Arnold: en principio, cualquier función suave de muchas variables puede montarse a partir de piezas simples de una sola variable y sumas. Las recientes “Redes Kolmogorov‑Arnold” (KAN) adaptan esta idea a un diseño de redes neuronales clásicas que conecta muchas funciones de activación unidimensionales en lugar de depender principalmente de multiplicaciones por matrices. Las KAN han mostrado potencial en problemas científicos donde las fórmulas subyacentes son estructuradas e interpretables. Los autores toman este plano conceptual y se preguntan: ¿podemos construir una versión puramente cuántica que exista de forma nativa en el lenguaje de los circuitos cuánticos?

Convertir matrices cuánticas en neuronas

En QKAN, los portadores de información básicos no son números ordinarios, sino los valores propios de matrices cuánticas especiales. Estas matrices se almacenan dentro de operaciones unitarias mayores mediante un truco estándar llamado codificación por bloques (block‑encoding). Una técnica potente conocida como transformación cuántica de valores singulares permite al circuito aplicar funciones polinómicas a medida sobre esos valores propios, ejerciendo efectivamente el papel de funciones de activación en una red neuronal. Al organizar estas operaciones en una o pocas “capas”, QKAN puede actuar simultáneamente sobre un espacio exponencialmente grande de entradas —algo que las redes clásicas no pueden hacer con recursos comparables cuando las entradas son ellas mismas cuánticas.

Una red cuántica ancha pero poco profunda

Los autores muestran que QKAN realiza de forma natural una arquitectura “ancha y superficial”. Si un dispositivo cuántico puede codificar por bloques de manera eficiente una entrada de dimensión N —por ejemplo, un estado cuántico preparado por otro algoritmo o un hamiltoniano que describa un sistema físico— entonces una capa QKAN puede implementar transformaciones extremadamente anchas usando solo una sobrecarga polilogarítmica en N. Apilar muchas de estas capas es costoso, porque la profundidad del circuito crece aproximadamente de forma exponencial con el número de capas y los errores pequeños se acumulan. Como resultado, QKAN se usa mejor con pocas capas, intercambiando profundidad por un paralelismo extremo en anchura. El artículo analiza cómo parametrizar estas redes con circuitos cuánticos, cómo entrenarlas usando estrategias basadas en gradientes y cómo leer salidas de baja dimensión de forma eficiente.

Preparación de estados cuánticos como caso de uso

Más allá de tareas de aprendizaje, la misma construcción funciona como herramienta para preparar estados cuánticos intrincados. Los autores se centran en una familia de ejemplos importantes: distribuciones gaussianas multivariantes repartidas sobre una rejilla regular de puntos. Diseñan una QKAN de dos capas que primero calcula la distancia al cuadrado de cada punto de la rejilla al origen mediante transformaciones polinómicas simples y luego aplica una aproximación polinómica cuidadosamente elegida para imitar la desintegración exponencial de una gaussiana. Cuando esta transformación codificada por bloques se aplica a una superposición uniforme y se amplifica, el resultado es un estado cuántico cuyas amplitudes siguen de cerca un perfil gaussiano de alta dimensión. El análisis proporciona cotas explícitas sobre el número de puertas cuánticas y los qubits adicionales requeridos.

Oportunidades y límites para el aprendizaje cuántico

Para un no especialista, la idea clave es que QKAN ofrece un nuevo lenguaje estructurado para algoritmos cuánticos que mezcla ideas de redes neuronales interpretables con herramientas avanzadas de álgebra lineal cuántica. En principio puede calcular funciones complicadas de datos cuánticos y ensamblar paisajes de probabilidad multivariantes con menos pasos que los métodos clásicos conocidos, siempre que existan ciertas aproximaciones polinómicas y codificaciones por bloques eficientes. Al mismo tiempo, QKAN no es una solución universal de uso directo: su profundidad debe permanecer pequeña, su rendimiento depende de buenas bases polinómicas y hereda preguntas abiertas de las KAN clásicas sobre cuándo este tipo de arquitectura es realmente superior. Aun así, QKAN amplía la caja de herramientas para el aprendizaje automático cuántico y la preparación de estados, señalando modelos cuánticos que son tanto potentes como estructuralmente transparentes.

Cita: Ivashkov, P., Huang, PW., Koor, K. et al. QKAN: quantum Kolmogorov-Arnold networks with applications in machine learning and multivariate state preparation. npj Quantum Inf 12, 73 (2026). https://doi.org/10.1038/s41534-026-01202-5

Palabras clave: aprendizaje automático cuántico, redes Kolmogorov‑Arnold, redes neuronales cuánticas, preparación de estados cuánticos, transformación de valores singulares cuántica