Análisis comparativo del rendimiento de mapas de características cuánticas para aprendizaje automático basado en núcleos cuánticos

Por qué importa más allá del laboratorio

A medida que nuestros datos y problemas se vuelven más complejos, incluso las mejores herramientas de aprendizaje automático actuales pueden tener dificultades para encontrar patrones claros. Los ordenadores cuánticos prometen nuevas formas de abordar esos problemas, pero aún no está claro cuándo y cómo podrán ayudar realmente. Este artículo explora una pieza práctica de ese rompecabezas: cómo diseñar y ajustar clasificadores basados en lo cuántico para que puedan competir con, y en ocasiones rivalizar con, métodos clásicos bien establecidos tanto en problemas de juguete como en un conjunto de datos médicos real.

Convertir la similitud en potencia cuántica

Muchos métodos de aprendizaje exitosos, como las máquinas de soporte vectorial, dependen de “núcleos” que miden cuán similares son dos puntos de datos tras una transformación invisible a un espacio de características más rico. Los ordenadores cuánticos pueden implementar tales transformaciones de forma natural al codificar datos en estados cuánticos y luego comparar cuánto se solapan dos estados. Los autores se centran en estos núcleos cuánticos y en los “mapas de características” que indican a un circuito cuántico cómo convertir números ordinarios en estados cuánticos. Un buen mapa de características facilita la separación de datos enmarañados; uno pobre desperdicia el hardware cuántico. El trabajo plantea dos preguntas clave: qué mapas de características funcionan mejor y cuánto puede mejorar su rendimiento un ajuste cuidadoso.

Probando varias recetas cuánticas

Los investigadores presentan un nuevo mapa de características de orden superior y lo comparan con cinco diseños de vanguardia de trabajos anteriores. Cada mapa utiliza un circuito simple de dos qubits que aplica rotaciones de un solo qubit y una puerta entrelazante, pero las fórmulas matemáticas que gobiernan esas rotaciones difieren. Para mantener el estudio enfocado, la estructura del circuito cuántico, los parámetros de la máquina de soporte vectorial y el procedimiento de evaluación se mantienen constantes mientras solo se varían el mapa de características y su “fuerza de rotación” interna. Esto hace posible atribuir las ganancias de rendimiento directamente a la forma en que los datos se codifican en estados cuánticos en lugar de a ajustes adicionales del algoritmo clásico que los rodea.

De patrones de juguete al diagnóstico del cáncer

El equipo evalúa los núcleos cuánticos en tres problemas de prueba clásicos bidimensionales —círculos concéntricos, lunas en creciente y un patrón XOR— así como en una versión reducida del conjunto de datos de diagnóstico de cáncer de mama de Wisconsin. Para los datos médicos se seleccionan dos de las características basadas en imagen más informativas mediante un método estándar de selección de características. Todas las entradas se reescalan a la misma escala y se introducen en circuitos poco profundos de dos qubits, manteniendo los experimentos realistas para los dispositivos cuánticos intermedios ruidosos de hoy. El rendimiento se compara frente a un amplio conjunto de modelos clásicos, incluidos máquinas de soporte vectorial lineales y con función de base radial, árboles de decisión, bosques aleatorios, boosting, Bayes ingenuo, análisis lineal discriminante y perceptrones multicapa, usando la exactitud y el coeficiente de correlación de Matthews para capturar tanto la corrección como el equilibrio entre clases.

Lo que revelaron las comparaciones

En los conjuntos de referencia más sencillos, los núcleos cuánticos mejorados —especialmente los construidos a partir del nuevo mapa de características y dos de los existentes— logran una clasificación casi perfecta, igualando o superando a la mayoría de los competidores clásicos. En los datos más exigentes del cáncer de mama, los mejores mapas de características cuánticos siguen siendo competitivos con sólidos referentes clásicos como núcleos de función de base radial y redes neuronales. Un mando clave es el factor rotacional, que escala la intensidad con la que los valores de entrada afectan las rotaciones cuánticas. Al barrer este factor a través de varios valores, los autores muestran que elegirlo bien puede mejorar marcadamente el rendimiento, y que el mejor valor depende del conjunto de datos. Las visualizaciones de los espacios de características y de las fronteras de decisión resultantes dejan claro que algunos mapas esculpen regiones separadoras finamente detalladas y bien alineadas, mientras que otros dejan límites distorsionados o mal ubicados, lo que explica la variación en los resultados.

Detallando cómo funciona

Para comprender mejor estos efectos, el estudio visualiza cómo cada mapa de características reconfigura una cuadrícula de puntos de entrada para distintos problemas. Para el patrón circular, la mayoría de los mapas reproducen con éxito la estructura subyacente, pero para las lunas en creciente y los datos reales del cáncer solo un subconjunto de mapas se alinea bien con la distribución verdadera. Experimentos adicionales varían el tipo de rotación de un solo qubit usado y confirman que, para ciertos patrones como XOR, la elección del eje de rotación puede importar tanto como la fórmula de codificación detallada. En general, el nuevo mapa de características se sitúa de forma constante entre los mejores, particularmente cuando se combina con un factor rotacional apropiado, destacando la sutil interacción entre puertas cuánticas, fórmulas de codificación y ajustes de hiperparámetros.

Qué significa esto de cara al futuro

Para un no especialista, el mensaje principal es que la ventaja cuántica en aprendizaje automático no llegará “gratis” solo por ejecutar modelos estándar en hardware cuántico. En cambio, el éxito depende de diseñar la manera correcta de alimentar datos en circuitos cuánticos y de ajustar unos pocos parámetros críticos para que los estados cuánticos capturen la estructura del problema. Este artículo ofrece una hoja de ruta para hacer exactamente eso con métodos de núcleos cuánticos, mostrando que mapas de características cuánticos diseñados y ajustados con criterio pueden ofrecer un rendimiento sólido, a veces superior, incluso con circuitos muy pequeños. Al mismo tiempo, los autores señalan que sus resultados se basan en simulaciones sin ruido de hardware y en conjuntos de datos relativamente modestos, por lo que realizar plenamente estas mejoras en máquinas cuánticas reales y a mayor escala sigue siendo un reto importante para trabajos futuros.

Cita: Jha, R.K., Kasabov, N., Bhattacharyya, S. et al. Comparative performance analysis of quantum feature maps for quantum kernel-based machine learning. Sci Rep 16, 8142 (2026). https://doi.org/10.1038/s41598-026-39392-9

Palabras clave: aprendizaje automático cuántico, núcleos cuánticos, mapas de características, ajuste de hiperparámetros, clasificación