Demo interactiva
Clasificación de Especies vía VQC
Introduce las medidas de una flor Iris. Nuestro circuito cuántico evaluará las probabilidades y te dará una predicción en tiempo real.
Estado del sistema
Dataset: IrisDatos de Entrada
Esperando Datos
Introduce las medidas de los pétalos en el formulario para iniciar la simulación cuántica.
Paisaje de Decisión Cuántico (ZZFeatureMap + EfficientSU2, Estado Ideal)
Interpretación del Estado Cuántico
En la página principal no se muestran esferas de Bloch individuales, porque una visualización separada por qubit no representa correctamente el entrelazamiento del sistema completo.
Arquitectura
Arquitectura del Clasificador Cuántico Variacional
Un VQC (Variational Quantum Classifier) es el equivalente cuántico a una red neuronal clásica. Utiliza las leyes de la física para procesar información en un espacio multidimensional que una CPU tradicional no puede alcanzar.
⚛️ Diagrama Esquemático del VQC
Estructura: 2 Qubits | Reps FM: 2 | Reps Ansatz: 1
El circuito se lee de izquierda a derecha: desde la entrada de datos hasta la lectura del resultado.
Lectura rápida
Codificación
Transforma medidas físicas en rotaciones del circuito.
Ansatz
Bloque entrenable que aprende la separación.
Medición
Colapso del estado en bitstrings medidos.
Ruido
Errores reales que el modelo intenta mitigar.
Codificación: ZZFeatureMap
Los ordenadores cuánticos no entienden números decimales directamente. En esta fase, los valores de Largo y Ancho del Pétalo (x[0], x[1]) se convierten en ángulos de rotación para los qubits.
De Flotantes a Qubits
Escalamos los datos entre 0 y π (Pi). Imagina que cada dato mueve una aguja en una esfera 3D; esa posición representa la flor en el mundo cuántico. Esta esfera se llama Esfera de Bloch.
Repeticiones (Reps = 2)
Aplicamos la codificación dos veces para "estirar" los datos en el espacio cuántico, haciendo que patrones difíciles de ver sean más fáciles de clasificar.
Correlación de Características
El ZZFeatureMap crea conexiones entre el largo y el ancho del pétalo. Esto permite al modelo entender que la relación entre ambas medidas es clave para identificar la especie.
Procesamiento: EfficientSU2
Si el Bloque A son los "datos", el Bloque B es el "algoritmo". Contiene las variables entrenables (θ - theta) que el modelo ajusta durante el aprendizaje.
Parámetros Optimizados
Al igual que los pesos en una red neuronal clásica, los ángulos entrenados se guardan en weights.npy. Hay 8 parámetros que definen cómo se procesa la información.
Eficiencia Cuántica
Usamos EfficientSU2 porque está diseñado para funcionar en hardware cuántico real actual, minimizando errores mientras mantiene una alta capacidad de aprendizaje.
Colapso y Resultado
Al final, observamos todos los qubits. Cada ejecución devuelve un bitstring medido (por ejemplo, 00, 01, 10 o 11 en Iris). Después agrupamos esos resultados para convertirlos en probabilidades de clase.
El poder del Sampler
Ejecutamos el circuito múltiples veces (shots). Si el 90% de las veces los qubits terminan en la configuración de "Setosa", devolvemos esa predicción.
Lógica de Clasificación (Mapping)
Nota técnica: En quantum.py usamos state_idx % 3: |00⟩ (0) y |11⟩ (3) mapean a clase 0, |01⟩ a clase 1 y |10⟩ a clase 2.
Desafíos del Hardware Real: El Ruido
En un simulador ideal, los qubits son perfectos. Sin embargo, en los procesadores cuánticos actuales (era NISQ), factores externos como la temperatura o campos electromagnéticos introducen errores.
Pérdida de Información
Los qubits tienden a perder su estado cuántico y volver al estado base (0) de forma espontánea. Es como si una memoria RAM perdiera sus bits aleatoriamente cada pocos microsegundos.
Errores de Puerta
Las operaciones lógicas (puertas H, CNOT) no son 100% precisas. Un error del 1% en una puerta parece poco, pero tras cientos de operaciones, el resultado final puede volverse puro ruido.
¿Por qué usar algoritmos variacionales (VQC)?
Los VQC son robustos por diseño. Al ser híbridos (cuántico-clásicos), el optimizador clásico es capaz de compensar parte del ruido sistemático del hardware, "esquivando" los errores para mantener una precisión aceptable.
Validación
Validación Científica del Modelo
Análisis de robustez frente al ruido de hardware real y comparativa de rendimiento con algoritmos clásicos de Machine Learning.
1. Prueba de Estrés de Ruido (ZZFeatureMap + EfficientSU2)
Evaluación del rendimiento del VQC bajo niveles crecientes de ruido, usando un modelo derivado de backend para aproximar condiciones NISQ.
- • Umbral de Fallo: ~9% de error de puerta.
- • Precisión con ruido de referencia: ~86%.
- • Línea Roja: Rendimiento al azar (33%).
2. Benchmarking vs. Clásico (ZZFeatureMap + EfficientSU2)
Comparación directa del clasificador cuántico (VQC) con modelos clásicos de referencia (SVM y Random Forest) sobre el mismo dataset Iris.
- • El VQC ideal (93%) es competitivo con SVM.
- • Con ruido de referencia, el VQC mantiene utilidad.
- • SVM y Random Forest se muestran como referencia clásica.