← Todos los proyectos
EN/ES

Spring 2026

VQC Implementation

Machine Learning Cuántico

Image 1

1 / 2

Enlaces

GitHub →

Descripción

Diseñé un circuito cuántico parametrizado de 2 qubits con ansatz RY-RZ-CNOT entrenado mediante la regla de desplazamiento de parámetros. Comparé con un baseline SVM-RBF, logrando 91.2% de precisión en prueba con AUC casi idéntico (0.9868 vs 0.9871). Analicé el paisaje de pérdida, la geometría del kernel cuántico y la teoría de barrens plateaus.

Aspectos destacados

  • 91.2% de precisión en benchmark de clasificación
  • AUC 0.9868 vs baseline SVM-RBF de 0.9871
  • Ansatz RY-RZ-CNOT entrenado con regla de desplazamiento de parámetros
  • Análisis de la teoría de barrens plateaus y geometría de kernel cuántico

Tecnologías y Habilidades

PythonPennyLaneQuantum ComputingQuantum MLMachine Learning