Spring 2026
VQC Implementation
Machine Learning Cuántico
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