Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 16
Uso de computación cuántica en la mejora de
algoritmos de aprendizaje automático
Use of quantum computation in the improvement of machine
learning algorithms
Galarza-Sánchez, Paulo César
1
Erazo-Luzuriaga, Alex Fernando
2
https://orcid.org/0000-0003-4668-1158
https://orcid.org/0000-0002-1089-383X
paulogalarza@tsachila.edu.ec
alex.erazo@espoch.edu.ec
Instituto Superior Tecnológico Tsa´chila, Ecuador,
Santo Domingo.
Escuela Superior Politécnica De Chimborazo,
Ecuador, Riobamba.
Boné-Andrade, Miguel Fabricio
3
https://orcid.org/0000-0002-8635-1869
mbone6598@pucesm.edu.ec
Pontificia Universidad Católica del Ecuador,
Ecuador, Riobamba.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v1/n4/25
Resumen: Este estudio explora la integración de la
computación cuántica en la mejora de algoritmos de
aprendizaje automático, destacando su potencial para superar
las limitaciones computacionales de los métodos clásicos en
tareas de alta complejidad. A través de una revisión
bibliográfica sistemática con enfoque cualitativo, se analizaron
artículos académicos indexados entre 2015 y 2023,
identificando avances clave en algoritmos cuánticos
variacionales, máquinas de vectores soporte cuánticas y
redes neuronales cuánticas. Los hallazgos revelan que, pese
a restricciones tecnológicas actuales, estos enfoques
muestran ventajas en eficiencia, representatividad y
capacidad de generalización. Además, se subraya la
relevancia de los modelos híbridos cuántico-clásicos como
solución intermedia, al permitir una distribución funcional entre
recursos cuánticos y clásicos. La investigación concluye que
esta convergencia representa una vía prometedora para el
desarrollo de inteligencia artificial avanzada, aunque persisten
desafíos como la optimización de circuitos, la mitigación del
ruido y la estandarización metodológica. Se enfatiza la
necesidad de fortalecer la infraestructura tecnológica y teórica
para consolidar esta línea de innovación computacional.
Palabras clave: computación cuántica; aprendizaje
automático; algoritmos variacionales; modelos híbridos;
inteligencia artificial.
Artículo Científico
Received: 30/Sep/2023
Accepted: 12/Oct/2023
Published: 11/Nov/2023
Cita: Galarza-Sánchez, P. C., Erazo-
Luzuriaga, A. F., & Boné-Andrade, M. F.
(2023). Uso de computación cuántica en la
mejora de algoritmos de aprendizaje
automático. Revista Científica Ciencia Y
Método, 1(4), 16-
30. https://doi.org/10.55813/gaea/rcym/v1/n
4/25
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2023. Este artículo es un documento de
acceso abierto distribuido bajo los términos
y condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 17
Octubre – Diciembre 2023
Abstract:
This study explores the integration of quantum computing in the improvement of
machine learning algorithms, highlighting its potential to overcome the computational
limitations of classical methods in highly complex tasks. Through a systematic
literature review with a qualitative approach, academic articles indexed between 2015
and 2023 were analyzed, identifying key advances in variational quantum algorithms,
quantum support vector machines, and quantum neural networks. The findings reveal
that, despite current technological constraints, these approaches show advantages in
efficiency, representativeness and generalizability. Furthermore, the relevance of
hybrid quantum-classical models as an intermediate solution is highlighted, by allowing
a functional distribution between quantum and classical resources. The research
concludes that this convergence represents a promising avenue for the development
of advanced artificial intelligence, although challenges such as circuit optimization,
noise mitigation and methodological standardization remain. The need to strengthen
the technological and theoretical infrastructure to consolidate this line of computational
innovation is emphasized.
Keywords: quantum computing; machine learning; variational algorithms; hybrid
models; artificial intelligence.
1. Introducción
En la última década, el crecimiento exponencial de los datos ha impulsado de manera
significativa el desarrollo de algoritmos de aprendizaje automático (AA), los cuales han
demostrado una notable capacidad para abordar problemas complejos en diversos
campos, como la biomedicina, la economía, la climatología y la ingeniería. No
obstante, a pesar de los avances, muchas de estas aplicaciones se ven limitadas por
la capacidad computacional de los sistemas clásicos, especialmente cuando se
enfrentan a tareas de alta complejidad como la optimización en espacios de alta
dimensión, el entrenamiento de modelos con grandes volúmenes de datos y la
solución de problemas no lineales. En este contexto, la computación cuántica emerge
como una alternativa disruptiva, al ofrecer un paradigma de procesamiento de
información radicalmente distinto, capaz de resolver ciertos problemas mucho más
rápido que los métodos tradicionales (Arute et al., 2019).
El principal desafío radica en la brecha entre las capacidades actuales de los
algoritmos clásicos y las exigencias computacionales de tareas emergentes en AA.
Los modelos de aprendizaje profundo, por ejemplo, requieren gran cantidad de
recursos para el ajuste de parámetros, lo cual impacta tanto en el tiempo de
entrenamiento como en el consumo energético (Strubell et al., 2019). Además, en
aplicaciones como la simulación molecular, la predicción de estructuras proteicas o la
optimización combinatoria, los métodos clásicos pueden volverse ineficientes o
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 18
Octubre – Diciembre 2023
incluso intratables a gran escala. A ello se suma la necesidad de mejorar la
interpretabilidad y la eficiencia de los algoritmos, lo cual ha motivado la búsqueda de
nuevos enfoques computacionales que permitan superar estas limitaciones.
La computación cuántica, basada en principios de la mecánica cuántica como la
superposición y el entrelazamiento, ofrece un marco teórico que permite realizar
cálculos en paralelo de manera más eficiente que los computadores tradicionales.
Esta propiedad ha sido explorada para acelerar algoritmos clave en AA, como el
descenso de gradiente cuántico, las máquinas de vectores soporte cuánticas y los
algoritmos de clustering cuántico, abriendo la posibilidad de un aprendizaje más rápido
y preciso (Biamonte et al., 2017). Sin embargo, estas promesas se enfrentan a
múltiples retos técnicos y teóricos, entre ellos la falta de hardware estable, la
necesidad de desarrollar nuevos lenguajes de programación cuántica y la escasa
disponibilidad de marcos de prueba estandarizados. A pesar de ello, se han producido
avances significativos en los últimos años, con desarrollos de hardware como los
ordenadores de IBM Quantum, D-Wave y Google Sycamore, así como frameworks de
programación cuántica como Qiskit, PennyLane y Cirq (Preskill, 2018).
Desde una perspectiva científica y tecnológica, es justificable y necesario realizar una
revisión sistemática del estado actual del uso de computación cuántica en la mejora
de algoritmos de aprendizaje automático, dada su potencial capacidad de redefinir las
fronteras del conocimiento en ambos campos. Este estudio resulta pertinente no solo
por su contribución teórica al entendimiento de las posibles sinergias entre estas
disciplinas, sino también por sus implicaciones prácticas en áreas críticas como la
medicina personalizada, la ciberseguridad, la predicción financiera y la optimización
logística. En la actualidad, numerosas instituciones académicas, centros de
investigación y corporaciones tecnológicas están invirtiendo recursos considerables
en el desarrollo de algoritmos híbridos que integren componentes cuánticos y clásicos,
lo que subraya la viabilidad científica y tecnológica del enfoque propuesto (Cerezo et
al., 2021).
La viabilidad de este estudio también se sustenta en el creciente acceso a plataformas
de computación cuántica en la nube, las cuales permiten a investigadores de todo el
mundo experimentar con algoritmos cuánticos sin necesidad de disponer de hardware
especializado. Además, el constante crecimiento del corpus académico en esta área,
evidenciado por la proliferación de publicaciones indexadas en bases de datos como
Scopus y Web of Science, proporciona una base sólida para desarrollar una revisión
bibliográfica rigurosa y actualizada. Así, esta investigación se inscribe dentro del
marco de una ciencia abierta, colaborativa y orientada a la innovación.
El objetivo principal de esta revisión bibliográfica es analizar críticamente el estado del
arte en la aplicación de computación cuántica para la mejora de algoritmos de
aprendizaje automático, identificando los principales enfoques, avances recientes,
limitaciones actuales y perspectivas futuras. Para ello, se examinarán estudios
empíricos, propuestas teóricas y desarrollos experimentales que integren ambos
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 19
Octubre – Diciembre 2023
campos, prestando especial atención a los algoritmos híbridos, las plataformas de
desarrollo, los desafíos computacionales y las aplicaciones prácticas en diferentes
dominios. Esta revisión no solo busca sintetizar el conocimiento existente, sino
también identificar lagunas en la literatura que puedan orientar futuras líneas de
investigación interdisciplinaria.
En suma, la intersección entre la computación cuántica y el aprendizaje automático
representa uno de los frentes más prometedores de la ciencia contemporánea, con el
potencial de transformar profundamente la forma en que se procesan y analizan los
datos. Explorar esta convergencia desde una perspectiva crítica y fundamentada
permitirá avanzar hacia una comprensión más completa de sus posibilidades reales,
más allá de las expectativas idealizadas o del entusiasmo tecnológico sin sustento
empírico.
2. Materiales y métodos
El presente artículo se desarrolló bajo un enfoque cualitativo, de tipo exploratorio,
mediante una revisión bibliográfica sistemática orientada a analizar la aplicación de la
computación cuántica en la mejora de algoritmos de aprendizaje automático. Esta
metodología permitió identificar, clasificar y sintetizar el conocimiento actual sobre la
temática, enfocándose en las propuestas teóricas, desarrollos experimentales y
avances tecnológicos reportados en la literatura científica reciente.
Para la selección de las fuentes, se establecieron criterios de inclusión rigurosos con
el fin de asegurar la relevancia y calidad de la información analizada. Se consideraron
únicamente publicaciones indexadas en bases de datos académicas reconocidas
internacionalmente, como Scopus y Web of Science, priorizando artículos de revistas
científicas revisadas por pares, así como conferencias relevantes del área de la
computación cuántica y el aprendizaje automático. El periodo de búsqueda abarcó
desde el año 2015 hasta el primer semestre de 2025, con el objetivo de reflejar las
tendencias más actuales en la investigación.
El proceso de búsqueda se realizó utilizando combinaciones de términos clave en
inglés, tales como quantum computing, quantum machine learning, hybrid quantum-
classical algorithms, variational quantum algorithms, quantum neural networks y
quantum optimization, entre otros. Estos términos fueron aplicados en los motores de
búsqueda de las bases de datos mencionadas, filtrando por relevancia, año de
publicación y tipo de documento. Se excluyeron artículos de divulgación, documentos
sin revisión por pares, tesis de grado y publicaciones duplicadas.
Posteriormente, se realizó una lectura crítica y analítica de los documentos
seleccionados, considerando su pertinencia temática, originalidad, validez
metodológica y contribución al campo. Los estudios incluidos fueron organizados y
categorizados en función de su enfoque principal: desarrollos teóricos,
experimentación con hardware cuántico, propuestas de algoritmos híbridos y
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 20
Octubre – Diciembre 2023
aplicaciones específicas en dominios como la bioinformática, la finanzas cuantitativas
y la optimización logística. Este proceso permitió construir una estructura coherente
de revisión que facilita la comprensión de los avances logrados, las limitaciones
encontradas y los desafíos aún pendientes en esta línea de investigación.
La sistematización de los datos se llevó a cabo mediante matrices de análisis
comparativo, lo cual permitió identificar patrones, tendencias, vacíos de conocimiento
y direcciones emergentes en la literatura revisada. Asimismo, se prestó especial
atención a los enfoques metodológicos utilizados en los estudios seleccionados, los
modelos cuánticos implementados y las métricas de evaluación aplicadas. Esta etapa
fue clave para generar una visión crítica y fundamentada del estado del arte, así como
para asegurar la originalidad del contenido producido.
Finalmente, la revisión fue redactada siguiendo los lineamientos formales de la
escritura científica y bajo las normas APA en su séptima edición, asegurando la
adecuada citación y referenciación de todas las fuentes utilizadas. La metodología
adoptada, al ser de carácter exploratorio y documental, se orientó principalmente a la
comprensión profunda del fenómeno en estudio, sin realizar experimentación directa,
lo cual es coherente con los objetivos planteados y con la naturaleza del artículo como
revisión bibliográfica.
3. Resultados
3.1. Avances en algoritmos cuánticos para aprendizaje automático
El campo emergente del aprendizaje automático cuántico (QML, por sus siglas en
inglés) ha experimentado un crecimiento acelerado debido al potencial teórico que
ofrece la computación cuántica para superar los límites computacionales de los
algoritmos tradicionales. La sinergia entre estos dos dominios se ha convertido en un
eje estratégico para la investigación interdisciplinaria, al combinar la capacidad de la
computación cuántica para representar y manipular grandes espacios de estados con
la flexibilidad de los métodos de aprendizaje automático en la extracción de patrones,
clasificación y predicción. En este contexto, se han desarrollado múltiples líneas de
investigación orientadas a la construcción de nuevos algoritmos capaces de
ejecutarse parcial o totalmente en dispositivos cuánticos, con un enfoque especial en
los circuitos variacionales, las máquinas de vectores soporte cuánticas y las redes
neuronales cuánticas.
3.1.1. Algoritmos variacionales en aprendizaje supervisado
Los Variational Quantum Algorithms (VQAs) constituyen una de las estrategias más
desarrolladas y prometedoras dentro de la computación cuántica de la era NISQ
(Noisy Intermediate-Scale Quantum). Este enfoque ha cobrado especial relevancia en
tareas de aprendizaje supervisado, en donde los VQAs permiten construir
clasificadores cuánticos parametrizados que se entrenan mediante métodos clásicos
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 21
Octubre – Diciembre 2023
de optimización. A diferencia de los algoritmos tradicionales, estos modelos
aprovechan la capacidad de los sistemas cuánticos para explorar múltiples
configuraciones en paralelo gracias a la superposición de estados.
El Variational Quantum Classifier (VQC), en particular, ha sido ampliamente estudiado
como un modelo híbrido cuántico-clásico, donde se utilizan circuitos cuánticos como
funciones de decisión no lineales y se entrena un conjunto de parámetros para
minimizar una función de pérdida clásica. Este tipo de arquitectura ha demostrado
capacidad para resolver problemas de clasificación binaria y multiclase, presentando
buenos resultados en bases de datos simples como Iris o MNIST, especialmente
cuando se reduce la dimensionalidad (Farhi & Neven, 2018). No obstante, uno de los
desafíos fundamentales de estos métodos es el fenómeno del barren plateau, es decir,
la aparición de regiones planas en el espacio de optimización del parámetro cuántico,
lo cual complica el entrenamiento a medida que aumenta el número de qubits
(McClean et al., 2018).
Pese a ello, investigaciones recientes han demostrado que es posible mitigar este
problema mediante la elección cuidadosa de los ansatz (estructuras de circuitos) y
técnicas de inicialización que mantengan la expresividad del modelo sin comprometer
la eficiencia del entrenamiento. Cerezo et al. (2021) han propuesto métodos de diseño
de circuitos adaptativos que mejoran la capacidad del modelo para aprender
representaciones complejas, con aplicaciones en clasificación, regresión y
reconocimiento de patrones. Además, se ha demostrado que los VQAs pueden operar
con eficiencias superiores a los modelos clásicos en entornos donde la
dimensionalidad del espacio de características y la correlación entre variables
presentan complejidad cuántica.
3.1.2. Máquinas de vectores soporte cuánticas
Las Quantum Support Vector Machines (QSVM) representan una adaptación cuántica
del algoritmo de soporte vectorial clásico, cuya principal ventaja radica en la capacidad
de explotar quantum kernels —o núcleos cuánticos— para mapear datos de entrada
a espacios de Hilbert de alta dimensión, donde es más probable encontrar hiperplanos
de separación lineal. Esta estrategia permite abordar eficazmente problemas no
lineales que en los modelos clásicos requieren núcleos computacionalmente costosos.
El funcionamiento de las QSVM se basa en el uso de un quantum feature map, el cual
codifica la información clásica en un estado cuántico utilizando un circuito
parametrizado. Luego, se calcula la fidelidad o superposición entre pares de estados
cuánticos, que se traduce en una matriz de kernel utilizada en el clasificador. Esta
matriz puede capturar correlaciones de alta complejidad no evidentes en el espacio
clásico (Schuld & Killoran, 2019). Havlíček et al. (2019) llevaron a cabo una
implementación experimental de una QSVM utilizando hardware cuántico de IBM,
logrando una clasificación precisa de datos sintéticos con un número limitado de
qubits. Sus resultados demostraron que, incluso bajo ruido, la QSVM podía superar
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 22
Octubre – Diciembre 2023
en rendimiento a modelos clásicos bajo ciertas condiciones, evidenciando una ventaja
cuántica práctica.
Una de las implicaciones más relevantes de las QSVM es su aplicación potencial en
campos donde las relaciones entre características son altamente no lineales, como en
bioinformática, análisis financiero y sistemas complejos. Sin embargo, se deben
considerar importantes limitaciones, como la sensibilidad al ruido, la dificultad para
escalar el tamaño del kernel cuántico y la complejidad en la interpretación del modelo.
A pesar de ello, el desarrollo de herramientas como Qiskit Machine Learning y
PennyLane ha facilitado la experimentación y simulación de QSVMs en entornos
híbridos accesibles a la comunidad investigadora.
3.1.3. Redes neuronales cuánticas
Las Quantum Neural Networks (QNNs) constituyen un enfoque emergente que busca
emular la estructura de las redes neuronales clásicas, adaptándola al marco de la
computación cuántica. En su concepción más general, una QNN está compuesta por
capas de puertas cuánticas que actúan sobre estados de qubits, generando
transformaciones unitarias parametrizadas que representan operaciones análogas a
las funciones de activación en redes tradicionales. Una de sus principales fortalezas
es la capacidad para representar funciones complejas con un número reducido de
parámetros gracias a la densidad de información que puede codificarse en estados
cuánticos superpuestos y entrelazados, la figura 1 ilustra cómo los principios
fundamentales de la computación cuántica se integran con las redes neuronales para
crear un nuevo paradigma: las redes neuronales cuánticas.
Figura 1
Componentes Clave del Poder Cuántico en Redes Neuronales
Nota: La computación cuántica redefine la inteligencia artificial al fusionar estructuras neuronales con
fenómenos cuánticos, abriendo el camino hacia algoritmos más rápidos, eficientes y con mayor
capacidad de generalización (Autores, 2023).
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 23
Octubre – Diciembre 2023
Mitarai et al. (2018) propusieron el modelo de Quantum Circuit Learning (QCL), que
constituye una base teórica para las QNNs al utilizar circuitos variacionales
entrenables capaces de aproximar funciones objetivo en tareas de regresión y
clasificación. A partir de este modelo, se han desarrollado arquitecturas más
sofisticadas como las quantum convolutional neural networks (QCNNs), las cuales
imitan las capas de convolución y pooling típicas de redes neuronales
convolucionales, pero utilizando operaciones cuánticas. Beer et al. (2020)
demostraron que estas arquitecturas pueden alcanzar una capacidad de
generalización comparable o incluso superior a redes profundas clásicas,
particularmente cuando el conjunto de datos contiene estructuras altamente
entrelazadas.
Otro enfoque interesante es el uso de autoencoders cuánticos para reducción de
dimensionalidad y compresión de datos, lo cual es particularmente útil en entornos
con restricciones de almacenamiento o procesamiento. Asimismo, se están
desarrollando modelos de aprendizaje profundo cuántico (QDL) que integran múltiples
capas de QNNs conectadas, y cuyo entrenamiento requiere técnicas de optimización
adaptadas a la naturaleza no lineal del espacio de Hilbert. Estos desarrollos son
todavía incipientes, pero representan una vía prometedora hacia la construcción de
modelos más eficientes y compactos para problemas que actualmente demandan
gran poder computacional.
En conclusión, el progreso en algoritmos cuánticos aplicados al aprendizaje
supervisado ha sido notable en los últimos años, a pesar de las limitaciones inherentes
al hardware cuántico actual. Los algoritmos variacionales, las QSVM y las QNNs
muestran un potencial considerable para revolucionar la forma en que se aborda la
inteligencia artificial, especialmente en dominios donde la complejidad de los datos
impide soluciones eficientes mediante métodos clásicos. A medida que la tecnología
cuántica madure y se desarrollen nuevas técnicas teóricas y experimentales, es
probable que estos modelos se consoliden como herramientas fundamentales en la
próxima generación del aprendizaje automático.
3.2. Modelos híbridos cuántico-clásicos
En el contexto de la computación cuántica contemporánea, caracterizada por la era
NISQ (Noisy Intermediate-Scale Quantum), donde los dispositivos aún presentan
limitaciones en cuanto a fidelidad, profundidad de circuito y número de qubits, los
modelos híbridos cuántico-clásicos han surgido como una alternativa viable y
estratégica para aplicar técnicas cuánticas en el aprendizaje automático. Estos
modelos combinan la robustez, madurez y escalabilidad de los métodos clásicos con
las capacidades emergentes de la computación cuántica para representar espacios
de estados de alta dimensión y capturar correlaciones complejas. La arquitectura
híbrida permite distribuir eficientemente las tareas computacionales entre módulos
cuánticos y clásicos, superando parcial y progresivamente las barreras tecnológicas
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 24
Octubre – Diciembre 2023
actuales, al tiempo que abre nuevas posibilidades en términos de expresividad,
generalización y reducción de la complejidad algorítmica.
3.2.1. Optimización variacional cuántico-clásica
La optimización variacional constituye el corazón de la mayoría de los algoritmos
híbridos cuántico-clásicos actuales. El esquema general se basa en el uso de circuitos
cuánticos parametrizados —conocidos como ansatz— diseñados para preparar
estados cuánticos que aproximen soluciones óptimas a un problema objetivo. La
evaluación de una función de costo (por ejemplo, una pérdida de clasificación o la
energía de un sistema físico) se realiza mediante medidas sobre el circuito cuántico,
mientras que la optimización de los parámetros se lleva a cabo mediante algoritmos
clásicos de aprendizaje. Este ciclo iterativo define lo que se conoce como un loop
híbrido de entrenamiento (Cerezo et al., 2021).
Este paradigma fue inicialmente introducido en contextos de simulación cuántica con
el algoritmo Variational Quantum Eigensolver (VQE), que demostró su efectividad en
la aproximación de los estados fundamentales de sistemas moleculares (Peruzzo et
al., 2014). Posteriormente, se adaptó para tareas de aprendizaje automático
supervisado mediante algoritmos como el Variational Quantum Classifier (VQC) y el
Quantum Natural Gradient Descent (Stokes et al., 2020), que permiten realizar tareas
de clasificación y regresión aprovechando la riqueza del espacio de funciones
generado por los circuitos cuánticos.
Uno de los desafíos principales de este enfoque es la presencia de regiones planas
en el espacio de pérdida, conocidas como barren plateaus, donde los gradientes de
la función de costo tienden a cero de forma exponencial con el aumento del número
de qubits. Este fenómeno impide la convergencia del algoritmo de optimización,
especialmente cuando se utilizan circuitos profundos o mal diseñados (McClean et al.,
2018). Para mitigar este problema, se han propuesto técnicas como el uso de
hardware-efficient ansätze, inicializaciones adaptativas, penalizaciones en la función
de costo, y arquitecturas inspiradas en redes neuronales (Grant et al., 2019).
Asimismo, se ha explorado el uso de métodos de optimización adaptativa como SPSA,
Adam y Quantum Natural Gradient, los cuales han demostrado mejoras sustanciales
en la convergencia y estabilidad del entrenamiento (Gacon et al., 2021).
3.2.2. Fusión con redes profundas clásicas
La combinación de bloques cuánticos con redes neuronales profundas clásicas
constituye un avance notable en el desarrollo de arquitecturas híbridas con alto poder
representacional. Este enfoque consiste en incorporar circuitos cuánticos como capas
dentro de redes convolucionales (CNN), redes recurrentes (RNN) o modelos basados
en transformadores, de manera que la red pueda beneficiarse tanto de las
propiedades de representación distribuidas de los modelos clásicos como de la
capacidad de los circuitos cuánticos para capturar correlaciones complejas en
espacios de alta dimensión (Abbas et al., 2021).
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 25
Octubre – Diciembre 2023
Los bloques cuánticos suelen implementarse como quantum layers entrenables,
integrados en flujos de trabajo clásicos mediante bibliotecas como PennyLane,
TensorFlow Quantum o Qiskit Machine Learning. Estas capas pueden actuar como
extractores de características (feature extractors), clasificadores, o unidades de
decisión final, dependiendo de la configuración arquitectónica. Un ejemplo destacado
es el de las Quantum Convolutional Neural Networks (QCNNs), propuesto por Cong
et al. (2019), donde se adaptan las operaciones de convolución y reducción de
dimensionalidad a través de circuitos cuánticos, logrando una reducción en el número
de parámetros sin perder capacidad de generalización.
Un caso relevante de aplicación práctica de estas arquitecturas híbridas se encuentra
en el procesamiento de imágenes médicas y clasificación de espectros moleculares.
Por ejemplo, Chen et al. (2021) desarrollaron una red híbrida cuántico-clásica para la
clasificación de imágenes histopatológicas, integrando un bloque VQC dentro de una
CNN, lo cual permitió reducir el sobreajuste en conjuntos de datos pequeños, al mismo
tiempo que mejoraba la precisión y robustez del modelo. Este tipo de sinergias se ha
mostrado especialmente útil en contextos donde la disponibilidad de datos es limitada
o donde se requiere una generalización eficiente con pocos ejemplos.
La combinación de paradigmas, sin embargo, requiere resolver desafíos técnicos
como la codificación eficiente de datos clásicos en qubits (por ejemplo, mediante
codificación de amplitud, codificación de ángulo o codificación binaria), la propagación
del error a través capas heterogéneas y la compatibilidad entre marcos de desarrollo
clásico y cuántico. A pesar de estos retos, los resultados empíricos respaldan el valor
de estos modelos mixtos como vías de innovación para sistemas de inteligencia
artificial adaptativa.
3.2.3. Reducción del costo computacional
Uno de los principales incentivos del uso de modelos híbridos es su capacidad para
reducir el costo computacional global del entrenamiento y la inferencia en
comparación con modelos puramente clásicos, particularmente en problemas donde
la dimensionalidad del espacio de entrada es elevada o donde las relaciones entre
variables no son lineales. Esta reducción puede expresarse en términos de número
de parámetros, velocidad de convergencia, necesidad de datos para entrenamiento
(data efficiency), o requerimientos energéticos.
En estudios comparativos, se ha demostrado que ciertas arquitecturas híbridas
pueden lograr un rendimiento similar o superior a redes clásicas profundas, utilizando
un número significativamente menor de parámetros entrenables. Por ejemplo, Huang
et al. (2021) demostraron que el uso de quantum feature maps en clasificadores
híbridos puede llevar a una separación más eficiente entre clases, con un menor
consumo de memoria y procesamiento. Esto se debe a que el espacio de Hilbert de
los estados cuánticos permite representar correlaciones complejas con una
compresión exponencial en términos de qubits.
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 26
Octubre – Diciembre 2023
Desde una perspectiva algorítmica, los métodos híbridos permiten delegar tareas
específicas de alto costo (como la extracción de características no lineales o el cálculo
de productos internos en espacios de alta dimensión) a circuitos cuánticos, mientras
que otras tareas como la evaluación de métricas, regularización y propagación hacia
atrás son manejadas por módulos clásicos. Este reparto funcional favorece una
disminución en la complejidad total del sistema, así como una mayor adaptabilidad a
distintos entornos computacionales.
Además, se ha reportado que los modelos híbridos poseen una mayor tolerancia a la
sobrecarga de datos, especialmente cuando se utilizan técnicas como data re-
uploading, que permite reutilizar circuitos cuánticos con múltiples codificaciones del
mismo conjunto de datos, reduciendo la necesidad de memorias extensas. Esta
propiedad es especialmente relevante en contextos donde el procesamiento de
grandes volúmenes de datos es costoso, como en astrofísica, bioinformática o
sistemas financieros complejos.
Sin embargo, la materialización completa de estos beneficios depende de varios
factores aún en desarrollo: la reducción del ruido en el hardware, la mejora en la
fidelidad de las puertas cuánticas, la estabilización de protocolos de codificación y la
consolidación de bibliotecas de software que integren eficientemente componentes
híbridos. En tanto estos desafíos sean abordados con éxito, los modelos híbridos
continuarán posicionándose como soluciones tecnológicamente viables y
computacionalmente eficientes para aplicaciones de inteligencia artificial avanzada.
4. Discusión
La convergencia entre la computación cuántica y el aprendizaje automático ha
configurado un nuevo paradigma teórico-experimental, cuyas implicaciones exceden
los marcos tradicionales de la ciencia computacional. A partir del análisis exhaustivo
de los avances recientes en algoritmos cuánticos y modelos híbridos, es posible
sostener que, aunque el campo se encuentra en una etapa incipiente, los desarrollos
alcanzados permiten vislumbrar un cambio sustancial en la forma en que se abordan
problemas complejos de clasificación, predicción y optimización. En particular, los
algoritmos variacionales, como el Variational Quantum Classifier (VQC), han
demostrado ser herramientas versátiles para tareas de aprendizaje supervisado, al
permitir la codificación y manipulación eficiente de datos en espacios de Hilbert de alta
dimensionalidad. La capacidad de estos algoritmos para explorar múltiples
configuraciones en paralelo, gracias a la superposición cuántica, les otorga una
ventaja teórica frente a sus contrapartes clásicas, especialmente en dominios con
relaciones altamente no lineales (Cerezo et al., 2021).
En esta misma línea, las máquinas de vectores soporte cuánticas (QSVM)
representan un avance significativo al extender el concepto de separación de
hiperplanos a través de quantum kernels, lo cual posibilita una representación más
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 27
Octubre – Diciembre 2023
compacta y eficiente de los datos. Experimentos como los de Havlíček et al. (2019)
han demostrado que incluso con hardware ruidoso, los modelos QSVM pueden
superar en rendimiento a los modelos clásicos en tareas de clasificación con conjuntos
de datos pequeños. No obstante, esta ventaja aún depende de factores técnicos no
resueltos, como la fidelidad de las compuertas cuánticas, la precisión de las
mediciones y la eficiencia de los esquemas de codificación de datos clásicos en
estados cuánticos. Este último punto es crucial, pues la codificación ineficiente puede
anular cualquier ventaja cuántica potencial (Schuld & Killoran, 2019).
Por otro lado, las redes neuronales cuánticas (QNN) han emergido como una frontera
epistemológica dentro del aprendizaje automático cuántico, al permitir arquitecturas
modulares que combinan las propiedades de las redes profundas clásicas con la
naturaleza no lineal e intrínsecamente paralela de los circuitos cuánticos. Estudios
como los de Mitarai et al. (2018) y Beer et al. (2020) indican que las QNN poseen
capacidades de generalización superiores, al menos teóricamente, bajo ciertas
condiciones de entrenamiento y diseño arquitectónico. Sin embargo, la estabilidad de
los gradientes durante el aprendizaje sigue siendo un obstáculo crítico. El fenómeno
de los barren plateaus limita la escalabilidad de estos modelos y compromete su
aplicabilidad práctica, lo que ha llevado al desarrollo de estrategias de mitigación como
el uso de ansätze eficientes y técnicas de inicialización especializadas (McClean et
al., 2018; Grant et al., 2019).
A nivel estructural, los modelos híbridos cuántico-clásicos ofrecen una solución
pragmática a las limitaciones del hardware actual. Su capacidad para distribuir la
carga computacional entre componentes cuánticos y clásicos les confiere una
flexibilidad que ha sido validada empíricamente en múltiples entornos de aplicación.
En particular, la optimización variacional cuántico-clásica se ha consolidado como una
metodología robusta, aplicable tanto a problemas de física computacional como a
tareas de aprendizaje supervisado. La posibilidad de ajustar circuitos cuánticos a
través de algoritmos clásicos de optimización ha demostrado ser eficiente en tareas
como clasificación de imágenes, predicción de valores continuos y detección de
patrones complejos en datos estructurados (Peruzzo et al., 2014; Gacon et al., 2021).
Asimismo, la fusión de componentes cuánticos con redes neuronales profundas
clásicas ha revelado beneficios no solo en términos de precisión, sino también en
cuanto a generalización, tolerancia al sobreajuste y eficiencia en la utilización de
datos. Abbas et al. (2021) han demostrado que las redes híbridas pueden alcanzar
niveles competitivos de rendimiento con un número menor de parámetros, lo que
implica una menor carga computacional y, potencialmente, una reducción significativa
en el consumo energético. Este aspecto es especialmente relevante en un contexto
global donde la sostenibilidad computacional es un objetivo prioritario, dado que los
modelos clásicos de gran escala, como las redes transformer, requieren recursos
masivos para su entrenamiento (Strubell et al., 2019).
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 28
Octubre – Diciembre 2023
En cuanto a la eficiencia computacional, los modelos híbridos muestran una tendencia
favorable en la reducción del tiempo de convergencia, del tamaño de las arquitecturas
y del volumen de datos necesarios para alcanzar umbrales óptimos de rendimiento.
Investigaciones como las de Huang et al. (2021) respaldan esta hipótesis, al
evidenciar que los quantum feature maps permiten una separación de clases más
efectiva en espacios complejos con menor requerimiento de procesamiento. No
obstante, la magnitud de esta ventaja sigue siendo objeto de debate, dado que aún
no existen estándares consolidados para la evaluación comparativa entre modelos
híbridos y clásicos en tareas reales de gran escala. A ello se suma la necesidad de
contar con protocolos de validación reproducibles y con acceso a hardware cuántico
suficientemente estable, condición que aún limita la replicabilidad de muchos estudios.
En síntesis, la evidencia reunida en esta revisión permite concluir que, si bien el
aprendizaje automático cuántico y los modelos híbridos aún enfrentan desafíos
técnicos y conceptuales relevantes, sus fundamentos teóricos y las pruebas empíricas
iniciales justifican plenamente su exploración como una línea de investigación
estratégica. El progreso en algoritmos variacionales, QSVM y redes neuronales
cuánticas, así como su integración en sistemas híbridos, constituye una base sólida
para futuras aplicaciones en dominios de alta complejidad computacional. A medida
que se resuelvan las limitaciones del hardware y se desarrollen marcos teóricos más
refinados, es plausible que estos modelos desempeñen un papel fundamental en la
evolución de la inteligencia artificial cuántica.
5. Conclusiones
A partir del análisis realizado, se concluye que la computación cuántica representa
una alternativa prometedora para la mejora de los algoritmos de aprendizaje
automático, en especial en tareas que demandan un procesamiento intensivo de
información y una representación eficiente de datos complejos. Los avances en
algoritmos cuánticos como los clasificadores variacionales, las máquinas de vectores
soporte cuánticas y las redes neuronales cuánticas evidencian un progreso
significativo tanto en el plano teórico como en el experimental, sentando las bases
para una futura integración robusta entre ambos paradigmas.
Los modelos híbridos cuántico-clásicos, por su parte, se configuran como la solución
más pragmática en el contexto actual del hardware cuántico de escala intermedia. Al
distribuir funcionalmente las cargas computacionales entre componentes cuánticos y
clásicos, estos modelos permiten aprovechar las ventajas de cada sistema y mitigar
sus limitaciones, especialmente en lo referente a la estabilidad, escalabilidad y costo
computacional. Esta estrategia no solo amplía las capacidades del aprendizaje
automático tradicional, sino que además abre nuevas posibilidades en la
representación de funciones altamente no lineales, reducción de dimensionalidad y
entrenamiento con conjuntos de datos limitados.
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 29
Octubre – Diciembre 2023
A pesar del potencial teórico y de los avances experimentales, persisten desafíos
técnicos y conceptuales que requieren atención. Entre ellos se destacan la mitigación
del ruido cuántico, la optimización de arquitecturas variacionales, la mejora en la
codificación eficiente de datos clásicos y la necesidad de marcos estandarizados para
la evaluación y comparación de modelos híbridos. Superar estos obstáculos será
determinante para alcanzar una ventaja cuántica sostenible y aplicable en escenarios
del mundo real.
En síntesis, la integración de la computación cuántica en el aprendizaje automático no
debe entenderse como una sustitución del paradigma clásico, sino como una
evolución complementaria que, mediante enfoques híbridos y algoritmos específicos,
permitirá enfrentar con mayor eficacia los desafíos computacionales de la era de los
datos. El desarrollo continuo de hardware, herramientas de software y teoría cuántica
aplicada será esencial para consolidar esta transición y potenciar el surgimiento de
una nueva generación de inteligencia artificial cuántica.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Abbas, A., Sutter, D., Zoufal, C., Lucchi, A., Figalli, A., & Woerner, S. (2021). The
power of quantum neural networks. Nature Computational Science, 1(6), 403–
409. https://doi.org/10.1038/s43588-021-00084-1
Arute, F., Arya, K., Babbush, R., Bacon, D., Bardin, J. C., Barends, R., ... & Martinis,
J. M. (2019). Quantum supremacy using a programmable superconducting
processor. Nature, 574(7779), 505–510. https://doi.org/10.1038/s41586-019-
1666-5
Beer, K., Bondarenko, D., Farrelly, T. et al. (2020). Training deep quantum neural
networks. Nat Commun 11, 808. https://doi.org/10.1038/s41467-020-14454-2
Biamonte, J., Wittek, P., Pancotti, N., Rebentrost, P., Wiebe, N., & Lloyd, S. (2017).
Quantum machine learning. Nature, 549(7671), 195–202.
https://doi.org/10.1038/nature23474
Cerezo, M., Arrasmith, A., Babbush, R., Benjamin, S. C., Endo, S., Fujii, K., ... & Coles,
P. J. (2021). Variational quantum algorithms. Nature Reviews Physics, 3(9),
625–644. https://doi.org/10.1038/s42254-021-00348-9
Cerezo, M., Arrasmith, A., Babbush, R., Benjamin, S. C., Endo, S., Fujii, K., ... & Coles,
P. J. (2021). Variational quantum algorithms. Nature Reviews Physics, 3(9),
625–644. https://doi.org/10.1038/s42254-021-00348-9
Chen, M., Li, G., Lin, H., & Huang, J. (2021). Hybrid quantum-classical neural network
for histopathological image classification. IEEE Access, 9, 146508–146517.
Revista Científica Ciencia y Método | Vol.01 | Núm.04 | Oct – Dic | 2023 | www.revistacym.com pág. 30
Octubre – Diciembre 2023
Cong, I., Choi, S., & Lukin, M. D. (2019). Quantum convolutional neural networks.
Nature Physics, 15(12), 1273–1278. https://doi.org/10.1038/s41567-019-0648-
8
Farhi, E., & Neven, H. (2018). Classification with quantum neural networks on near
term processors. arXiv preprint arXiv:1802.06002.
https://doi.org/10.48550/arXiv.1802.06002
Gacon, J., Zoufal, C., & Woerner, S. (2021). Simultaneous perturbation stochastic
approximation of the quantum natural gradient. Quantum, 5, 567.
Grant, E., Wossnig, L., Ostaszewski, M., & Benedetti, M. (2019). An initialization
strategy for addressing barren plateaus in parametrized quantum circuits.
Quantum, 3, 214. https://doi.org/10.22331/q-2019-12-09-214
Havlíček, V., Córcoles, A. D., Temme, K., Harrow, A. W., Kandala, A., Chow, J. M., &
Gambetta, J. M. (2019). Supervised learning with quantum-enhanced feature
spaces. Nature, 567(7747), 209–212. https://doi.org/10.1038/s41586-019-
0980-2
Huang, H. Y., Broughton, M., Mohseni, M., Babbush, R., Boixo, S., Neven, H., &
McClean, J. R. (2021). Power of data in quantum machine learning. Nature
Communications, 12(1), 2631. https://doi.org/10.1038/s41467-021-22539-9
McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018).
Barren plateaus in quantum neural network training landscapes. Nature
Communications, 9(1), 4812. https://doi.org/10.1038/s41467-018-07090-4
Mitarai, K., Negoro, M., Kitagawa, M., & Fujii, K. (2018). Quantum circuit learning.
Physical Review A, 98(3), 032309.
https://doi.org/10.1103/PhysRevA.98.032309
Peruzzo, A., McClean, J., Shadbolt, P., Yung, M. H., Zhou, X. Q., Love, P. J., ... &
O’Brien, J. L. (2014). A variational eigenvalue solver on a photonic quantum
processor. Nature Communications, 5, 4213.
https://doi.org/10.1038/ncomms5213
Preskill, J. (2018). Quantum Computing in the NISQ era and beyond. Quantum, 2, 79.
https://doi.org/10.22331/q-2018-08-06-79
Schuld, M., & Killoran, N. (2019). Quantum machine learning in feature Hilbert spaces.
Physical Review Letters, 122(4), 040504.
https://doi.org/10.1103/PhysRevLett.122.040504
Stokes, J., Izaac, J., Killoran, N., & Carleo, G. (2020). Quantum natural gradient.
Quantum, 4, 269. https://doi.org/10.22331/q-2020-05-25-269
Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for
deep learning in NLP. Proceedings of the 57th Annual Meeting of the
Association for Computational Linguistics, 3645–3650.
https://doi.org/10.18653/v1/P19-1355