Tesis:
Automatic Generation of Optimized Quantum Circuits for Real-world Machine Learning Applications
- Autor: ALTARES LÓPEZ, Sergio
- Título: Automatic Generation of Optimized Quantum Circuits for Real-world Machine Learning Applications
- Fecha: 2025
- Materia:
- Escuela: E.T.S. DE INGENIEROS INDUSTRIALES
- Departamentos: SIN DEPARTAMENTO DEFINIDO
- Acceso electrónico: https://oa.upm.es/88738/
- Director/a 1º: RIBEIRO SEIJAS, Angela
- Director/a 2º: GARCÍA RIPOLL, Juan José
- Resumen: Quantum machine learning (QML) merges quantum computing and machine learning to enhance data processing. QML models typically use quantum circuits, but designing these circuits is challenging due to issues with handling large data volumes and circuit size. Larger circuits can be inefficient, while smaller ones may lack expressivity. This research introduces a global optimization framework for generating quantum circuits with multi-objective genetic algorithms, optimizing structure, operators, and parameters while balancing accuracy and model size. The gradient-free optimization method avoids issues like barren plateaus. The proposed methodology is applied in various domains, including classification, image segmentation, and time-series prediction, achieving promising results. The discovered models have high representational capacity with minimal qubit use, improving scalability and efficiency for large models and inspiring quantum-inspired machine learning models for both academia and industry.
RESUMEN
El aprendizaje automático cuántico combina la computación cuántica y el aprendizaje automático para mejorar el procesamiento de datos. Los modelos suelen utilizar circuitos cuánticos, pero su diseño es un reto debido a los problemas que plantea el manejo de grandes volúmenes de datos y el tamaño de los circuitos. Los circuitos más grandes pueden ser ineficientes, mientras que los más pequeños pueden carecer de expresividad. Esta investigación introduce un marco de optimización global para generar circuitos cuánticos con algoritmos genéticos multiobjetivo, optimizando la estructura, los operadores y los parámetros al tiempo que se equilibra la precisión y el tamaño del modelo. El método de optimización sin gradiente evita problemas como barren plateaus. La metodología propuesta se aplica en diversos ámbitos, como la clasificación de datos tabulares e imágenes, la segmentación de imágenes y la predicción de series temporales, obteniéndose resultados prometedores. Los modelos descubiertos tienen una alta capacidad de representación con un uso mínimo de qubits, lo que mejora la escalabilidad y la eficiencia de los modelos de gran tamaño e inspira modelos de aprendizaje automático de inspiración cuántica tanto para el mundo académico como para la industria.