Una red neuronal que utiliza principios de computación cuántica para procesar información, ofreciendo potencialmente ventajas en velocidad y eficiencia.Una red neuronal cuántica (QNN) es un modelo computacional que combina los principios de la computación cuántica con las redes neuronales artificiales. A diferencia de las redes neuronales clásicas que procesan información usando bits (0 o 1), las QNN utilizan bits cuánticos (qubits), que pueden existir en superposiciones de estados, lo que les permite representar y procesar información de maneras exponencialmente más ricas. Este potencial permite que las QNN manejen ciertas tareas computacionales, como el reconocimiento de patrones y la optimización, de manera más eficiente que sus contrapartes clásicas, aunque las ventajas prácticas aún están bajo investigación activa.
El concepto surgió a finales de la década de 1990 y principios de la de 2000, con propuestas teóricas de investigadores como E. Farhi y S. Lloyd. Sin embargo, las implementaciones prácticas solo fueron posibles en la década de 2010 con la llegada de los dispositivos cuánticos de escala intermedia con ruido (NISQ), lo que llevó a un aumento en las demostraciones experimentales.
Las QNN típicamente consisten en capas de compuertas cuánticas que actúan sobre qubits, análogas a las conexiones ponderadas en las redes neuronales clásicas. La red se entrena ajustando parámetros (como los ángulos de las compuertas) para minimizar una función de costo, a menudo usando algoritmos híbridos clásico-cuánticos. Durante el entrenamiento, la computadora cuántica evalúa la salida de la red, y un optimizador clásico actualiza los parámetros. La ventaja clave es que la superposición y el entrelazamiento cuánticos permiten que la red explore muchas soluciones posibles simultáneamente, lo que potencialmente conduce a una convergencia más rápida o a la capacidad de modelar correlaciones complejas que son intratables clásicamente.
Las QNN se están explorando para aplicaciones en química cuántica, descubrimiento de fármacos, modelado financiero y tareas de aprendizaje automático como clasificación y modelado generativo, particularmente en hardware cuántico de corto plazo.
Algunos modelos de QNN pueden entrenarse para reconocer patrones en datos que son imposibles de distinguir para las redes neuronales clásicas, debido a la dimensionalidad exponencial del espacio de estados cuánticos.
