Laura Donaire

✨ Cierro este #HiloTesis con esta frase inspiradora:
“Nada en la vida es para ser temido, es sólo para ser comprendido. Ahora es el momento de entender más, de modo que podamos temer menos.”
- Marie Curie

💬 ¿Te interesa? ¿Quieres charlar de computación cuántica, circuitos cuánticos o aprendizaje automático cuántico?

📩 Escríbeme, estaré encantada de hablar de mi tesis. 😁

Porque si queremos que la computación cuántica cambie el mundo, hay que:
⚙️ Mejorar hardware
🧪 Crear software que funcione hoy
💊 Resolver problemas que importan

✨Y siempre recordar que la computación cuántica no es solo para físicos, matemáticos o ingenieros, sino para cualquiera que quiera innovar.

Pero te resumo todo este hilo.

🧵 Mi tesis no es magia, ¡pero sí tiene truco! 😉

🔗 Conecto dos mundos para aportar al avance de la computación cuántica:
🛠️ Hardware: circuitos más eficientes
🧠 Software: aprendizaje automático cuántico

¿Pero mejora a otros modelos?

📊 Comparo QML-L con uno clásico (muy costoso computacionalmente) y otro cuántico.

📋 Tabla con info sobre balanceo y nº de qubits usados.

✨ Ventajas de mi modelo: sin balanceo, con pocos recursos y un rendimiento competitivo.

🧠 ¿Quieres saber cómo lo hicé?
Léeme 👉 ssrn.com/abstract=527...

¿Y qué tal funciona?
✅ Accuracy: 83%
✅ Precision: 80%
✅ Recall: 90%
✅ F1-Score: 85%

📉 Todo esto sin balancear los datos y con pocos recursos.
💡 Ideal para escenarios reales, ¡donde los ordenadores cuánticos aún tienen sus límites!

Para probarlo, usé un dataset real:
📄 583 registros
⚖️ Clases desbalanceadas

Sin trucos extras de balanceo, solo preprocesado y un modelo híbrido cuántico-clásico.

✨ Te presento: QML-Liver

🔧 Una red neuronal clásica + una capa cuántica con solo 1 qubit.

📷 Representación de mi modelo híbrido.

Los algoritmos clásicos tienen problemas cuando:
⚖️ Los datos están desbalanceados
🧩 Son complejos y ruidosos
⏳ Y los cálculos son muy costosos

🌟 Mi propuesta: usar aprendizaje automático cuántico.

Mi tesis no solo va de hardware... ¡también de software cuántico!
🤖 ¿Puede el aprendizaje automático cuántico (QML) superar al clásico?

🩺 Caso real: detectar si un paciente tiene una enfermedad hepática a partir de sus datos clínicos. ¡Podría salvar vidas!

📷 Resultados: Comparación de circuitos cuánticos de la literatura con mis versiones mejoradas.

✅ Menos T-count y T-depth
🔧 Reducción de puertas CNOT

💡 ¡Un paso hacia circuitos más eficientes y fiables!

🧵 Al reducir un circuito cuántico en términos de puertas T, hay dos métricas clave:

1️⃣ T-count: total de puertas T.
2️⃣ T-depth: puertas T que se ejecutan una tras otra (más profundidad = más lento).

Si no quieres leer mucho, te lo resumo rápido:

🔎 Descubrí que algunas operaciones se pueden hacer con una puerta llamada Temporary logical-AND, que usa pocas puertas T.
💡 Además, aplico trucos para reducir las puertas CNOT.

Menos puertas caras y problemáticas = circuitos más rápidos y fiables 🚀.

Euro-Par 2024: Parallel Processing Workshops The Euro-Par 2024 proceedings deal with all aspects of theory and practice in parallel and distributed processing.

🎯 ¿Y ahora qué?
Mi objetivo es claro:
🔧 Usar el conjunto Clifford+T
🔽 Reducir puertas T y CNOT
✅ Mantener el funcionamiento

💪 Porque optimizar no es quitar por quitar:
¡es hacer más con menos!

🧵¿Quieres ver cómo lo logré? Te lo explico con ejemplos aquí:
👉 link.springer.com/book/10.1007...

Para entender cómo optimicé los circuitos, necesitas conocer tres puntos clave:

1️⃣ El conjunto Clifford+T garantiza que los circuitos sean compatibles con códigos de corrección de errores.

2️⃣ La puerta T es imprescindible y la más “cara”.

3️⃣ La puerta CNOT es necesaria, pero también genera errores.

Mi primera misión en la tesis fue diseñar circuitos cuánticos aritméticos - fundamentales para muchas aplicaciones:
📸 Procesamiento de imágenes cuántico
🧠 Aprendizaje automático cuántico (QML)

Pero no todo lo que brilla es oro… ✨
❌ Los ordenadores cuánticos tienen pocos qubits
❌ Son muy sensibles al ruido, ¡y eso causa errores!
❌ Algunas puertas (que actúan sobre los qubits) son muy costosas de implementar

💪 Ahí entra mi tesis: ¡hacerlos más rápidos y eficientes!

¡Pero ojo! La computación cuántica no es ciencia ficción ni magia de película (aunque en las pelis lo parezca😅).

Es física real aplicada para procesar información de manera diferente, revolucionaria.

¡Como pasar de las palomas mensajeras al email! 🕊️➡️📧

🧊 Un ordenador clásico usa bits: 0 o 1.

💡 El cuántico usa qubits, con poderes únicos:

🎩 Pueden estar en 0 y 1 a la vez (superposición)
🔗 Están "conectados" aunque estén muy, muy lejos (entrelazamiento)

Esa magia permite resolver ciertos problemas mucho más rápido.

📷 Infografía realizada por mí.

🖥️ Los ordenadores clásicos son potentes, pero llegan a un límite físico que frena su crecimiento:
⚡ Escalar a más potencia es muy difícil
🐢 Se vuelven lentos en ciertos problemas

La computación cuántica promete cambiar eso con reglas propias, casi mágicas… pero reales.

👋 ¡Estoy en plena misión para que los ordenadores cuánticos sean más rápidos y útiles! ⚙️✨
No soy maga, pero mi tesis tiene truco: optimizo circuitos cuánticos y aplico aprendizaje automático cuántico para problemas reales.
Abro #HiloTesis 👇
@universidadalmeria.bsky.social

📷Imagen generada por IA