L’auge de la computació quàntica està redefinint els límits del machine learning, però la majoria dels mètodes de kernel quàntic actuals arrosseguen limitacions pràctiques severes: escalen quadràticament amb la mida del conjunt d’entrenament, utilitzen kernels fixos i no entrenables, i manquen d’una formulació intrínseca per a classificació multiclase. Davant d’aquest panorama, sorgeix McQuack, un kernel quàntic entrenable que promet canviar les regles del joc. En aquest article explorem en profunditat què és McQuack, com funciona, quins resultats ha obtingut en simulació i en hardware real d’IBM, i com aquesta tecnologia pot integrar-se en l’ecosistema empresarial actual, de la mà de solucions d’aplicacions a mida i intel·ligència artificial.
Els kernels tradicionals, com l’RBF o el polinòmic, són eines poderoses, però la seva aplicació en grans volums de dades esdevé inviable: la matriu Gram completa requereix O(n²) memòria i càlcul. A més, un cop escollit el kernel, aquest no es pot adaptar durant l’entrenament, cosa que limita la seva capacitat d’ajustar-se a patrons complexos. Per acabar, la classificació multiclase obliga a recórrer a esquemes one-vs-one o one-vs-all, afegint sobrecàrrega i complexitat. McQuack ataca aquests tres fronts de manera simultània.
La innovació clau de McQuack rau a reemplaçar la costosa matriu Gram completa per una matriu de fidelitat entre cada mostra i els centroides de classe. En lloc de comparar cada parell de mostres, el model calcula la fidelitat quàntica entre una mostra i un conjunt de centroides entrenables. Això redueix la complexitat d’O(n²) a O(n × k), on k és el nombre de classes, aconseguint un escalat lineal en el nombre de mostres d’entrenament. A més, els centroides no són fixos: s’optimitzen durant l’entrenament mitjançant algoritmes variacionals, cosa que converteix el kernel en un element adaptatiu. Aquesta capacitat entrenable permet que el model aprengui quines regions de l’espai de Hilbert són rellevants per a cada classe, millorant la separació sense necessitat d’enginyeria manual de característiques.
Però el més trencador és que McQuack gestiona la classificació multiclase de forma natural. En definir un centroide per classe, la predicció es realitza assignant la mostra al centroide amb major fidelitat, sense necessitat de descomposicions binàries. Això simplifica el model i redueix el cost computacional, a més de proporcionar una interpretació geomètrica directa: cada classe ocupa una regió al voltant del seu centroide en l’espai d’estats quàntics.
Els experiments realitzats per l’equip de McQuack cobreixen més de 150 datasets, tant en simulació com en hardware real d’IBM amb fins a 124 qubits. En simulació, McQuack va superar els mètodes quàntics “purs” existents, com els classificadors variacionals tradicionals, demostrant una major precisió i eficiència. En hardware real, sense entrenament previ (inferència directa), els resultats van ser comparables als d’un kernel RBF clàssic, cosa que suggereix que fins i tot sense optimització el model hereta propietats útils de l’espai de Hilbert.
Un aspecte crític per a la viabilitat pràctica de qualsevol model quàntic entrenable és la presència de mesetes estèrils (barren plateaus) que impedeixen l’optimització. McQuack no va trobar evidència de mesetes estèrils en experiments amb fins a 13 qubits, i els investigadors subratllen que la inicialització dels paràmetres és crucial per a l’èxit. Això obre la porta a escalar a circuits més grans sense por que el gradient es desvaneixi.
Des d’una perspectiva empresarial, McQuack representa un avenç significatiu per a aquells que busquen integrar capacitats quàntiques en els seus fluxos de treball de machine learning, sense haver de lidiar amb les limitacions dels kernels clàssics. Aquí és on l’experiència en IA i desenvolupament de programari a mida esdevé indispensable. A Q2BSTUDIO, acompanyem les empreses en l’adopció d’aquestes tecnologies disruptives, dissenyant solucions que integren models quàntics amb infraestructures cloud robustes. Ja sigui desplegant un classificador McQuack a AWS o Azure, o combinant-lo amb sistemes de Business Intelligence com Power BI per a anàlisi en temps real, la clau és construir ecosistemes flexibles que maximitzin el retorn de la inversió.
A més, la naturalesa entrenable de McQuack encaixa perfectament amb els enfocaments moderns d’agents d’IA autònoms. Un agent intel·ligent podria usar McQuack com a mòdul de classificació en línia, adaptant els seus centroides a mesura que rep noves dades, sense necessitat de reentrenar des de zero. Això permet sistemes d’aprenentatge continu, ideals per a entorns dinàmics com la ciberseguretat, on els patrons d’atac evolucionen constantment. A Q2BSTUDIO desenvolupem agents d’IA capaços d’integrar aquests kernels quàntics per detectar anomalies i prevenir intrusions, tot recolzat per una arquitectura cloud segura i escalable.
Per descomptat, la ciberseguretat és un pilar fonamental en qualsevol implementació de tecnologia quàntica. Els models quàntics, igual que els clàssics, són vulnerables a atacs adversarials i requereixen protecció en totes les capes. Els nostres serveis de ciberseguretat inclouen pentesting i anàlisi de vulnerabilitats per garantir que els desplegaments de McQuack en entorns cloud siguin resilients. Així mateix, la capacitat d’escalar linealment que ofereix McQuack permet processar grans volums de dades sense sacrificar rendiment, cosa que és crítica per a aplicacions de BI en temps real on cada mil·lisegon compta.
En conclusió, McQuack no és només un avenç acadèmic: és una eina pràctica que apropa la computació quàntica a problemes reals de classificació multiclase. El seu escalat lineal, la seva capacitat entrenable i la seva formulació natural multiclase el converteixen en un candidat ideal per integrar-se en plataformes empresarials. A Q2BSTUDIO, combinem aquesta tecnologia amb la nostra expertesa en aplicacions a mida, cloud AWS/Azure, IA, ciberseguretat, BI amb Power BI i agents d’IA per oferir solucions úniques que marquen la diferència. El futur del machine learning quàntic ja és aquí, i és entrenable.
