Proyecto en curso · Computación cuántica
Quantum
Usamos la computación cuántica para leer mejor las imágenes médicas.
- las capas de una QCNN en N cúbits
- log N
- por cada puerta de la convolución
- 2 cúbits
- los cúbits medidos en cada pooling
- 1 de cada 2
- de la imagen a la clase
- 4 pasos
Para quien viene de física, informática, medicina
El problema
Para reconocer un tumor en una resonancia, una red neuronal convolucional, una CNN, aprende de miles de ejemplos. En medicina los ejemplos son pocos, y las etiquetas las ponen médicos que no siempre están de acuerdo entre ellos, ni consigo mismos con el paso del tiempo.
Con datos así, las CNN grandes aprenden de memoria también los errores y generalizan mal. Incluso medirlas es difícil: en dos competiciones de Kaggle con menos de 1000 casos de prueba, la diferencia entre la clasificación pública y la privada era mayor que la distancia entre el ganador y el 10% de los mejores.
El cúbit y la esfera de Bloch
Un bit vale 0 o 1. Un cúbit puede estar en una superposición de los dos: su estado es un punto en la superficie de una esfera, la esfera de Bloch. En el polo norte está |0⟩, en el polo sur |1⟩, en el ecuador las superposiciones a partes iguales, como |+⟩ y |−⟩.
|ψ⟩ = cos(θ/2) · |0⟩ + e^(iφ) · sin(θ/2) · |1⟩
θ de 0 a π, la latitud medida desde el polo norte
φ de 0 a 2π, la longitud sobre el ecuador
punto en la esfera = (sin θ · cos φ, sin θ · sin φ, cos θ)Las puertas lógicas cuánticas son rotaciones de la esfera. X, Y y Z giran el estado media vuelta alrededor de sus ejes; la puerta de Hadamard gira alrededor del eje a medio camino entre x y z, y lleva |0⟩ a |+⟩.
| |0⟩ | polo norte | eje +z |
|---|---|---|
| |1⟩ | polo sur | eje −z |
| |+⟩ | ecuador | eje +x |
| |−⟩ | ecuador | eje −x |
| |+i⟩ | ecuador | eje +y |
| |−i⟩ | ecuador | eje −y |
La red convolucional cuántica
Una QCNN lleva la idea de las CNN a los cúbits. La convolución es una fila de puertas de dos cúbits, iguales en toda la capa, sobre los pares de cúbits vecinos. El pooling mide la mitad de los cúbits y usa los resultados para rotar los que quedan. Capa tras capa los cúbits se reducen a la mitad, hasta que una medición da la clase.
La ventaja está en los números: en N cúbits bastan alrededor de log N capas, y los parámetros que hay que aprender crecen como log N. Y está demostrado que una QCNN no cae en los barren plateaus, las mesetas planas donde se detiene el entrenamiento de muchos circuitos cuánticos.
Los números del gráfico
| Capa | Cúbit |
|---|---|
| Entrada | 8 cúbit |
| Después del primer pooling | 4 cúbit |
| Después del segundo | 2 cúbit |
| Salida | 1 cúbit |
Qué sabemos y qué no
Trabajos de 2025 y 2026 muestran que muchas QCNN usadas hoy se pueden simular de forma eficiente incluso en un ordenador clásico, porque funcionan bien sobre todo con datos fáciles de leer con medidas locales.
En las resonancias del cerebro los números publicados todavía son bajos. Por eso no prometemos una ventaja cuántica: nuestro trabajo es medirla, en igualdad de condiciones, frente a los métodos clásicos y sobre los mismos datos.
Los números del gráfico
| Tarea | Exactitud |
|---|---|
| Dos clases (tumor o no) | de 88 a 89% |
| Cuatro clases (tres tumores o ninguno) | de 52 a 62% |
El recorrido del proyecto
- 1Una imagen médica, por ejemplo una resonancia del cerebro.
- 2El procesamiento en un ordenador cuántico real.
- 3La comparación con los otros métodos.
- 4La clasificación: a qué grupo pertenece la imagen.
En abril de 2026 el código cuántico está listo para las pruebas.
Los datos públicos
Para este problema existen colecciones públicas de resonancias con tumores cerebrales, ya etiquetadas. Las principales:
| Brain Tumor MRI, Kaggle | 7.200 imágenes | 4 clases: glioma, meningioma, hipofisario, ningún tumor |
|---|---|---|
| Figshare, Cheng y colegas | 3.064 imágenes | de 233 pacientes, 3 tipos de tumor |
| BraTS 2021 | 2.040 pacientes | 4 secuencias de resonancia, con los contornos del tumor |
En qué punto estamos
- Abril de 2026Presentamos el proyecto en Palazzo della Borsa: el código cuántico está listo para las pruebas.
- Próximo pasoEjecutar todo el proceso en un ordenador cuántico real y compararlo con los métodos clásicos, sobre los mismos datos.
Fotos
Vídeos
Personas del proyecto
Con quién lo hacemos
Fuentes
- Cong, Choi y Lukin, Quantum convolutional neural networks, Nature Physics, 2019.
- Pesah y colegas, Absence of Barren Plateaus in Quantum Convolutional Neural Networks, Physical Review X, 2021.
- McClean y colegas, Nature Communications, 2018; Bermejo y colegas, PRX Quantum, 2026.
- Karimi y colegas, Medical Image Analysis, 2020; Varoquaux y Cheplygina, npj Digital Medicine, 2022.
- Nugraha y colegas, arXiv:2509.02582, 2025.
- IBM Quantum Learning, Bloch sphere.
- Presentación del Deep-Tech Showcase, Palazzo della Borsa, 21 de abril de 2026.
¿Quieres trabajar en ello?
No hace falta experiencia ni currículum. Escríbenos: te invitamos al próximo encuentro, donde conoces al equipo.