Una arquitectura híbrida con componente cuántico reduce un 50% los errores en clasificación de imágenes

En julio de 2026, investigadores presentaron en arXiv un sistema híbrido de clasificación de imágenes que combina componentes cuánticos y clásicos mediante una arquitectura mixture of experts. En las pruebas con los conjuntos MNIST y Fashion-MNIST, el sistema redujo la tasa de error aproximadamente a la mitad y mostró que los enfoques de inspiración cuántica van más allá de la investigación teórica.

Cómo funciona el sistema híbrido

El sistema se divide en dos partes. La parte cuántica codifica la imagen mediante amplitude encoding, aplica operaciones de convolución a través de transformaciones unitarias locales y procesa los datos con varios expertos que usan parámetros distintos. La extracción de características se apoya en códigos estabilizadores cuánticos (stabiliser codes). Después, la parte clásica reúne los resultados de todos los expertos mediante una red neuronal totalmente conectada para la clasificación final.

• La parte cuántica usa amplitude encoding para transformar los datos de los píxeles
• La arquitectura incluye varios expertos, cada uno procesa la imagen con parámetros distintos
• La parte clásica combina las salidas de todos los expertos en la predicción final
• En MNIST y Fashion-MNIST se logró una reducción de errores de ~50%
• La sobrecarga en GPU sigue siendo aceptable para el uso práctico en estaciones de trabajo modernas

Resultados y viabilidad práctica

El análisis conjunto de los expertos dio mejores resultados que el trabajo de expertos individuales. Los autores subrayan que la sobrecarga de su estrategia de inspiración cuántica es moderada en estaciones de trabajo con GPU, lo que la convierte en una alternativa práctica a los esquemas clásicos existentes. Además, los investigadores indican que la parte cuántica del marco puede ejecutarse en un procesador cuántico real, cuando ese hardware esté disponible.

Qué significa

El estudio demuestra que las arquitecturas híbridas cuántico-clásicas con mixture of experts empiezan a pasar de los laboratorios a las aplicaciones prácticas. Gracias a su sobrecarga moderada, el enfoque ya funciona hoy en ordenadores clásicos y, con el avance de los procesadores cuánticos, podría mostrar ventajas significativas.

Preguntas frecuentes

¿Qué es mixture of experts en este estudio?

Varios expertos, en este caso componentes cuánticos, se entrenan con los mismos datos y con parámetros distintos. Cada experto procesa la imagen de forma independiente y, después, una red neuronal clásica combina sus predicciones en el resultado final.

¿En qué conjuntos de datos se probó el sistema?

Los investigadores usaron MNIST (dígitos manuscritos de 28×28 píxeles) y Fashion-MNIST (imágenes de ropa del mismo tamaño), dos conjuntos de referencia estándar para tareas de clasificación de imágenes.

¿Cuándo se podrá usar en ordenadores cuánticos reales?

La arquitectura ya está adaptada para ejecutarse en procesadores cuánticos, pero eso requiere que el hardware correspondiente madure. Por ahora, el sistema es práctico en estaciones de trabajo con GPU clásicas.