Redes neuronales quanvolucionales para clasificación de señal auditiva

Abstract

El principal objetivo de este trabajo es el estudio de técnicas de aprendizaje automático cuántico (QML) para tareas de clasificación binaria, dirigidas esencialmente a señal auditiva. En particular nos centramos en las Redes Quanvolucionales o Convolucionales Cuánticas (QCNN), un tipo de modelo de aprendizaje cuántico que toma inspiración enlas Redes Convolucionales (CNN) clásicas debido a su bondad para la clasificación y tratamiento de imágenes.

Para ello, se ha definido en primera instancia una serie de QCNNs formadas por distintos circuitos y arquitecturas que serán evaluadas utilizando un dataset de dominio público compuesto por géneros musicales (GTZAN). Posteriormente, se diseña un modelo CNN para comparar la viabilidad de los modelos cuánticos propuestos y señalar las diferencias entre ambos tipos de modelos.

Los resultados presentados aquí muestran unos rendimientos equiparables entre los distintos modelos cuánticos y clásicos, haciendo incapié tanto en la capacidad de aprendizaje como la estabilidad en los entrenamientos. Además, estos resultados también ponen de manifiesto las diferencias en el crecimiento en el número de parámetros cuando se incrementa la complejidad y tamaño de los datos, demostrando las posibles ventajas de estos modelos cuánticos en el fin de la era NISQ.