Speaker
Description
Algunos algoritmos de Machine Learning, como las Redes Neuronales Recurrentes (RNN),
analizan series temporales para predecir valores desconocidos de variables en un sistema
complejo. Cuando se trabaja con redes multicapa y series amplias, surgen algunos problemas,
como el sobreajuste o las pérdidas de memoria. Varios enfoques intentan resolverlos, por
ejemplo, la célula Long Short-Term Memory (LSTM). A pesar de estos enfoques, el aprendizaje a
partir de sistemas complejos multivariables sigue siendo un reto y requiere redes con muchos
términos no lineales, costosas de calcular en dispositivos clásicos.
La computación cuántica emerge como un enfoque prometedor para abordar problemas
complejos de forma más eficiente, ya que permite computar términos no lineales en un
espacio de alta dimensión sin gastar recursos exponenciales. Proponemos un modelo RNN
cuántico (QRNN) como primer paso hacia la predicción de series temporales multivariantes. El
núcleo de la QRNN es un circuito cuántico parametrizado que intercambia información de
forma iterativa, pero, al mismo tiempo, guarda memoria de datos pasados
