Investigadores han desarrollado una extensión de los circuitos cuánticos polinomiales instantáneos (IQP) parametrizados, adaptándolos para trabajar con datos enteros mediante el formalismo de cúdits. Tradicionalmente, los modelos de aprendizaje generativo cuántico basados en circuitos IQP han sido efectivos para distribuciones binarias. Sin embargo, su aplicación a conjuntos de datos no binarios presentaba limitaciones significativas, ya que la conversión de valores enteros a representaciones binarias compatibles con cúbits a menudo distorsionaba la estructura métrica original de los datos.

La nueva metodología aborda esta limitación codificando cada píxel con valor entero en una cadena de bits de longitud fija. Las puertas cuánticas se han transformado para operar bajo el formalismo de cúdits, lo que permite una representación más natural y eficiente de los datos no binarios. Como parte de este enfoque de aprendizaje automático generativo, se ha diseñado una función de pérdida adecuada para el entrenamiento del circuito y se ha desarrollado un método para calcular la matriz de covarianza entre las características.

La validez de este método se ha demostrado utilizando los depósitos de energía de las duchas de electrones de una sola partícula en el calorímetro electromagnético del detector CLIC. Este avance es crucial porque permite que los circuitos IQP parametrizados, que son una herramienta prometedora en el aprendizaje automático cuántico, manejen de manera efectiva datos que no son intrínsecamente binarios. La capacidad de procesar datos enteros directamente, sin la pérdida de información inherente a las conversiones binarias, abre nuevas vías para el aprendizaje generativo cuántico.

Además de su aplicación en la física de partículas, el método propuesto es extensible a otras áreas que utilizan el aprendizaje automático generativo cuántico con datos no binarios. Esto incluye potencialmente campos como el procesamiento de imágenes, el análisis de señales o la simulación de materiales, donde los datos a menudo se presentan en formatos enteros o de valores múltiples. El desarrollo de esta extensión de cúdits para circuitos IQP representa un paso significativo hacia la ampliación de la aplicabilidad de los modelos de aprendizaje automático cuántico a problemas del mundo real más complejos y diversos.