Se espera que las estudiantes tengan suficiente experiencia en cálculo, álgebra lineal, programación y computación cuántica.

Este curso presenta los conceptos fundamentales de las redes neuronales, así como su aplicación para el diseño y ajuste de circuitos cuánticos. Estudiaremos la implementación cuántica de las redes neuronales y analizaremos sus posibilidades y rendimiento para diferentes problemas de aprendizaje con datos clásicos y cuánticos. Entre los objetivos específicos del curso se encuentran: - Presentar la base teórica y las arquitecturas más usuales de redes neuronales. - Estudiar las diferentes arquitecturas de los modelos híbridos clásico-cuánticos y redes neuronales cuánticas. - Conocer y utilizar de paquetes de software de diferenciación automática para el entrenamiento de modelos de aprendizaje cuántico. - Aplicar una red neuronal cuántica para tareas de aprendizaje sencillas con datos de entrenamiento clásicos y cuánticos.

Tema 1. Introducción a las redes neuronales 1.1. Perceptrón, capas y el algoritmo de retropropagación 1.2. Arquitecturas profundas y métodos para datos correlados Tema 2. Modelos híbridos clásico-cuánticos 2.1. Circuitos cuánticos paramétricos 2.2. Conjuntos de datos de entrenamiento y funciones de pérdida 2.3. Aprendizaje de algoritmos cuánticos Tema 3. Redes neuronales cuánticas (QNN) 3.1. Modelos cuánticos de un perceptrón 3.2. QNN para tareas de aprendizaje clásico 3.3. Tareas de aprendizaje cuántico

- Sesiones teóricas sobre los fundamentos de las redes neuronales y la retropropagación. - Sesiones prácticas presentando paquetes de software de diferenciación automática para el entrenamiento de modelos de aprendizaje. - Laboratorios de implementación y entrenamiento de modelos híbridos clásico-cuánticos y QNNs. - Tutorías. - Trabajo individual y en equipo.