Implementación de computación cuántica para la optimización y mejora del algoritmo de Clustering K-Means en el contexto de la minería de datos

La computación cuántica ha emergido como un paradigma revolucionario con el potencial de mejorar significativamente la resolución de problemas computacionales complejos. El algoritmo K-Means es ampliamente utilizado en la minería de datos para la clasificación y segmentación de grandes volúmenes de información. Sin embargo, su desempeño se ve afectado por problemas de escalabilidad y sensibilidad a la inicialización de centroides. Esta investigación explora la implementación de técnicas de computación cuántica para optimizar el algoritmo KMeans, proponiendo un modelo híbrido que combina elementos de la mecánica cuántica, como la superposición y el entrelazamiento, con la lógica del aprendizaje automático clásico. Se desarrolla una implementación del algoritmo cuántico en un entorno de simulación utilizando Qiskit, evaluando su rendimiento en comparación con K-Means clásico mediante métricas como la precisión y la cohesión de los clústeres. Los resultados muestran que el modelo cuántico logra una mejora en la eficiencia computacional y en la calidad de los clústeres, reduciendo el impacto de la inicialización aleatoria y optimizando la convergencia del proceso de agrupamiento. Finalmente, se presentan las limitaciones y desafíos de la computación cuántica aplicada a problemas de clasificación, destacando la necesidad de avances en hardware y algoritmos para lograr implementaciones prácticas a gran escala.

• Autor Principal: Alulema Rondal, Dannyel Alejandro (author)
• Formato: bachelorThesis
• Publicado: 2025
• Subjects: COMPUTACIÓN CUÁNTICA; MINERÍA DE DATOS; ALGORITMO K-MEANS; OPTIMIZACIÓN; APRENDIZAJE AUTOMÁTICO
• Acceso en liña: https://repositorio.espe.edu.ec/handle/21000/50992