Quantum Experiments Open

Aquest repositori forma part del projecte Quantum Experiments Open, una iniciativa oberta -d'en Jordi Garcia Castillón (CibraLAB)- per explorar l’ús de la computació quàntica aplicada a la intel·ligència artificial i la ciberseguretat.

📌 Descripció de l’experiment

El codi d’aquest projecte implementa un classificador binari quàntic utilitzant PennyLane i Amazon Braket.

L’objectiu és distingir entre dues classes de dades (en aquest exemple: benigne i maliciós) a partir d’un conjunt d’entrenament i validació.

Punts clau

• Arquitectura híbrida quàntica-clàssica:

  El model combina circuits quàntics parametritzats (variational quantum circuits, VQCs) amb optimització clàssica mitjançant l’optimitzador Adam.

• Dispositiu SV1 d’Amazon Braket:

  L’execució principal està configurada per utilitzar el simulador SV1 de Braket (braket.aws.qubit), que és un simulador de vectors d’estat amb fins a 34 qubits.

  També es pot executar en local (default.qubit o lightning.qubit) per fer proves més ràpides.

• Funció de pèrdua:

  Es fa servir la Binary Cross-Entropy (BCE) per mesurar la qualitat del classificador.

• Entrenament:

  • Entrena el circuit amb batches aleatoris.
  • Imprimeix la pèrdua cada 10 èpoques.
  • Desa un històric de la pèrdua per a visualització.

• Avaluació: Al final de l’entrenament calcula:

  • Accuracy del test
  • Matriu de confusió
  • Informe de classificació (precision, recall i F1-score)
  • Gràfic de l’evolució de la pèrdua

📂 Estructura del codi

1. Inicialització de paràmetres

   params = 0.01 * np.random.randn(layers, n_qubits)
   
   ## Inicialització dels paràmetres

Els paràmetres del circuit quàntic es inicialitzen amb valors aleatoris petits.

2. Definició de la pèrdua BCE

   def bce_loss(params, Xb, yb):
   
   ## Definició de pèrdua BCE

3. Optimització

   opt = qml.AdamOptimizer(stepsize=0.05)
   for epoch in range(epochs):
   
   ## Optimització

4. Avaluació del model

Es comparen les prediccions amb les etiquetes reals i es mostren mètriques.

5. Visualització

Es dibuixa l’evolució de la pèrdua al llarg de l’entrenament.

---

🚀 Execució

1. Entorn recomanat

Un notebook a Amazon Braket (exemple: instància ml.t3.medium).

Python 3.9 o superior amb les dependències següents:

• pennylane
• amazon-braket-sdk
• scikit-learn
• matplotlib

2. Dispositiu per defecte

El codi utilitza SV1 de Braket.

dev = qml.device(
    "braket.aws.qubit",
    device_arn="arn:aws:braket:::device/quantum-simulator/amazon/sv1",
    wires=4,
    shots=None
)

3. Execució local (opcional)

Per iterar més ràpidament:

dev = qml.device("default.qubit", wires=4, shots=200)
# o millor si està disponible:
# dev = qml.device("lightning.qubit", wires=4, shots=200)

📊 Resultats esperats

• L’accuracy de test pot variar segons les dades i la inicialització, típicament entre 0.6 i 0.8 en conjunts petits o sintètics.
• El gràfic mostra la disminució de la pèrdua BCE amb les èpoques.
• Les mètriques de classificació donen una visió clara de com es comporta el classificador per cada classe.

⚖️ Llicència

Aquest projecte és open source i es publica sota la llicència MIT .

✍️ Quantum Experiments Open és una iniciativa comunitària "AI-Powered" per aprendre, compartir i explorar els límits de la computació quàntica aplicada a problemes reals, especialment, de la seguretat de la IA.

---

🔀 Variants de l'algorisme

Aquest repositori -d'inici- inclou dues opcions del classificador VQC (Variational Quantum Classifier):

• vqc_classifier.py

  Versió completa de l’algorisme.

  Proporciona resultats més fidels i detallats, però és més lenta d’executar, especialment quan s’utilitza el simulador SV1 al núvol.

• vqc_classifier_fast.py

  Versió lleugera i ràpida, pensada per a proves i testejos inicials.

  Redueix el nombre d’èpoques, la mida dels batches i la quantitat de dades avaluades, permetent obtenir resultats en segons amb un simulador local.

✅ Ambdues variants es poden executar i adaptar lliurement segons les necessitats de cada usuari.