VQNetVision es una librería de Python de código abierto para aprendizaje automático cuántico (QML) desarrollada por Origin Quantum. Está diseñada para la creación, entrenamiento y despliegue de modelos de imagen híbridos cuántico-clásicos en simuladores cuánticos.
El entorno admite componentes totalmente personalizables —como inicialización de parámetros, codificadores de datos cuánticos, ansatzes cuánticos variacionales, mediciones cuánticas u optimizadores clásicos—, lo que facilita un desarrollo secundario sin complicaciones.
Como plataforma ligera, flexible y de alto rendimiento para visión por computador cuántica (QCV), VQNetVision acelera tanto el desarrollo de algoritmos como la investigación en procesamiento cuántico de imágenes.
Permite a investigadores en IA, informáticos y desarrolladores cuánticos evaluar, simular y demostrar fácilmente tareas complejas de visión por computador (CV), especialmente la clasificación de imágenes cuántica y la segmentación semántica cuántica.
Diseñado para reducir la barrera de entrada a la inteligencia artificial cuántica (IA cuántica), VQNetVision simplifica enormemente la integración de circuitos cuánticos variacionales (VQC) en flujos de trabajo de visión computacional.
from vqnetvision_pro import QLinear
import torch
ql=QLinear(
in_features=16,
out_features=8,
n_layers=2,
initializer='hadamard_initializer',
encoder='angle_encoder',
ansatz='strong_entangle',
measurement='measurement_expectation',
encoder_kwargs={'gate_sequence': 'rxry'},
measurement_kwargs={'observable': 'Z'},
)
x=torch.randn(4, 16)
y=ql(x)
print('QLinear:', y.shape)
Reduce significativamente el número de parámetros entrenables, mitiga el sobreajuste (overfitting) en redes neuronales y mejora la capacidad de generalización del modelo.
Facilita el desarrollo ágil en entornos Python, ofreciendo un despliegue sencillo y un consumo mínimo de recursos del sistema.
Aísla el entorno de red para garantizar la circulación interna de los datos y evitar filtraciones que comprometan la seguridad de la información.
Cuenta con guías profesionales y tutoriales detallados para que incluso los perfiles principiantes comiencen sin complicaciones.
Ofrece múltiples algoritmos visuales de aprendizaje automático cuántico, permitiendo la adaptación funcional y el desarrollo a medida para diversos escenarios.
Optimiza notablemente el rendimiento operativo en tareas visuales como clasificación de imágenes, detección de objetos y segmentación. Se instala fácilmente mediante paquetes wheel de Python e incluye ejemplos prácticos de uso.
Procesa con rapidez imágenes médicas de estructuras pulmonares complejas (lóbulos, bronquios, vasos sanguíneos), localiza con precisión zonas con lesiones y ofrece una evaluación integral de la salud pulmonar.
Identifica con exactitud tejidos cerebrales y lesiones como tumores, detectando y clasificando automáticamente distintas patologías mediante modelos de aprendizaje automático cuántico para elevar la precisión diagnóstica.
Identifica ágilmente vehículos en entornos de tráfico complejos, detecta infracciones con precisión y supervisa aspectos de seguridad como desperfectos o pérdidas de piezas.
Reconoce automáticamente conductas sospechosas en vídeo de vigilancia, segmenta objetos transportados por personas, evalúa riesgos y emite alertas en tiempo real para reforzar la seguridad.