El objetivo de este módulo, relacionado con los objetivos específicos OB2 y OB3, es doble. Por un lado, pretendemos determinar cómo podría integrarse la teoría cuántica en los algoritmos clásicos —por ejemplo, con fines de optimización— dando lugar a algoritmos híbridos clásico-cuánticos. Por otro lado, nos gustaría explorar algoritmos novedosos, ya sean cuánticos o inspirados en la cuántica, o mejorar los ya existentes. En ambos casos, los algoritmos desarrollados se aplicarán posteriormente para resolver las tareas y aplicaciones de PLN, así como el caso de uso definidos en los módulos 3 y 4, respectivamente (M3 y M4).

Los algoritmos en la intersección del PLN y la física cuántica pueden implementarse tanto en ordenadores cuánticos como en ordenadores clásicos. Los primeros suelen denominarse algoritmos cuánticos y los segundos, modelos inspirados en la cuántica (quantum-inspired models) (Montanaro, 2016). Ambos tipos de algoritmos pueden modelar diferentes características del lenguaje. En este contexto, encontramos diversas líneas de investigación relacionadas con el Aprendizaje Automático Cuántico (Quantum Machine Learning) (Biamonte et al., 2017; Peral-García, Cruz-Benito y García-Peñalvo, 2024b), el Aprendizaje Profundo Cuántico (Quantum Deep Learning) (Alchieri et al., 2021) o el Aprendizaje Automático Inspirado en la Cuántica (Huynh et al., 2023); este último se centra en desarrollar algoritmos de aprendizaje automático clásico inspirados en principios de la mecánica cuántica dentro de un marco computacional clásico.

Estos incluyen algoritmos como la Máquina de Vectores de Soporte Cuántica (Quantum Support Vector Machine), Redes Neuronales Convolucionales Cuánticas, Redes Neuronales Recurrentes Cuánticas, Redes Generativas Antagónicas Cuánticas (Quantum GANs) o modelos de lenguaje inspirados en la cuántica, entre otros, que han demostrado una precisión superior a sus homólogos clásicos.

Además, la aplicación de conceptos de la mecánica cuántica para describir características mejora la interpretabilidad gracias a sus explicaciones físicas transparentes (Wu et al., 2021). También resulta más beneficioso para que la red neuronal posterior extraiga información útil, tal y como se ha propuesto a través del marco QIXAI, un enfoque novedoso para mejorar la interpretabilidad de las redes neuronales mediante métodos matemáticos inspirados en la cuántica (Willis, 2024).

Otra aplicación interesante de los algoritmos cuánticos está directamente relacionada con la optimización para lograr resultados más rápidos y efectivos (Blekos et al., 2024). Esto podría incluir enfoques novedosos en los que se utilicen solvers basados en la cuántica para tareas relacionadas con la selección de características (feature selection), relevantes para aplicaciones de PLN como la recuperación de información, la clasificación de textos, el resumen o la simplificación. Las tareas compartidas QuantumCLEF (Pasin et al., 2024), propuestas para las conferencias CLEF 2024 y CLEF 2025, proporcionan un punto de partida prometedor para analizar los enfoques existentes en esta área y abordar la cuestión.