⚛️ QNN-hybrid by QuoreMind: Advanced Quantum-Classical Framework (QNN, QEC & Bayesian Logic)

Visión General

QuoreMind es un framework modular de alto nivel diseñado para la implementación de algoritmos de Aprendizaje Automático Cuántico (QML), con un enfoque crucial en la resiliencia y la auditabilidad física en entornos de backend ruidosos.

Este sistema hibrida la potencia del Parameter-Shift Rule para el entrenamiento con una arquitectura dual de Red Neuronal Cuántica (QNN) y le añade capas de seguridad y validación únicas: la Corrección de Errores Cuánticos (QEC) dinámica y una Lógica Bayesiana de Falsabilidad basada en la Distancia de Mahalanobis.

Es el backend ideal para desarrollar aplicaciones de SaaS cuántico y protocolos de seguridad que requieren justificación física y mitigación activa de ruido.

---

🔑 Características Clave

Módulo	Descripción	Principio Físico
QNN Core	Arquitectura cuántica doble (Circuitos A y B, 10 qubits máx.) con entrelazamiento inter-circuito.	Entropía de Von Neumann para medir el entrelazamiento.
Estabilidad	Implementación del Parameter-Shift Rule para obtener gradientes analíticos (exactos) que mitigan el problema de la Meseta Estéril.	Cálculo de Derivadas Exactas (Parameter-Shift).
Resiliencia (QEC)	Simulación de dinámica de error mediante la Ecuación de Lindblad con aplicación periódica y optimizada de códigos QEC (e.g., Bit-Flip, Shor).	Ecuación de Lindblad (Dinámica de Sistemas Abiertos) y Teoría QEC.
Falsabilidad & Seguridad	Lógica de inferencia bayesiana que utiliza la Distancia de Mahalanobis para auditar la desviación de los parámetros respecto a un estado prior físicamente deseado.	Teorema de Bayes y Distancia de Mahalanobis (para detección de anomalías).
Persistencia	DatabaseManager integrado con SQLite para el logging exhaustivo de métricas de entrenamiento (pérdida, precisión, entropía, norma del gradiente)	Gestión de Experimentos y Trazabilidad.

---

🛠️ Arquitectura Modular

El framework se compone de tres módulos principales que interactúan a través de un orquestador central (main.py):

1. AdvancedQNN

   • Propósito: Implementa el circuito variacional y el forward/backward pass.
   • Componentes: QNNConfig (configuración centralizada de capas, optimizadores y regularización L1/L2), QNNParams (contenedor de parámetros entrenables).
   • Optimización: Soporte para SGD, Adam, RMSprop con Parameter-Shift.

2. QuantumErrorCorrectionSimulator

   • Propósito: Modela el ruido del hardware y aplica protocolos de corrección.
   • Flujo: El simulador evoluciona el estado cuántico bajo un ErrorModel (ej. Depolarizing, Bit-Flip) y, en intervalos óptimos, ejecuta los circuitos de corrección.

3. QuantumBayesMahalanobis

   • Propósito: Proporciona la capa de auditoría y toma de decisiones para los protocolos de seguridad.
   • Método: Calcula la Distancia de Mahalanobis para determinar la "anomalía" o "desviación" de un estado cuántico con respecto a un prior (conjunto de estados "saludables") y utiliza esta métrica en la lógica de inferencia bayesiana.

---

⚙️ Instalación

Este proyecto utiliza librerías comunes de simulación cuántica y ML.

Dependencias Principales

pip install numpy scipy scikit-learn tensorflow tensorflow-probability matplotlib plotly

Estructura de Archivos

Asegúrate de tener los siguientes archivos base en tu directorio:

.
├── quantum_error_correction_fixed.py
├── quantum_bayes_mahalanobis.py
├── bayes_logic.py
├── quantum_nn.py 
└── main.py         # Script de orquestación

---

🚀 Uso y Ejecución

El script main.py es el punto de entrada para probar la funcionalidad integrada.

1. Configuración (Ejemplo)

El AdvancedQNN se configura usando el dataclass QNNConfig:

from quantum_nn import QNNConfig
"""
    Cada estado en superposición contiene TODA la información:
|ψ⟩ = Σ(αᵢ|CircuitA⟩ + βᵢ|CircuitB⟩) 
     para i = 0 to 1023
"""
config = QNNConfig(
    circuit_A_layers=2,
    circuit_B_layers=2,
    entanglement_layers=1,
    optimizer='adam',
    learning_rate=0.01,
    epochs=50,
    l2_reg=0.001  # Regularización clásica
)

2. Entrenamiento y Auditoría

La integración se realiza al añadir el término Mahalanobis a la función de pérdida de la QNN:

$$L_{Total} = L_{MSE} + \lambda \cdot D_{Mahalanobis}(\vec{\theta}, \vec{\theta}_{Prior})$$

Esto asegura que el entrenamiento de la QNN se mantenga físicamente informado, penalizando los parámetros que se alejen de un espacio de estados cuánticos deseable.

3. Ejecución

Ejecuta el orquestador principal:

python main.py

Extensiones Futuras Identificadas

1. Modelos de Ruido Avanzados: Incluir soporte completo para Amplitude Damping y Phase Damping.
2. Integración de Hardware: Adaptar los circuitos a backends reales usando frameworks como Qiskit o Cirq.
3. Algoritmos Evolutivos: Implementar Natural Gradient Descent Cuántico para una optimización más eficiente.

---

  🤝 Contribuciones y Extensiones
    Agradecemos cualquier contribución que fortalezca el framework.