Es una red neuronal cuántica clásica con extracción de características de doble canal en IonQ QPU para clasificar microplásticos degradados a partir de espectros Raman
Fuente: S. Sridevi para AIP.org
Los microplásticos representan una grave amenaza para la salud humana y el medio ambiente, principalmente debido a su persistencia y su entrada en la cadena alimentaria a través de la vida marina. La degradación de estas partículas, causada por la exposición prolongada a la radiación UV y al calor, acelera los cambios químicos que pueden dañar los ecosistemas y la salud humana, además de dificultar su identificación. Por lo tanto, es fundamental identificar y clasificar con precisión los microplásticos para evaluar su impacto y crear medidas de mitigación eficaces. Este estudio combina el aprendizaje automático cuántico con métodos tradicionales de aprendizaje profundo, como los autoencoders, y enfoques estadísticos como el análisis de componentes principales y el análisis discriminante lineal, para clasificar los espectros Raman de diferentes muestras de microplásticos. El modelo propuesto clasifica los microplásticos en muestras degradadas y estándar con una precisión del 94 %, distinguiendo entre distintos tipos de plásticos, como el cloruro de polivinilo, el tereftalato de polietileno, el polipropileno, el polietileno y la poliamida, con una precisión del 98,5 %. Para seguir mejorando esta investigación, el modelo se ejecutó en hardware de computación cuántica en tiempo real utilizando los servicios de Amazon Braket. El proceso integral se ejecutó tanto en el simulador de vectores de estado SV1 de Braket como en el hardware cuántico IonQ Aria, utilizando los recursos computacionales del entorno cuántico de AWS. El modelo registró un rendimiento del 97 % al 98 % en las tareas específicas, lo que demuestra la aplicabilidad de la computación cuántica en aplicaciones prácticas. Al mejorar la precisión en la identificación de microplásticos, este estudio contribuye a una mejor comprensión de su impacto ambiental y apoya los esfuerzos para reducir los riesgos ecológicos asociados.
