https://github.com/tlacaelel666/cuadrante-coremind

El Proyecto Cuadrante Neuronal Cuántico (QNC) intenta crear un puente entre el campo de la inteligencia artificial y la computación cuántica.
https://github.com/tlacaelel666/cuadrante-coremind

ai ai-quantum ibm machine-learning qi quantum-circuits quantum-computing rnn-lstm ten torch

Last synced: over 1 year ago
JSON representation

El Proyecto Cuadrante Neuronal Cuántico (QNC) intenta crear un puente entre el campo de la inteligencia artificial y la computación cuántica.

• Host: GitHub
• URL: https://github.com/tlacaelel666/cuadrante-coremind
• Owner: tlacaelel666
• Created: 2025-02-23T07:29:38.000Z (over 1 year ago)
• Default Branch: main
• Last Pushed: 2025-03-04T07:47:53.000Z (over 1 year ago)
• Last Synced: 2025-03-04T08:33:01.281Z (over 1 year ago)
• Topics: ai, ai-quantum, ibm, machine-learning, qi, quantum-circuits, quantum-computing, rnn-lstm, ten, torch
• Language: Python
• Homepage: https:smapp.website
• Size: 138 KB
• Stars: 1
• Watchers: 1
• Forks: 0
• Open Issues: 0
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
thanks to 

agent.ai 

Mr. Doctor Professor AI

for the file.

#Cuadrante Redes y Circuito Cuántico

Este proyecto integra redes neuronales y circuitos cuánticos para simular un entorno de aprendizaje por refuerzo (RL) y lógica bayesiana aplicada a sistemas cuánticos. Utiliza tanto componentes clásicos como cuánticos para mejorar la toma de decisiones y el análisis probabilístico.

Estructura del Proyecto

Configuración del Entorno Cuántico

    Archivo: ibm_setup_conf.py

    Descripción: Configura el entorno de IBM Quantum Experience, estableciendo credenciales y seleccionando el backend adecuado para simulaciones o ejecuciones en hardware real.

*Definición de la Lógica Bayesiana

    Archivo: bayes_logic.py

    Descripción: Contiene funciones y clases para implementar la lógica bayesiana en sistemas cuánticos, fundamental para el análisis probabilístico del proyecto.

*Creación y Manejo del Circuito Cuántico

    Archivo: circuito_principal.py

    Descripción: Define el circuito cuántico principal, construyendo puertas cuánticas y estableciendo la lógica del circuito según los objetivos del proyecto.

*Definición del Modelo Híbrido

    Archivo: modelo_hibrido.py

    Descripción: Implementa un modelo híbrido que combina componentes cuánticos y clásicos, integrando una red neuronal clásica con el circuito cuántico.

*Manejo de Objetos Binarios

    Archivo: objeto_binario.py

    Descripción: Define la clase ObjetoBinario, utilizada para representar estados o datos en formato binario dentro del entorno simulado.

Documentación de Clases y Funciones

Clase ObjetoBinario

    Descripción: Parte del entorno simulado, representa estados o datos en formato binario.

*Clase QNetwork

    Descripción: Define la red neuronal utilizada como función Q para el agente de RL, mapeando estados a valores de Q.

*Clase EntornoSimulado

    Métodos:

        __init__: Inicializa con una lista de objetos binarios y define el estado inicial.

        obtener_estado: Devuelve el índice del objeto actual como estado del entorno.

        ejecutar_accion: Realiza una acción y devuelve el nuevo estado, la recompensa y el estado actual.

        obtener_texto_estado: Devuelve una descripción del estado actual.

*Clase Aplicacion

    Métodos:

        __init__: Inicializa el entorno simulado, la red neuronal Q, el optimizador y define parámetros para el agente de RL.

        crear_interfaz: Crea widgets de Tkinter para la interacción del usuario.

        procesar_comando: Procesa comandos de usuario, ejecuta acciones y entrena el agente RL.

        interpretar_comando: Usa expresiones regulares para interpretar comandos de usuario.

        aprender: Realiza aprendizaje mediante Q-Learning.

        seleccionar_accion: Implementa una política epsilon-greedy.

        entrenar_agente: Realiza interacciones para mejorar la toma de decisiones del agente.

*Clase ActorCritic

    Descripción: Combina el actor (política) y el critic (valor) en una sola clase, utilizando capas totalmente conectadas.

    Métodos:

        almacenar_experiencia: Almacena probabilidades de acciones, valores estimados y recompensas.

        calcular_retorno: Calcula el retorno acumulado para el entrenamiento.

        actualizar_red: Actualiza la red del actor y el critic.

        seleccionar_accion: Selecciona acciones probabilísticamente.

        entrenar_agente: Usa almacenar_experiencia para calcular retornos y actualizar redes.

*Puntos Clave

    PLN Simplificado: Uso de re.search para entender comandos con reglas básicas.

    Entorno Simulado Simple: Capacidad de modificar subcategorías y moverse entre objetos.

    Aprendizaje por Refuerzo: Uso de Q-Learning y A2C para mejorar la toma de decisiones.

    Interacción: Basada en texto, con retroalimentación textual del entorno simulado.

#Cómo Usar

    Ejecuta el código.

    Escribe comandos en la entrada de texto, como: "izquierda", "derecha", "aumenta", "disminuye".

    Haz clic en "Enviar" para procesar el comando y que el agente RL tome la acción.

    La retroalimentación se mostrará en el área de texto.

    Haz clic en "Entrenar" para que la red neuronal aprenda.

Mejoras y Expansiones

    Arquitectura de la Red: Experimentar con diferentes arquitecturas de redes neuronales.

    Hiperparámetros: Ajustar la tasa de aprendizaje, gamma, etc.

    Visualizaciones: Añadir visualizaciones de las curvas de aprendizaje del agente.

    Entorno más Complejo: Agregar más objetos y acciones para mayor complejidad.

Terms | Privacy

© smokappstore OnStartups

Mr. Doctor Professor | Agent.AI