En el siguiente proyecto se presenta una propuesta e implementación de una estructura basada en circuitos cuánticos que utiliza técnicas de redes neuronales clásicas para la resolución de un problema cuántico. El estado del arte en la computación cuántica menciona que la programación de las computadoras cuánticas aún se basa en ordenar compuertas básicas. Si bien los postulados de la mecánica cuántica garantizan que cualquier operación unitaria es una operación admisible en un sistema cuántico, aún no se cuenta con un método sistemático para la traducción de estas operaciones a compuertas básicas. Mediante el uso de una red neuronal multicapa con una unidad básica formada por compuertas unitarias generales y CNOTs, este trabajo pretende ofrecer una solución al problema planteado utilizando técnicas de aprendizaje automático, específicamente una red neuronal multicapa “feedforward” con aprendizaje supervisado mediante el algoritmo de máximo descenso. A su vez, el aprendizaje de la red está asistido por el uso de dos tipos de correlaciones cuánticas, “Mutual Information” (MI) y “Cumulative Correlation Measure” (CCM) para determinar cuántos CNOTs requiere el algoritmo y entre qué “qubits” deben estar. Los resultados muestran que el modelo de la red es adecuado para la predicción de diversos algoritmos con tanta precisión como el usuario pueda desear.