Este artículo presenta un enfoque completamente cuántico para el entrenamiento de máquinas de vectores de soporte (SVM) mediante la integración de métodos de núcleos cuánticos basados en puertas y optimización basada en recocido cuántico. Los núcleos cuánticos se construyen utilizando diversos mapas de características y configuraciones de cúbits, y su aptitud se evalúa mediante el alineamiento núcleo-objetivo (KTA). El problema dual de SVM se reformula como un problema de optimización binaria cuadrática sin restricciones (QUBO) y se resuelve mediante un recocido cuántico. Los resultados experimentales demuestran que el alto alineamiento de los núcleos y los parámetros de regularización adecuados contribuyen a un rendimiento competitivo, con el modelo con mejor rendimiento alcanzando una puntuación F1 del 90%. Estos resultados destacan la viabilidad de un proceso de entrenamiento cuántico integral y el potencial de las arquitecturas cuánticas híbridas en entornos de computación cuántica de alto rendimiento (QHPC).
