Une nouvelle recherche théorique prouve que l’apprentissage automatique sur les ordinateurs quantiques nécessite des données beaucoup plus simples qu’on ne le pensait auparavant. Cette découverte ouvre la voie à l’optimisation de l’utilisation des ordinateurs quantiques bruyants et de taille intermédiaire d’aujourd’hui pour simuler des systèmes quantiques et d’autres tâches mieux que les ordinateurs numériques classiques.
Une approche simplifiée pour un apprentissage quantique plus efficace
Des travaux récents menés par le Los Alamos National Laboratory et ses collaborateurs internationaux démontrent qu’il est possible d’entraîner un réseau neuronal quantique avec des données étonnamment simples et en petite quantité. Ce travail, publié dans la revue Nature Communications, apporte une précieuse contribution à l’objectif d’améliorer l’accessibilité et la facilité d’utilisation de l’apprentissage automatique quantique à court terme.
L’équipe de recherche, dirigée par Matthias Caro de la Freie Universität Berlin, a collaboré avec d’autres chercheurs du Royaume-Uni, de Suisse et des États-Unis pour développer une base théorique pour des algorithmes plus efficaces, notamment pour l’apprentissage automatique quantique.
L’importance de la simplicité des données pour l’apprentissage quantique
Contrairement aux travaux précédents qui considéraient la quantité de données nécessaires à l’apprentissage quantique, cette nouvelle recherche se concentre sur le type de données requises. « Nous démontrons que peu de points de données suffisent même si nous nous limitons à un type de données simple« , déclare Caro.
En termes pratiques, cela signifie qu’il est possible d’entraîner un réseau neuronal non seulement avec quelques images simples, mais également avec des états quantiques simples. « Ces états sont faciles à préparer, ce qui rend l’algorithme d’apprentissage entier beaucoup plus facile à exécuter sur des ordinateurs quantiques à court terme« , ajoute Zoe Holmes, professeur de physique à l’École Polytechnique Fédérale de Lausanne.
Applications à court terme pour les ordinateurs quantiques
Malgré le bruit généré par les interactions entre les bits quantiques (ou qubits) et leur environnement, qui cause des erreurs limitant les capacités de traitement des technologies d’ordinateurs quantiques actuelles, ces derniers excellent dans certaines tâches spécifiques. Par exemple, ils sont particulièrement efficaces pour simuler un système quantique en science des matériaux et pour la classification d’états quantiques grâce à l’apprentissage automatique.
Le nouvel article montre que l’utilisation de données plus simples permet à un circuit quantique moins complexe de préparer un état quantique donné sur l’ordinateur, tel qu’une simulation de chimie quantique montrant l’évolution d’un système de molécules. Un circuit simple est plus facile à mettre en œuvre, moins bruyant et donc capable de mener à bien un calcul.
Délocalisation vers des ordinateurs classiques
Les algorithmes quantiques complexes dépassent la capacité de traitement même des ordinateurs classiques de grande taille. Cependant, l’équipe de recherche a découvert que leur nouvelle approche simplifie le développement des algorithmes. Les algorithmes quantiques peuvent donc être compilés sur un ordinateur classique, puis exécutés avec succès sur un ordinateur quantique.
Cette nouvelle approche permet aux programmeurs de réserver les ressources informatiques quantiques pour les tâches qu’elles peuvent effectuer de manière unique et qui bloquent les ordinateurs classiques, tout en évitant le bruit générant des erreurs sur de longs circuits quantiques.
Applications dans le domaine de la détection quantique
La recherche du Los Alamos National Laboratory trouve des applications dans le domaine en développement de la détection quantique. Exploiter certains principes de la mécanique quantique permet de créer des dispositifs extrêmement sensibles pour mesurer des champs gravitationnels ou magnétiques, par exemple.
L’application de l’apprentissage automatique quantique à un protocole de détection quantique permet d’appliquer la méthode lorsque le mécanisme d’encodage est inconnu ou lorsque le bruit matériel affecte la sonde quantique.
Cette application de l’apprentissage automatique quantique fait l’objet d’une enquête dans un projet financé par le Département de l’Énergie et dirigé par Lukasz Cincio et Marco Cerezo, également de Los Alamos.
En synthèse
D’un côté, les avancées récentes dans le domaine de l’apprentissage automatique quantique offrent des perspectives prometteuses pour l’exploitation maximale des capacités des ordinateurs quantiques actuels, malgré leurs limitations et le bruit qu’ils génèrent. D’un autre côté, il convient de garder à l’esprit que cette approche reste théorique et que de nombreux obstacles doivent encore être relevés pour une mise en œuvre pratique, notamment la nécessité d’améliorer la qualité et d’augmenter la taille des ordinateurs quantiques.
L’article : « Généralisation hors distribution pour l’apprentissage de la dynamique quantique. Auteurs : Matthias C. Caro, Hsin-Yuan Huang, Nicholas Ezzell, Joe Gibbs, Andrew T. Sornborger, Lukasz Cincio, Patrick J. Coles et Zoe Holmes. Nature Communications. DOI: 10.1038/s41467-023-39381-w
Légende illustration principale : l’utilisation de données plus simples permet à des circuits quantiques moins complexes d’effectuer des tâches d’apprentissage automatique sur un ordinateur quantique. Les circuits simples sont faciles à mettre en œuvre, moins bruyants et donc capables d’effectuer un calcul. Crédit : Dreamstime
