De nouvelles recherches théoriques prouvent 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 la maximisation de la convivialité des ordinateurs quantiques bruyants à échelle intermédiaire d'aujourd'hui pour simuler des systèmes quantiques et d'autres tâches mieux que les ordinateurs numériques classiques, tout en promettant d'optimiser les capteurs quantiques.

"Nous montrons que des données étonnamment simples en petite quantité sont suffisantes pour former un réseau de neurones quantiques", a déclaré Lukasz Cincio, théoricien quantique au Laboratoire national de Los Alamos. Il est co-auteur de l'article contenant la preuve publiée dans la revue Communication Nature. "Ce travail franchit une nouvelle étape dans le sens de rendre l'apprentissage automatique quantique plus facile, plus accessible et plus à court terme."

Le nouveau document est né d'une collaboration entre une équipe de Los Alamos, l'auteur principal Matthias Caro, de la Freie Universität Berlin, et d'autres chercheurs des États-Unis, du Royaume-Uni et de Suisse. Le groupe a développé la base théorique d'algorithmes plus efficaces, en particulier pour l'apprentissage automatique quantique, afin d'exploiter les capacités de ces machines bruyantes tandis que l'industrie travaille à l'amélioration de la qualité et à l'agrandissement de la taille des ordinateurs quantiques.

Le nouveau document de recherche s'appuie sur des travaux antérieurs du Laboratoire national de Los Alamos et de ses collaborateurs démontrant que la formation d'un réseau de neurones quantiques ne nécessite qu'une petite quantité de données. Ensemble, ces avancées théoriques récentes prouvent que l'organisation d'une formation avec très peu d'états très simples offre une approche spécifique pour effectuer des travaux pratiques sur les ordinateurs quantiques limités d'aujourd'hui plus rapidement que sur les ordinateurs conventionnels basés sur la physique classique.

"Alors que les travaux antérieurs considéraient la quantité de données d'entraînement dans l'apprentissage automatique quantique, nous nous concentrons ici sur le type de données d'entraînement", a déclaré Caro. "Nous prouvons que peu de points de données d'entraînement suffisent même si nous nous limitons à un type de données simple."

"Concrètement, cela signifie que vous pouvez former un réseau de neurones non seulement sur quelques images de chats, par exemple, mais aussi sur des images très simples", a déclaré Cincio. "Pour les simulations quantiques, cela signifie que vous pouvez vous entraîner sur des états quantiques simples."

"Ces états sont faciles à préparer, ce qui rend l'ensemble de l'algorithme d'apprentissage beaucoup plus facile à exécuter sur des ordinateurs quantiques à court terme", a déclaré la co-auteure Zoe Holmes, professeur de physique à l'École polytechnique fédérale de Lausanne et ancienne postdoctorante à Los Alamos.

Une application à court terme pour les ordinateurs quantiques

Le bruit sous forme d'interactions entre les bits quantiques, ou qubits, et l'environnement environnant provoque des erreurs qui limitent les capacités de traitement de la technologie informatique quantique actuelle. Malgré le bruit, les ordinateurs quantiques excellent dans certaines tâches, telles que la simulation d'un système quantique en science des matériaux et la classification des états quantiques avec l'apprentissage automatique.

"Si vous classez des données quantiques, il y a une certaine quantité de bruit que vous pouvez tolérer et toujours obtenir la bonne réponse", a déclaré Cincio. "C'est pourquoi l'apprentissage automatique quantique peut être une bonne application à court terme."

L'apprentissage automatique quantique tolère plus de bruit que d'autres types d'algorithmes, car des tâches telles que la classification, un élément essentiel de l'apprentissage automatique, ne nécessitent pas une précision de 100 % pour fournir un résultat utile, a déclaré Andrew T. Sornborger, co-auteur de l'article. Sornborger est le chef du domaine d'intervention Algorithmes quantiques et simulation du Centre des sciences quantiques. Dirigé par le laboratoire national d'Oak Ridge, le centre est une collaboration entre des laboratoires nationaux, dont Los Alamos, des universités et l'industrie.

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, comme une simulation de chimie quantique montrant l'évolution d'un système de molécules. Un circuit simple est facile à mettre en œuvre, moins bruité et donc capable de compléter un calcul. Le nouvel article de Nature Communications présente une méthode de compilation d'algorithmes d'apprentissage automatique quantique à l'aide d'états simples à préparer.

Déchargement vers des ordinateurs classiques

Les algorithmes quantiques complexes dépassent la capacité de traitement des ordinateurs classiques, même de très grande taille. Cependant, l'équipe a également découvert que, parce que leur nouvelle approche simplifie le développement d'algorithmes, la compilation d'algorithmes quantiques peut être déchargée sur un ordinateur classique. Ensuite, l'algorithme compilé peut être exécuté avec succès sur un ordinateur quantique. Cette nouvelle approche permet aux programmeurs de réserver des ressources informatiques quantiques pour les tâches qu'ils peuvent effectuer de manière unique mais qui étouffent les ordinateurs classiques, comme la simulation de systèmes quantiques, tout en évitant le bruit source d'erreurs des longs circuits sur les ordinateurs quantiques.

Les recherches du laboratoire ont des applications dans le domaine en développement de la détection quantique. L'exploitation de certains principes de la mécanique quantique permet la création d'appareils extrêmement sensibles pour mesurer les champs gravitationnels ou les champs magnétiques, par exemple.

"Les méthodes de détection quantique en l'absence de bruit sont simples et bien comprises théoriquement, mais la situation devient beaucoup plus compliquée lorsque le bruit est pris en compte", a déclaré Sornborger. "L'ajout de l'apprentissage automatique quantique à un protocole de détection quantique vous permet d'appliquer la méthode lorsque le mécanisme de codage est inconnu ou lorsque le bruit matériel affecte la sonde quantique." Cette application de l'apprentissage automatique quantique est à l'étude dans un projet parrainé par le Département de l'énergie dirigé par Lukasz Cincio et Marco Cerezo, également de Los Alamos.