L’ère des réseaux neuronaux quantiques hybrides a commencé

La construction de réseaux neuronaux quantiques efficaces est une direction prometteuse pour la recherche à l’intersection de l’informatique quantique et de l’apprentissage automatique.

Une équipe de Terra Quantum AG a conçu un réseau neuronal quantique hybride parallèle et a démontré que leur modèle est un « outil puissant pour l’apprentissage automatique quantique« .

Les réseaux neuronaux quantiques hybrides se composent généralement d’une couche quantique – un circuit quantique variationnel – et d’une couche classique – un réseau neuronal d’apprentissage profond appelé perceptron multicouche.

Cette architecture spéciale leur permet d’apprendre des modèles et des relations complexes à partir de données d’entrée plus facilement que les méthodes traditionnelles d’apprentissage automatique.

Réseaux neuronaux quantiques hybrides parallèles

Dans cet article, les auteurs se concentrent sur les réseaux neuronaux quantiques hybrides parallèles. Dans de tels réseaux, la couche quantique et la couche classique traitent la même entrée en même temps et produisent ensuite une sortie conjointe – une combinaison linéaire des sorties des deux couches.

Un réseau parallèle pourrait éviter le goulot d’étranglement de l’information qui affecte souvent les réseaux séquentiels, où la couche quantique et la couche classique alimentent les données l’une dans l’autre et traitent les données en alternance.

Résultats de l’entraînement

Les résultats de l’entraînement démontrent que le réseau hybride parallèle des auteurs peut surpasser soit sa couche quantique, soit sa couche classique.

Formé sur deux ensembles de données périodiques avec l’ajout de bruit à haute fréquence, le modèle hybride montre une perte d’entraînement plus faible, produit de meilleures prédictions, et se révèle plus adaptable à des problèmes complexes et à de nouveaux ensembles de données.

En synthèse

La couche quantique, spécifiquement, un circuit quantique variationnel, mappe les parties périodiques lisses, tandis que le perceptron multicouche classique comble les ajouts irréguliers de bruit. Les deux circuits quantiques variationnels et les perceptrons multicouches sont considérés comme des « approximateurs universels ».

Pour maximiser la sortie pendant l’entraînement, les circuits quantiques variationnels ajustent les paramètres des portes quantiques qui contrôlent le statut des qubits, et les perceptrons multicouches ajustent principalement la force des connexions, ou les soi-disant poids, entre les neurones. En même temps, le succès d’un réseau hybride parallèle repose sur le réglage et l’ajustement du taux d’apprentissage et d’autres hyperparamètres, tels que le nombre de couches et le nombre de neurones dans chaque couche dans le perceptron multicouche.

Étant donné que les couches quantiques et classiques apprennent à des vitesses différentes, les auteurs ont discuté de la manière dont le ratio de contribution de chaque couche affecte les performances du modèle hybride et ont constaté que l’ajustement du taux d’apprentissage est important pour maintenir un ratio de contribution équilibré.

Par conséquent, ils soulignent que la construction d’un planificateur de taux d’apprentissage personnalisé est une direction de recherche future car un tel planificateur pourrait améliorer la vitesse et les performances du modèle hybride.

Pour une meilleure compréhension

Qu’est-ce qu’un réseau neuronal quantique hybride ?

Un réseau neuronal quantique hybride est une architecture spéciale qui comprend une couche quantique, généralement un circuit quantique variationnel, et une couche classique, souvent un réseau neuronal d’apprentissage profond appelé perceptron multicouche. Cette combinaison permet au réseau d’apprendre des modèles et des relations complexes à partir de données d’entrée plus facilement que les méthodes traditionnelles d’apprentissage automatique.

Qu’est-ce qu’un réseau neuronal quantique hybride parallèle ?

Dans un réseau neuronal quantique hybride parallèle, la couche quantique et la couche classique traitent la même entrée en même temps et produisent ensuite une sortie conjointe. Cela pourrait éviter le goulot d’étranglement de l’information qui affecte souvent les réseaux séquentiels, où la couche quantique et la couche classique alimentent les données l’une dans l’autre et traitent les données en alternance.

Quels sont les avantages d’un réseau neuronal quantique hybride parallèle ?

Les résultats de l’entraînement démontrent que le réseau hybride parallèle peut surpasser soit sa couche quantique, soit sa couche classique. Il montre une perte d’entraînement plus faible, produit de meilleures prédictions, et se révèle plus adaptable à des problèmes complexes et à de nouveaux ensembles de données.

Comment fonctionne l’apprentissage dans un réseau neuronal quantique hybride ?

Les circuits quantiques variationnels ajustent les paramètres des portes quantiques qui contrôlent le statut des qubits, et les perceptrons multicouches ajustent principalement la force des connexions, ou les soi-disant poids, entre les neurones. Le succès d’un réseau hybride parallèle repose sur le réglage et l’ajustement du taux d’apprentissage et d’autres hyperparamètres.

Quelles sont les directions futures de la recherche dans ce domaine ?

La construction d’un planificateur de taux d’apprentissage personnalisé est une direction de recherche future car un tel planificateur pourrait améliorer la vitesse et les performances du modèle hybride.

Article : « Parallel Hybrid Networks: An Interplay between Quantum and Classical Neural Networks » – DOI: 10.34133/icomputing.0028