Le monde de la mécanique quantique est complexe, nébuleux, et pourtant, si prometteur. En voici un exemple brillant : une équipe de chercheurs de l’EPFL vient de mettre en évidence que quelques simples exemples suffisent à un modèle d’apprentissage machine quantique – le réseau neuronal quantique – pour apprendre et prédire le comportement de systèmes quantiques.
Cet article nous permet d’explorer cette découverte majeure, qui marque une étape importante vers une nouvelle phase de l’informatique quantique.
Réseaux Neuronaux Quantiques (QNN)
Le travail du professeur Zoe Holmes et son équipe à l’EPFL s’est concentré sur les “réseaux neuronaux quantiques” (ou Quantum Neuronal Networks). Ces systèmes d’apprentissage machine, inspirés de la mécanique quantique, ont pour objectif d’imiter le comportement de systèmes quantiques.
Les QNN sont semblables aux réseaux neuronaux conventionnels utilisés en intelligence artificielle. Cependant, ils se distinguent par la manière dont ils opèrent : selon les principes de la mécanique quantique, permettant ainsi de traiter et de manipuler des informations quantiques.
Une méthodologie d’apprentissage simplifiée
Comme le souligne Zoe Holmes, l’apprentissage classique d’un ordinateur nécessite une multitude d’exemples. Mais la découverte de cette équipe bouleverse cette idée préconçue. En effet, ils démontrent qu’à l’aide de quelques simples “états de produit“, un ordinateur est capable de comprendre le fonctionnement d’un système quantique, même face à des états plus compliqués et intriqués.
Les “états de produit” font référence à un concept de la mécanique quantique décrivant un état spécifique d’un système quantique. Ces états sont couramment utilisés comme points de départ dans les calculs et mesures quantiques, car ils offrent un cadre de compréhension plus simple et facile à manipuler avant de passer à des états plus complexes.
Des performances accrues pour les ordinateurs quantiques
Les chercheurs de l’EPFL ont prouvé que, grâce à l’utilisation de ces simples “états de produit” pour l’apprentissage des QNN, les ordinateurs quantiques peuvent comprendre la dynamique complexe des systèmes quantiques intriqués. Une avancée qui ouvre la voie à l’étude de systèmes quantiques avec des ordinateurs plus petits et plus simples, tels que les ordinateurs NISQ.
Ce progrès pourrait également permettre l’emploi d’ordinateurs quantiques pour résoudre des problèmes importants, comme l’étude de nouveaux matériaux complexes ou la simulation du comportement de certaines molécules. Par ailleurs, cette méthode améliore les performances des ordinateurs quantiques, permettant la création de programmes plus courts et plus résistants aux erreurs.
« Cela signifie qu’il pourrait être possible d’étudier et de comprendre des systèmes quantiques en utilisant des ordinateurs plus petits et plus simples, tels que les ordinateurs NISQ (« near-term intermediary scale »), dont nous devrions pouvoir disposer dans les années qui viennent, sans avoir besoin de grands ordinateurs complexes, qui pourraient encore se faire attendre quelques décennies. » illustre Zoe Holmes.
En synthèse
La recherche menée par l’équipe de Zoe Holmes à l’EPFL ouvre une nouvelle perspective dans le domaine de l’informatique quantique. En utilisant des “états de produit” pour former les QNN, ils ont montré qu’il est possible de comprendre et de prédire le comportement des systèmes quantiques avec une efficacité et une fiabilité accrues, tout en simplifiant l’apprentissage et en améliorant les performances de ces systèmes. Cette approche innovante rapproche la science de l’informatique quantique de sa future phase.
Références / Matthias C. Caro, Hsin-Yuan Huang, Nicholas Ezzell, Joe Gibbs, Andrew T. Sornborger, Lukasz Cincio, Patrick J. Coles, Zoe Holmes. Out-of-distribution generalization for learning quantum dynamics. Nature Communications 5 juillet 2023. DOI : 10.1038/s41467-023-39381-w
[ Rédaction ]
