Nouvelles recherches font une percée dans l’informatique quantique

De nouvelles recherches menées par une équipe du Laboratoire national de Los Alamos ont fait une percée dans l’informatique quantique. Un nouveau théorème démontre que les réseaux de neurones convolutionnels peuvent toujours être formés sur des ordinateurs quantiques, ce qui surmonte une menace connue sous le nom de « plateaux stériles » dans les problèmes d’optimisation.

La recherche a été publiée dans Physical Review X.

Plateaux stériles – Problème de solvabilité fondamental

Les réseaux de neurones convolutionnels peuvent être exécutés sur des ordinateurs quantiques pour analyser les données de manière plus efficace que les ordinateurs classiques. Cependant, il existe un problème de solvabilité fondamental appelé « plateaux stériles » qui a posé un défi aux chercheurs en limitant l’application des réseaux de neurones pour les grands ensembles de données.

Marco Cerezo est co-auteur de l’article de recherche intitulé « Absence de plateaux stériles dans les réseaux de neurones convolutionnels quantiques ». Cerezo est un physicien qui se spécialise dans l’informatique quantique, l’apprentissage automatique quantique et l’information quantique au laboratoire.

« La façon dont vous construisez un réseau de neurones quantique peut conduire à un plateau stérile – ou non », a déclaré Cerezo. « Nous avons prouvé l’absence de plateaux stériles pour un type spécial de réseau de neurones quantique. Notre travail fournit des garanties de formation pour cette architecture, ce qui signifie que l’on peut former génériquement ses paramètres ».

Les réseaux de neurones convolutionnels quantiques impliquent une série de couches de convolution qui sont entrecoupées de couches de regroupement, permettant la réduction de la dimension des données tout en conservant les caractéristiques importantes d’un ensemble de données.

Les réseaux de neurones peuvent être utilisés pour une large gamme d’applications, telles que la reconnaissance d’images et la découverte de matériaux. Pour que le plein potentiel des ordinateurs quantiques soit atteint dans les applications d’intelligence artificielle, les plateaux stériles doivent être surmontés.

Selon Cerezo, les chercheurs en apprentissage automatique quantique ont traditionnellement analysé la manière d’atténuer les effets de ce problème, mais ils n’ont pas encore développé une base théorique pour éviter complètement le problème. Cela change avec les nouvelles recherches, car l’article de l’équipe démontre comment certains réseaux de neurones quantiques sont immunisés contre les plateaux stériles.

Patrick Coles est un physicien quantique à Los Alamos et co-auteur de la recherche.

« Avec cette garantie en main, les chercheurs pourront désormais analyser les données des ordinateurs quantiques sur les systèmes quantiques et utiliser ces informations pour étudier les propriétés des matériaux ou découvrir de nouveaux matériaux, entre autres applications », a déclaré Coles.

Gradient disparaissant

Le principal problème provient d’un « gradient disparaissant » dans le paysage d’optimisation, avec un paysage composé de collines et de vallées. L’objectif est de former les paramètres du modèle pour découvrir une solution en explorant la géographie du paysage, et tandis que la solution se trouve généralement au fond de la vallée la plus basse, cela n’est pas possible lorsque le paysage est plat.

Le problème devient encore plus difficile lorsque le nombre de caractéristiques de données augmente, et le paysage devient exponentiellement plat avec la taille des caractéristiques. Cela indique la présence d’un plateau stérile, et le réseau de neurones quantique ne peut pas être mis à l’échelle.

Pour résoudre ce problème, l’équipe a développé une nouvelle approche graphique pour analyser la mise à l’échelle dans un réseau de neurones quantique. Ce réseau de neurones est censé avoir une application dans l’analyse des données des simulations quantiques.

« Le domaine de l’apprentissage automatique quantique est encore jeune », a déclaré Coles. « Il y a une citation célèbre sur les lasers, lorsqu’ils ont été découverts pour la première fois, qui disait qu’ils étaient une solution à la recherche d’un problème. Maintenant, les lasers sont utilisés partout. De même, un certain nombre d’entre nous soupçonnent que les données quantiques deviendront très disponibles, et alors l’apprentissage automatique quantique décollera ».

Un réseau de neurones quantique évolutif pourrait permettre à un ordinateur quantique de parcourir un vaste ensemble de données sur les différents états d’un matériau donné. Ces états pourraient alors être corrélés avec des phases, ce qui aiderait à identifier l’état optimal pour la supraconductivité à haute température.