Measurement-based quantum machine learning

Cet article propose l'Ansatz Multi-Triangles (MuTA), un cadre universel de réseaux de neurones quantiques basé sur la mesure qui exploite les avantages du paradigme MBQC pour permettre un entraînement évolutif, une résilience au bruit et des applications diverses allant de la classification d'états quantiques à des implémentations photoniques contraintes par le matériel.

L'essentiel

La Vue d'Ensemble : Une Nouvelle Façon de Construire des Cerveaux Quantiques

Imaginez que vous voulez construire un cerveau d'ordinateur super-intelligent (un Réseau de Neurones Quantique) pour résoudre des problèmes difficiles. Habituellement, les scientifiques construisent ces cerveaux comme une bobine de film : vous commencez avec un écran vide, exécutez une séquence de scènes (portes) les unes après les autres, et obtenez un résultat à la fin. C'est le modèle standard de « circuit ».

Cependant, les auteurs de ce papier proposent une autre façon de construire ces cerveaux, appelée Calcul Quantique Basé sur la Mesure (MBQC).

L'Analogie : Le Filet « Pré-Intriqué »
Au lieu de faire défiler un film scène par scène, imaginez que vous avez une gigantesque toile d'araignée pré-tissée faite de fils quantiques (appelée état de ressource). Cette toile est déjà « intriquée », ce qui signifie que tous les fils sont connectés d'une manière fantôme et instantanée.

Pour accomplir un travail, vous ne faites pas défiler un film. Au lieu de cela, vous commencez à couper des fils (les mesurer) dans un ordre spécifique.

• Lorsque vous coupez un fil, cela envoie une onde de choc à travers la toile.
• La façon dont la toile réagit dépend de comment vous avez coupé les fils précédents.
• Au moment où vous avez coupé les bons fils, la partie restante de la toile s'est transformée en la réponse que vous souhaitiez.

Le papier soutient que cette méthode de « coupe » est en fait meilleure pour l'apprentissage automatique car elle gère mieux le bruit, fonctionne bien avec les ordinateurs basés sur la lumière (photoniques), et permet un style d'apprentissage unique.

---

La Star du Spectacle : MuTA (L'Ansatz Multi-Triangles)

Les auteurs ont créé un design spécifique pour cette toile quantique, qu'ils appellent MuTA (Multiple-Triangle Ansatz).

L'Analogie : Un Train de Triangles
Imaginez un train où les wagons sont connectés non seulement en ligne, mais avec des ponts triangulaires entre eux.

• Les Voies : Ce sont les « fils » ou les lignes de la toile.
• Les Triangles : Ce sont les connexions spéciales entre les fils.

Pourquoi des triangles ? Dans ce monde quantique, les triangles agissent comme des interrupteurs.

• Si vous mesurez une partie spécifique du triangle d'une certaine manière, les fils restent séparés (pas de connexion).
• Si vous le mesurez d'une autre manière, les fils deviennent « intriqués » (ils commencent à se parler).

Ce design donne au cerveau quantique trois super-pouvoirs :

1. Universel : Il peut apprendre à faire n'importe quel calcul, tout comme un ordinateur classique peut exécuter n'importe quel logiciel.
2. Réglable : Vous pouvez augmenter ou diminuer le « volume » de la connexion entre les fils.
3. Évolutif : Vous pouvez agrandir le cerveau (ajouter plus de couches de triangles) sans le briser, et il devient plus intelligent de manière prévisible.

Qu'Ont-ils Réellement Fait ? (Les Expériences)

Les auteurs n'ont pas seulement dessiné des images ; ils ont simulé MuTA sur un ordinateur pour voir si cela fonctionnait réellement. Voici les quatre choses qu'ils lui ont fait apprendre :

1. Apprendre l'Alphabet (Portes Universelles)
Ils ont enseigné à MuTA à effectuer des « lettres » quantiques de base (portes).

• Résultat : Il a appris à effectuer des opérations aléatoires sur un seul qubit et une connexion spécifique à deux qubits (IsingXX) très rapidement. Il a convergé rapidement, ce qui signifie qu'il a trouvé le bon « motif de coupe » de manière efficace.

2. Apprendre sous la Pluie (Robustesse au Bruit)
Les vrais ordinateurs quantiques sont bruyants (comme essayer d'entendre un chuchotement dans une tempête).

• Résultat : Ils ont testé MuTA avec des « données bruyantes » (erreurs aléatoires) et un « matériel bruyant » (la toile elle-même était légèrement endommagée). MuTA était étonnamment résistant. Il pouvait encore apprendre les bons motifs même lorsque le bruit était élevé, tant que le bruit n'était pas un chaos total.

3. Trier des Rochers Quantiques (Classification des États Quantiques)
Ils voulaient que le cerveau regarde un état quantique et décide : « Est-ce un état 'bon' pour une mesure de haute précision, ou un état 'mauvais' ? »

• Résultat : Ils ont entraîné MuTA à classifier ces états avec plus de 96 % de précision. Il a appris à repérer la différence entre les états utiles pour la détection et ceux qui ne le sont pas, même sans qu'on lui ait explicitement enseigné les mathématiques sous-jacentes.

4. L'Astuce de Téléportation (Instruments Quantiques)
Ils ont demandé à MuTA d'apprendre un « instrument quantique » — un processus qui prend un état, le mesure, et modifie l'état restant en fonction du résultat (comme téléporter l'information).

• Résultat : Le modèle a appris avec succès à téléporter un état quantique d'une partie de la toile à une autre avec une précision parfaite. Cela prouve qu'il peut gérer une logique complexe, étape par étape, où l'étape suivante dépend de la mesure précédente.

5. Trier des Données Classiques (L'Astuce du Noyau)
Enfin, ils ont utilisé MuTA pour trier des données régulières, non quantiques (comme des points sur un graphique).

• Résultat : Ils ont transformé MuTA en un « noyau » (un outil mathématique pour le tri). Il a trié avec succès des formes simples (cercles et taches) aussi bien que d'autres méthodes quantiques, bien qu'il ait eu des difficultés avec des formes plus complexes et torsadées (lunes).

La Contrainte du Monde Réel : Le Monde « Pixelisé »

Le papier se termine en abordant un problème pratique. Certains ordinateurs quantiques (spécifiquement ceux utilisant la lumière et un encodage spécial appelé GKP) ne peuvent pas mesurer à n'importe quel angle. Ils ne peuvent mesurer qu'à des angles spécifiques et fixes (comme 0, 45 ou 90 degrés). C'est comme essayer de peindre un chef-d'œuvre mais vous ne pouvez utiliser que trois couleurs spécifiques.

Pour résoudre cela, les auteurs ont testé deux algorithmes « heuristiques » (devinettes intelligentes) :

1. La Recherche Gloutonne : Une méthode qui tente d'optimiser une tranche de la toile à la fois, en choisissant le meilleur angle parmi la liste autorisée.
2. Deep Q-Learning : Un type d'IA qui apprend par essais et erreurs, agissant comme un personnage de jeu vidéo apprenant à naviguer dans un labyrinthe.

Résultat : Les deux méthodes fonctionnaient mieux qu'un hasard aléatoire. La méthode « Gloutonne » était plus rapide pour les petites tâches, tandis que la méthode « IA » montrait des promesses pour les toiles plus grandes et plus complexes.

Résumé

Le papier présente MuTA, un nouveau plan pour les réseaux de neurones quantiques qui fonctionne en « coupant » une toile pré-connectée de fils quantiques.

• Il est universel (peut tout faire).
• Il est robuste (gère bien le bruit).
• Il est flexible (peut être réglé pour différentes tâches).
• Il fonctionne même lorsque le matériel est limité à des angles de mesure spécifiques.

Les auteurs ont démontré avec succès que cette méthode de « coupe » peut apprendre à effectuer des portes, classifier des états quantiques, téléporter de l'information et trier des données, jetant les bases d'une nouvelle génération d'outils d'apprentissage automatique quantique natifs aux ordinateurs basés sur la mesure.

Résumé technique

Résumé technique : Apprentissage automatique quantique basé sur la mesure

Énoncé du problème
L'apprentissage automatique quantique (QML) vise à exploiter le matériel quantique pour l'inférence, le traitement de données quantiques et les algorithmes résistants au bruit. Actuellement, la plupart des propositions de QML sont formulées dans le modèle standard de circuits unitaires. Cependant, le paradigme du calcul quantique basé sur la mesure (MBQC) offre des avantages distincts, notamment des profondeurs de circuit réduites, une compatibilité naturelle avec les mesures en cours de circuit et la rétroaction classique, ainsi qu'un support inhérent pour la correction d'erreurs topologiques. Malgré ces avantages et les progrès réalisés dans le matériel MBQC (en particulier les implémentations photoniques), le QML dans le cadre du MBQC a été largement inexploré. Les approches MBQC existantes pour les algorithmes variationnels manquent souvent de déterminisme, souffrent d'une expressivité non monotone ou n'offrent pas d'architectures d'entraînement évolutives comparables aux réseaux de neurones classiques.

Méthodologie
Les auteurs proposent un cadre pour le MB-QML centré sur une nouvelle architecture de Réseau de Neurones Quantiques (QNN) appelée l'Ansatz Multi-Triangles (MuTA).

• Architecture : MuTA est construit à partir d'états de grappes 1D connectés par des « triangles » (des structures spécifiques d'états de graphe). L'architecture est définie par des couches de qubits où la connectivité intra-couche est déterminée par des triangles reliant différents fils, et la connectivité inter-couche est établie en mappant les qubits de sortie d'une couche sur les qubits d'entrée de la suivante.

• Déterminisme et flux : Les auteurs démontrent que MuTA possède un « flux » (une propriété spécifique du graphe garantissant un calcul déterministe en MBQC). Cela permet l'adaptation des angles de mesure en fonction des résultats précédents pour assurer des sorties déterministes malgré l'aléa inhérent des mesures quantiques.

• Propriétés théoriques : L'article établit sept propriétés clés de MuTA :

  1. Déterminisme : Tout motif de mesure peut être rendu déterministe via l'adaptation d'angles basée sur le flux.
  2. Universalité : MuTA peut implémenter n'importe quel opérateur unitaire à $n$ qubits étant donné une profondeur suffisante.
  3. Intrication réglable : L'intrication entre les fils peut être contrôlée par les angles de mesure de qubits « centraux » spécifiques dans les triangles.
  4. Ingénierie de biais : La géométrie (profondeur, largeur, connectivité) et les contraintes de paramètres permettent une ingénierie de biais flexible.
  5. Évolutivité : Le nombre de paramètres variationnels évolue linéairement avec le nombre de qubits ($\le 4dn$ pour une profondeur $d$ et une largeur $n$).
  6. Monotonie de l'expressivité : L'expansion du réseau (ajout de couches, de fils ou de triangles) augmente de manière monotone l'ensemble des portes implémentables, une caractéristique souvent absente dans les circuits variationnels standards.
  7. 2-colorabilité : Le graphe sous-jacent est biparti, facilitant les protocoles de purification évolutifs.

• Entraînement et contraintes matérielles : Les auteurs abordent les limitations matérielles, spécifiquement pour les qubits Gottesman-Kitaev-Preskill (GKP) photoniques où les bases de mesure sont restreintes à des ensembles discrets ($\{0, \pi/4, \pi/2\}$). Pour gérer cela, ils proposent des algorithmes d'entraînement heuristiques, incluant une recherche slice-wise $\epsilon$-gloutonne et une approche d'Apprentissage par Renforcement Profond (DQN) pour l'optimisation discrète.

Résultats clés
Les auteurs fournissent des démonstrations numériques des capacités de MuTA à travers plusieurs tâches :

1. Apprentissage de portes universelles : MuTA apprend avec succès un ensemble universel de portes, y compris des unitaires à un qubit aléatoires selon la mesure de Haar et la porte d'intrication IsingXX, avec une convergence rapide.
2. Robustesse au bruit : Le modèle démontre une résilience au bruit. Il maintient une haute fidélité lorsqu'il est entraîné sur des données bruitées (simulées via des circuits browniens ou du bruit de retournement de bit) et lorsque l'état de ressource sous-jacent est soumis à des canaux de dépolariation.
3. Classification d'états quantiques : Un modèle hybride quantique-classique utilisant MuTA a été entraîné pour classifier des états à deux qubits en fonction de leur Information de Fisher Quantique (QFI), distinguant les états en dessous et au-dessus de la Limite Quantique Standard avec une haute précision (~97 %).
4. Apprentissage d'instruments quantiques : Le cadre a appris avec succès un protocole de téléportation, le traitant comme un instrument quantique où les résultats de mesure conditionnent les opérations subséquentes, démontrant l'intégration du traitement classique coopératif.
5. Classification de données classiques : Une Machine à Vecteurs de Support (SVM) à noyau a été construite en utilisant une carte de caractéristiques basée sur MuTA. Elle a atteint une haute précision sur des ensembles de données synthétiques 2D (cercles, amas), bien qu'elle ait eu des difficultés avec des structures non linéaires plus complexes (lunes) dans la configuration testée.

Importance et affirmations
L'article prétend poser les fondations de QNN polyvalents natifs du paradigme MBQC. L'importance de MuTA réside dans sa capacité à satisfaire simultanément des propriétés souvent absentes dans d'autres propositions de QNN : universalité, intrication réglable, expressivité monotone et entraînement évolutif.

Les auteurs soutiennent que MuTA est un candidat prometteur pour les dispositifs MBQC à court terme car il exploite des avantages spécifiques au MBQC, tels qu'une complexité temporelle réduite et une compatibilité avec le traitement classique latéral. Ils postulent que ce cadre permet l'exploration d'avantages algorithmiques spécifiques au MBQC et facilite l'analyse théorique du QML dans le régime basé sur la mesure. Le travail suggère que, en mappant les géométries de réseaux de neurones feed-forward classiques vers MuTA, on peut explorer si les modèles quantiques résultants offrent des avantages d'expressivité par rapport à leurs homologues classiques, tout en fournissant une voie pratique pour l'entraînement sur des dispositifs contraints par le matériel comme les qubits GKP photoniques.