🤖 AI

Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

Cet article propose un modèle de réseau de neurones quantiques qui intègre des circuits de réinjection de données avec l'encastrement d'Hamiltoniens quantiques, démontrant une performance supérieure aux réseaux de neurones convolutionnels quantiques sur des ensembles de données d'images et établissant six principes de conception pour l'apprentissage automatique quantique basés sur les heuristiques de l'apprentissage profond classique.

Auteurs originaux : Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Publié 2026-07-28

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'apprendre à un robot à reconnaître des images, comme distinguer un chat d'un chien. Pendant des décennies, nous avons utilisé des ordinateurs « classiques » pour faire cela, en les construisant comme de gigantesques usines complexes où les données circulent à travers de nombreuses couches de traitement. Mais aujourd'hui, des scientifiques se demandent : et si nous utilisions les règles étranges et magiques de la physique quantique pour construire un robot plus intelligent et plus rapide ? Ce domaine est appelé l'Apprentissage Automatique Quantique (Quantum Machine Learning). La grande question n'est plus seulement une question de vitesse ; il s'agit de savoir comment injecter des images dans un ordinateur quantique. Dans le monde classique, on peut simplement déverser une photo dans la mémoire. Mais dans le monde quantique, vous devez traduire cette photo dans un « langage quantique » spécial (appelé plongement ou embedding) sans perdre la forme ou le sens de l'image. Si vous la traduisez mal, le robot sera confus. Cet article s'attaque à ce problème de traduction, en demandant si nous devrions simplement copier-coller les vieilles astuces informatiques dans le monde quantique ou inventer une nouvelle façon qui respecte la nature unique de la physique quantique.

Les auteurs de cet article, une équipe de l'Université de Melbourne et de l'UNSW Sydney, ont décidé d'arrêter d'essayer de forcer les astuces des ordinateurs classiques sur les machines quantiques. Au lieu de cela, ils ont observé comment l'apprentissage profond classique fonctionne avec succès et ont tenté d'apporter ces « intuitions » (heuristiques) dans le domaine quantique. Ils ont construit un nouveau type de classificateur quantique, un modèle conçu pour trier des images, en utilisant deux ingrédients principaux : un circuit de « réinjection de données » (data reuploading) (ce qui signifie injecter l'information de l'image plusieurs fois dans l'ordinateur quantique, comme lire un livre deux fois pour mieux le comprendre) et un « Plongement Hamiltonien Quantique » (Quantum Hamiltonian Embedding). Considérez le plongement Hamiltonien comme une lentille spéciale qui transforme l'image entière en une seule « recette » quantique complexe (une matrice) plutôt que de simplement transformer chaque pixel en un simple réglage de cadran. Cela permet à l'ordinateur quantique de traiter la forme entière de l'image d'un coup, plutôt que de l'aplatir en une ligne de données désordonnée.

Lorsqu'ils ont testé leur nouveau modèle sur des ensembles de données d'images célèbres comme MNIST (chiffres manuscrits) et FashionMNIST (articles de mode), les résultats ont été étonnamment solides. Dans ces simulations, leur nouveau modèle a écrasé l'ancien « étalon d'or » quantique, connu sous le nom de Réseau de Neurones Convolutifs Quantiques (QCNN). Sur l'ensemble de test MNIST, leur modèle a atteint une précision de près de 90 %, contre environ 47 % pour le modèle de référence, ce qui représente une amélioration absolue de plus de 40 points de pourcentage. Même sur l'ensemble de données plus complexe FashionMNIST, il a tenu bon, surpassant significativement la référence. Les auteurs ne se sont pas contentés des chiffres ; ils ont utilisé ces résultats pour proposer six nouvelles « règles de la route » pour concevoir les futurs modèles d'apprentissage automatique quantique. Ils suggèrent que nous ne devrions pas être obsédés par le fait de rendre les choses plus rapides immédiatement, mais plutôt nous concentrer sur le maintien de la forme naturelle des données (comme la grille 2D d'une photo), faire le moins de « pré-cuisson » possible sur les ordinateurs classiques, et éviter les méthodes qui trompent accidentellement le modèle avec de mauvais biais. Essentiellement, ils soutiennent que pour rendre les ordinateurs quantiques performants en IA, nous devons cesser de faire en sorte qu'ils agissent comme des ordinateurs classiques et commencer à les laisser agir comme des ordinateurs quantiques, en utilisant la mathématique unique de la physique quantique pour faire le gros du travail.

Résumé Technique : Encastrement Hamiltonien Quantique d'Images pour les Classificateurs à Réinjection de Données

Énoncé du Problème
L'application de l'informatique quantique à l'apprentissage automatique (QML) s'est traditionnellement concentrée sur l'obtention d'un avantage quantique via des accélérations de temps d'exécution, souvent en « quantifiant » des algorithmes classiques (par exemple, en utilisant l'algèbre linéaire quantique pour des sous-programmes comme le qPCA). Cependant, un discours récent remet en question la question de savoir si l'accélération est l'objectif optimal pour le QML, suggérant plutôt que des propriétés quantiques uniques ou des heuristiques issues de l'apprentissage profond classique devraient guider la conception des modèles. Un défi spécifique surgit dans la classification d'images : l'apprentissage profond classique repose fortement sur la localité de l'information et l'invariance par translation (par exemple, les CNN, les Vision Transformers). Les approches de QML existantes pour les images éprouvent souvent des difficultés face aux données de haute dimension, nécessitant fréquemment un prétraitement classique (réduction de dimensionnalée via PCA ou réseaux pré-entraînés) ou utilisant des méthodes d'encastrement (comme l'encastrement par angle ou par amplitude) qui peuvent introduire des biais indésirables ou échouer à préserver la structure bidimensionnelle intrinsèque des données d'image.

Méthodologie
Les auteurs proposent un classificateur de Réseau de Neurones Quantiques (QNN) qui intègre l'architecture de Circuit de Réinjection de Données avec une méthode d'Encastrement Hamiltonien Quantique.

Encastrement d'Image Hamiltonien : Au lieu d'aplatir les images ou d'encoder les valeurs de pixels sous forme d'angles de rotation (encastrement par angle), le modèle traite la matrice d'image en niveaux de gris $M$ comme un opérateur hermitien. L'image est d'abord « hermétisée » ( $H_M = (M + M^T)/2$ ), puis encodée dans l'état quantique via l'opérateur d'évolution temporelle unitaire $W(t; M) = e^{-iH_M t/2}$ , où $t$ est un paramètre entraînable. Cette approche préserve la structure 2D de l'image et applique une non-linéarité polynomiale matricielle à l'ensemble de l'image, évitant ainsi le biais associé aux fonctions trigonométriques périodiques de l'encastrement par angle.
Réinjection de Données : Le modèle utilise un circuit variationnel où l'unitaire d'encastrement des données ( $W$ ) et une couche unitaire paramétrée ( $V$ ) sont répétés $L$ fois. L'état est préparé sous la forme $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ . Cela imite la réutilisation des données d'entrée dans les réseaux profonds classiques, permettant au modèle d'apprendre des fonctions complexes grâce à des interactions répétées entre les données et les paramètres entraînables.
Architecture : Les couches paramétrées $V$ sont composées de portes unitaires $SU(4)$ disposées selon une configuration en mur de briques (ou $SU(N)$ pour des nombres de qubits plus élevés). La classification est effectuée par la mesure d'opérateurs de projection correspondant aux étiquettes de classe, avec un entraînement optimisé via une perte d'entropie croisée.

Principales Contributions

Construction de Modèle : L'article construit un nouveau classificateur de QML combinant l'encastrement hamiltonien avec le paradigme de réinjection de données.
Évaluation des Performances : Les auteurs démontrent, par des expériences numériques, que ce modèle surpasse significativement le modèle de base du Réseau de Neurones Convolutifs Quantiques (QCNN) pour les tâches de classification d'images.
Principes de Conception : Sur la base de la conception de leur modèle et de leurs résultats empiriques, les auteurs proposent six principes directeurs pour la conception de futurs modèles de QML, déplaçant l'accent de la simple accélération vers les heuristiques architecturales et les structures intrinsèques aux données.

Résultats Expérimentaux
Le modèle a été évalué sur quatre ensembles de données : des images médicales CT de Kaggle, un sous-ensemble du jeu de données Digits de Sklearn, et des sous-ensembles de MNIST et FashionMNIST.

Gains de Performance : Le modèle « HamEmb » proposé a systématiquement surpassé le QCNN de base (qui utilise l'encastrement par amplitude et des entrées aplaties).
- Sur l'ensemble de test MNIST (8 classes), le modèle HamEmb a atteint une précision de 89,72 % contre 47,03 % pour le QCNN, soit une marge de plus de 40 %.
- Sur l'ensemble de test FashionMNIST, HamEmb a atteint 77,77 % de précision contre 42,90 % pour le QCNN.
- Sur le jeu de données Sklearn Digits, HamEmb a atteint 94,40 % de précision contre 78,95 % pour le QCNN.
Robustesse : Le modèle HamEmb a montré des performances constantes à travers 20 (pour les petits jeux de données) ou 5 (pour les plus grands) initialisations de paramètres aléatoires différentes, tandis que la performance du QCNN était plus variable et généralement plus faible.
Observations sur la Scalabilité : Bien que le modèle ait bien performé, les auteurs ont noté une baisse de performance lors du passage de MNIST à l'ensemble de données plus complexe FashionMNIST. Ils attribuent cela à l'encodage global du modèle (traitant l'image entière comme un seul Hamiltonien), qui peut manquer des capacités d'extraction de caractéristiques locales fines propres aux noyaux de convolution plus petits ou aux approches par patchs.

Signification et Revendications
L'article affirme que sa principale contribution n'est pas une accélération de temps de calcul par rapport aux méthodes classiques, mais une démonstration que les heuristiques et les connaissances empiriques de l'apprentissage profond classique peuvent être intégrées avec succès au QML pour améliorer les performances.

Les auteurs soutiennent que :

L'accélération n'est pas la métrique primaire : La conception de modèles de QML doit d'abord prioriser les mesures de performance (comme la précision) et l'alignement structurel avec les données, plutôt que de chercher des accélérations quantiques.
La Structure des Données Compte : Préserver la structure intrinsèque des données (par exemple, la structure spatiale 2D des images) via l'encastrement hamiltonien est supérieur aux méthodes qui aplatissent les données ou introduisent des biais périodiques.
Minimiser le Prétraitement Classique : Le modèle évite de déléguer l'extraction de caractéristiques à des architectures de fond classiques (comme ResNet), permettant au circuit quantique de traiter directement les données brutes (ou minimalement prétraitées).
Sources de Non-linéarité : Le modèle tire parti de la non-linéarité inhérente à l'évolution temporelle d'un Hamiltonien quantique (via le développement de Taylor de l'application exponentielle) plutôt que de compter uniquement sur la non-linéarité induite par la mesure ou les fonctions d'activation classiques.
Éviter les Biais Indésirables : En évitant l'encastrement par angle, le modèle contourne le biais vers des frontières de décision formées par des fonctions périodiques.

En fin de compte, l'article pose que ces six principes — allant de « Moins de focalisation initiale sur les accélérations » à « Faire attention aux biais indésirables » — fournissent un cadre pour concevoir des réseaux de neurones quantiques plus efficaces qui respectent à la fois la nature des données et les contraintes du matériel quantique actuel.

Articles similaires