Experimentally Extending Quantum Kernel Learning to Quantum Data by NMR

L'apprentissage automatique est devenu un outil puissant pour trouver des modèles dans de vastes quantités d'informations, de la prédiction de la météo à la reconnaissance des visages. Cependant, lorsque les données proviennent elles-mêmes du monde quantique — le domaine des atomes et des particules subatomiques où les règles de la physique se comportent de manière très différente — les programmes informatiques standards peinent souvent. Ils sont conçus pour traiter l'information classique, comme les nombres ou les images, mais ils ne peuvent pas facilement traiter les structures complexes et invisibles des systèmes quantiques sans les traduire d'abord sous une forme qui perd une grande partie de leur caractère unique. Les scientifiques théorisent depuis longtemps que si nous pouvions apprendre aux machines à apprendre directement à partir de données quantiques, en utilisant les propriétés naturelles des systèmes quantiques pour effectuer le travail, nous pourrions débloquer un nouveau niveau d'efficacité. Cette idée se situe à l'intersection de deux domaines en progression rapide : la science de l'information quantique, qui étudie comment utiliser la mécanique quantique pour le calcul, et l'apprentissage statistique, qui enseigne aux ordinateurs comment faire des prédictions. Le défi a été de passer de la théorie à la pratique, en prouvant qu'une machine peut réellement apprendre à partir d'entrées quantiques sans avoir besoin d'un ordinateur quantique massif et sans erreur pour le faire.

Une équipe de chercheurs de l'Indian Institute of Science Education and Research à Pune a maintenant franchi une étape significative vers la concrétisation de cette réalité. Ils ont démontré avec succès une méthode appelée apprentissage par noyau quantique (quantum kernel learning) sur un dispositif quantique physique, montrant qu'il peut non seulement traiter des données standard mais aussi apprendre directement à partir d'opérateurs quantiques, qui sont les descriptions mathématiques de la façon dont les systèmes quantiques changent. Leur travail, réalisé à l'aide d'un système de résonance magnétique nucléaire à l'état liquide — une technique qui utilise les propriétés magnétiques des noyaux atomiques dans les molécules pour agir comme un processeur quantique — prouve que ces machines peuvent identifier des modèles complexes dans les données quantiques que les méthodes traditionnelles manquent. En entraînant leur système sur un ensemble spécifique d'opérations quantiques, ils ont montré qu'il pouvait classer correctement de nouvelles opérations, non vues, avec une grande précision, même lorsque ces nouvelles opérations étaient complètement différentes de celles qu'il avait étudiées. Cela suggère que la méthode capture la structure profonde et sous-jacente du monde quantique, permettant de généraliser ses connaissances bien au-delà de son entraînement.

Pour comprendre ce que l'équipe a accompli, il est utile d'examiner comment ils ont abordé le problème en deux étapes. Premièrement, ils ont testé leur système sur des données classiques, qui est le type d'information que nous utilisons chaque jour, comme des nombres représentant une courbe ou un ensemble de points sur un graphique. Ils ont utilisé une molécule appelée triméthyl phosphite, qui contient dix noyaux atomiques agissant comme des qubits, les unités de base de l'information quantique. Dans cette configuration, un noyau central est connecté à neuf autres, formant une forme d'étoile. Les chercheurs ont encodé des nombres classiques dans le système quantique en appliquant des impulsions magnétiques spécifiques qui font pivoter les spins de ces noyaux. Ils ont ensuite mesuré la façon dont le système répondait à des paires de ces nombres pour créer un « noyau », qui est essentiellement une mesure de la similitude entre deux points de données dans un espace de haute dimension. Les résultats ont été impressionnants : le système pouvait prédire la forme d'une onde sinusoïdale et d'une courbe polynomiale complexe avec une précision de plus de 98 %, et il pouvait séparer deux types différents de points de données dans un espace bidimensionnel avec très peu d'erreurs. Cela a confirmé que leur matériel quantique pouvait réaliser de manière fiable des tâches d'apprentissage automatique standard.

La véritable percée, cependant, est survenue lorsqu'ils sont passés des données classiques pour s'attaquer au problème beaucoup plus difficile d'apprendre à partir des données quantiques elles-mêmes. Dans cette seconde phase, l'entrée de leur machine n'était pas un nombre, mais un opérateur quantique — une description d'une transformation qui change l'état d'un système quantique. Plus précisément, ils voulaient savoir si le système pouvait distinguer deux types de transformations : celles qui créent l'« intrication », une connexion quantique unique où les particules deviennent liées quelle que soit la distance, et celles qui ne le font pas. Pour ce faire, ils ont utilisé une molécule différente, le dibromofluorométhane, qui a fourni un système à trois qubits disposés dans une structure d'étoile à double couche. Ils ont alimenté la machine avec divers opérateurs quantiques, certains connus pour créer l'intrication et d'autres non, et ont demandé au système d'apprendre la différence.

Les résultats de cette expérience ont été frappants et ont mis en évidence un avantage clé de l'apprentissage direct à partir de données quantiques. Lorsque les chercheurs ont simulé une approche traditionnelle, où ils tentaient de décrire les opérateurs quantiques à l'aide d'un ensemble de paramètres classiques, le système a échoué à généraliser. Il ne pouvait reconnaître que les modèles qu'il avait vus pendant l'entraînement et échouait complètement face à de nouvelles données en dehors de cette plage spécifique. En revanche, la méthode d'apprentissage par noyau quantique, qui traitait les opérateurs directement sans les convertir en nombres classiques, a atteint une précision de 85 % sur les données expérimentales et de 94 % dans les simulations numériques. Crucialement, le modèle n'a été entraîné que sur des opérateurs provenant d'une moitié de la plage de variations possible, et pourtant, il a réussi à identifier les opérateurs d'intrication dans l'autre moitié, une région qu'il n'avait jamais vue auparavant. Cette capacité de généralisation suggère que la méthode du noyau quantique ne fait pas que mémoriser des exemples, mais apprend réellement la symétrie fondamentale et la structure de l'espace des opérateurs quantiques.

Ce travail démontre que les machines quantiques peuvent apprendre à partir d'entrées quantiques d'une manière que les ordinateurs classiques ne peuvent pas facilement répliquer. Les chercheurs ont montré qu'en utilisant le langage natif de la mécanique quantique, ils pouvaient comparer directement les opérations quantiques, évitant ainsi le besoin de techniques de mesure coûteuses et complexes qui seraient autrement nécessaires pour comprendre les données. Bien que l'expérience ait été menée à petite échelle en utilisant une plateforme RMN spécialisée, les conclusions fournissent une feuille de route pratique sur la façon dont les ordinateurs quantiques pourraient éventuellement être utilisés pour analyser et apprendre d'autres systèmes quantiques. Cela pourrait avoir des implications profondes pour la compréhension de matériaux complexes, la simulation de la physique des hautes énergies et le développement de nouvelles technologies quantiques, car cela offre un moyen d'extraire des modèles significatifs du monde quantique sans perdre l'information même qui le rend unique. L'étude confirme que l'apprentissage par noyau quantique est une voie viable, offrant un outil capable de voir l'ordre caché dans les données quantiques là où d'autres méthodes échouent.