QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs

Le monde de la physique est construit sur un ensemble de règles mathématiques qui décrivent comment tout bouge et change, du flux d'air sur une aile à la propagation de la chaleur à travers une tige métallique. Les scientifiques appellent ces règles des équations aux dérivées partielles. Pendant des décennies, les résoudre a nécessité une puissance de calcul immense et des méthodes numériques complexes, échouant souvent lorsque les problèmes deviennent trop intriqués ou les données trop rares. Ces dernières années, une nouvelle approche appelée réseaux de neurones informés par la physique a émergé. Ce sont des programmes informatiques conçus non seulement pour apprendre à partir de données, mais pour apprendre les lois de la physique elles-mêmes, en intégrant les règles de la nature directement dans leur structure. Bien que prometteurs, ces programmes nécessitent souvent d'être énormes, avec des millions de paramètres ajustables, pour atteindre des résultats précis. Cela crée un goulot d'étranglement : plus le problème physique est complexe, plus le modèle informatique doit devenir grand et coûteux.

Des chercheurs de l'Université technique d'Istanbul et du Science and Technology Facilities Council au Royaume-Uni ont exploré un moyen de réduire la taille de ces modèles sans perdre leur précision. Ils ont développé un système hybride qui mélange le traitement informatique standard avec les principes de l'informatique quantique. Dans cette nouvelle configuration, connue sous le nom de Réseau de Neurones Informé par la Physique Quantique-Classique, la partie la plus lourde de l'apprentissage de motifs complexes est partagée entre un ordinateur classique et un circuit quantique. L'équipe a testé cette idée en demandant au système de résoudre cinq types différents d'équations physiques difficiles. Ils ont découvert qu'en utilisant un type spécifique de circuit quantique, ils pouvaient obtenir des résultats aussi bons que les modèles classiques massifs, mais avec une fraction des paramètres requis. Dans certains cas, le nouveau système n'utilisait que dix à trente pour cent des paramètres nécessaires à l'approche traditionnelle.

Le cœur de ce travail réside dans la manière dont les chercheurs ont combiné deux types de calcul très différents. Une partie du système est un réseau de neurones standard, qui agit comme un pré-processeur et un post-processeur, gérant les données brutes et le résultat final. Entre ces couches classiques se trouve une couche quantique. Cette couche quantique ne fonctionne pas sur un véritable ordinateur quantique, qui serait trop bruyant et instable pour ce genre de travail actuellement. Au lieu de cela, elle fonctionne sur un simulateur, un programme qui imite le comportement d'un ordinateur quantique. Les chercheurs ont testé deux styles principaux de ces couches quantiques. Le premier style utilise des variables continues, qui traitent des quantités fluides et lisses comme la position et la quantité de mouvement des ondes lumineuses. Le second style utilise des variables discrètes, qui reposent sur des unités distinctes appelées qubits, similaires aux bits d'un ordinateur ordinaire mais avec la capacité supplémentaire d'exister dans plusieurs états à la fois.

Lorsque l'équipe a mené ses expériences, les résultats pour le style à variables continues ont été décevants. Peu importe l'ajustement des paramètres, ces modèles peinaient à se stabiliser. Ils sont devenus instables, le processus d'apprentissage ne parvenant pas à trouver une solution stable. Les chercheurs soupçonnent que cela est dû au fait que les mathématiques impliquées dans ces systèmes continus sont incroyablement sensibles ; de petits changements dans les nombres peuvent provoquer des variations énormes et imprévisibles dans les résultats, rendant presque impossible pour l'ordinateur de trouver le bon chemin. Par conséquent, l'équipe a concentré son succès sur les modèles à variables discrètes. Ils ont testé différentes façons de connecter les qubits, essayant des motifs qui ressemblaient à des anneaux, des couches et des maillages complexes.

Les conceptions les plus réussies se sont avérées être celles qui connectaient les qubits de manières spécifiques et structurées. Un performeur de haut niveau utilisait une connexion en forme d'anneau où chaque qubit communiquait avec ses voisins, tandis qu'un autre utilisait un maillage permettant à chaque qubit d'interagir avec tous les autres. Ces configurations permettaient au système de capturer efficacement les relations complexes à l'intérieur des équations physiques. Lorsque les chercheurs ont comparé ces modèles optimisés par le quantique aux meilleurs modèles traditionnels, la différence d'efficacité était frappante. Pour un problème impliquant la vibration d'une corde, le modèle quantique utilisait environ 796 paramètres ajustables, tandis que le modèle traditionnel en nécessitait 2 751. Pour un problème impliquant le flux d'un fluide dans une boîte, le modèle quantique utilisait 923 paramètres contre plus de 8 000 pour le modèle traditionnel. Dans les deux cas, les modèles quantiques atteignaient le même niveau de précision, prouvant qu'un système beaucoup plus petit pouvait accomplir la même tâche.

Les avantages ne concernaient pas seulement la taille. Dans plusieurs tests, les modèles quantiques ont en fait commis moins d'erreurs que les modèles traditionnels. Pour un problème impliquant la propagation d'une substance à travers un fluide, le modèle traditionnel présentait un taux d'erreur de plus de douze pour cent, tandis que le modèle quantique le ramenait à moins de cinq pour cent. Cela suggère que la couche quantique est particulièrement douée pour repérer les changements brusques et soudains dans les données, qui sont souvent les parties les plus difficiles à maîtriser dans un problème de physique. Cependant, cette efficacité s'accompagne d'un compromis en termes de vitesse. Parce que les chercheurs faisaient fonctionner ces circuits quantiques sur un simulateur plutôt que sur du matériel réel, le processus était plus lent. Les modèles quantiques ont mis nettement plus de temps à être entraînés, nécessitant parfois quarante fois plus de temps de calcul par étape que les modèles classiques. C'est attendu, car simuler le comportement quantique sur un ordinateur standard est coûteux en termes de calcul.

L'étude a également révélé que la manière dont les données sont injectées dans le système quantique importe énormément. Les chercheurs ont testé deux méthodes : une qui mappait les données sur les angles de rotation des qubits, et une autre qui les mappait sur la probabilité que les qubits soient dans un certain état. La méthode basée sur l'angle a bien mieux fonctionné. Elle a permis au système d'apprendre de manière plus fluide et cohérente, alors que la méthode basée sur la probabilité peinait à trouver un chemin clair. Cette découverte aide à expliquer pourquoi certaines approches d'apprentissage automatique quantique fonctionnent mieux que d'autres, pointant vers des choix de conception spécifiques qui rendent l'entraînement plus stable.

Bien que les résultats soient prometteurs, les chercheurs précisent avec prudence qu'il s'agit encore d'une étape précoce. Les modèles ont été testés sur un simulateur, et non sur un véritable ordinateur quantique. Les véritables machines quantiques sont actuellement très bruyantes et sujettes aux erreurs, ce qui pourrait perturber le délicat processus d'apprentissage. L'équipe reconnaît que le passage d'une simulation parfaite à un dispositif réel apportera de nouveaux défis, tels que la gestion du bruit qui survient naturellement dans le matériel quantique. Néanmoins, ce travail fournit une feuille de route claire pour l'avenir. Il montre qu'il est possible de construire des systèmes hybrides qui sont bien plus efficaces que leurs homologues purement classiques. En utilisant un petit circuit quantique pour gérer les parties les plus complexes d'un problème, les scientifiques peuvent potentiellement résoudre des équations physiques difficiles avec beaucoup moins de puissance de calcul. Cela ouvre la voie à la résolution de problèmes actuellement trop coûteux ou trop lents à résoudre, offrant un nouveau chemin pour la découverte scientifique qui mêle le meilleur des mondes classique et quantique.