Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion

Dans le monde en évolution rapide de l'intelligence artificielle, un type spécifique de programme informatique est apparu, excellent dans la création de contenus nouveaux et originaux. Ces systèmes, appelés modèles génératifs, apprennent les motifs cachés au sein d'une collection de données existantes — comme des milliers de photographies — et utilisent ensuite cette connaissance pour inventer de nouvelles images qui semblent tout aussi réelles. L'une des méthodes les plus puissantes pour y parvenir s'appelle un modèle de diffusion. Imaginez un processus où une image claire est lentement, étape par étape, transformée en bruit statique, comme la neige sur un téléviseur. Un modèle de diffusion apprend à inverser ce processus. Il est entraîné pour prendre un écran rempli de bruit aléatoire et pour en retirer progressivement le chaos, étape par étape, jusqu'à ce qu'une image cohérente émerge. Cette technique est devenue une pierre angulaire de la technologie créative moderne, capable de produire des visuels et des sons époustouflants.

Parallèlement, des scientifiques explorent un autre type de puissance de calcul basée sur les règles étranges de la mécanique quantique. Contrairement aux ordinateurs que nous utilisons quotidiennement, qui traitent l'information sous forme de simples interrupteurs marche/arrêt, les ordinateurs quantiques utilisent des particules qui peuvent exister dans plusieurs états à la fois. Cela leur permet de résoudre certains problèmes complexes d'une manière que les machines classiques ne peuvent pas accomplir. Cependant, les ordinateurs quantiques actuels sont encore à leurs débuts. Ils sont petits, fragiles et sujets aux erreurs causées par un phénomène connu sous le nom de bruit quantique. Ce bruit perturbe généralement les calculs, forçant les chercheurs à consacrer des ressources immenses pour tenter de le corriger ou de le masquer. La question qui motive une nouvelle ligne de recherche est de savoir si ces machines bruyantes peuvent faire quelque chose d'utile malgré leurs défauts, ou si elles doivent attendre d'être parfaites pour avoir une quelconque valeur.

Une équipe de chercheurs de l'Université de Florence et d'autres institutions a fait un pas audacieux pour répondre à cette question. Au lieu d'essayer d'éliminer le bruit dans leur ordinateur quantique, ils ont décidé de l'utiliser comme un outil. Ils ont développé une nouvelle façon de construire une IA génératrice d'images qui s'exécute directement sur un processeur quantique réel et imparfait. Leur travail suggère que le bruit même qui casse habituellement les calculs quantiques peut en fait aider un modèle génératif à créer de meilleures images qu'une approche purement classique. En traitant le bruit quantique non pas comme un bug, mais comme une caractéristique, ils ont démontré une voie d'avenir pour l'intelligence artificielle qui fonctionne avec le matériel que nous possédons aujourd'hui, plutôt que d'attendre le matériel de demain.

Les chercheurs ont commencé par étudier comment l'information circule à travers un réseau. Dans leur modèle, ils ont traité chaque pixel d'une image comme un voyageur traversant une carte. Dans un ordinateur standard, ce voyageur se déplace de manière aléatoire, comme une personne lançant une pièce pour décider de la prochaine rue à prendre. C'est un processus diffusif lent. Dans un système quantique, cependant, le voyageur peut exister en plusieurs endroits à la fois, se déplaçant à travers la carte selon un motif ondulatoire qui se propage beaucoup plus rapidement. L'équipe a créé un système hybride où le mouvement du voyageur est un mélange des étapes aléatoires et lentes d'un ordinateur classique et de la propagation ondulatoire et rapide d'un ordinateur quantique. Ils ont découvert que lorsqu'ils équilibraient ces deux comportements de manière optimale, le système explorait les possibilités de l'image plus efficacement.

Pour tester cela, ils se sont concentrés sur la génération d'images de chiffres écrits à la main, un test standard pour l'intelligence artificielle. Ils ont remplacé l'étape d'injection de bruit aléatoire du processus d'IA standard par leur nouvelle méthode d'inspiration quantique. Dans la première partie de leur étude, ils ont simulé ce processus sur des ordinateurs classiques puissants pour voir comment différents mélanges de comportements quantiques et classiques se comporteraient. Ils ont découvert qu'un mélange spécifique, où les effets quantiques étaient présents mais non écrasants, produisait les meilleurs résultats. Les images générées par cette méthode hybride étaient statistiquement plus proches des données d'entraînement réelles que celles produites par une méthode purement classique. Le système était également plus cohérent, produisant des résultats de haute qualité de manière plus fiable lors de nombreuses tentatives.

Encouragés par ces simulations, l'équipe est passée à la phase suivante : l'exécution de l'expérience sur du matériel réel. Ils ont utilisé un véritable processeur quantique d'IBM, une machine qui ne contient actuellement que quelques centaines de qubits, les unités de base de l'information quantique. Cette machine spécifique est connue pour être bruyante, ce qui signifie que ses calculs sont souvent perturbés par l'environnement. Les chercheurs ont conçu un circuit qui utilise seulement quatre qubits pour générer des images. Ils ont mappé les différentes nuances de gris d'un pixel aux positions sur une petite boucle, ou cycle, de huit points. L'ordinateur quantique a ensuite exécuté un processus où le « marcheur » se déplaçait autour de cette boucle, la machine utilisant son bruit naturel pour brouiller les données de manière contrôlée.

Les résultats ont été frappants. Même avec les limitations du matériel actuel, l'ordinateur quantique a réussi à générer des images de chiffres écrits à la main. Bien que les images ne soient pas parfaites, l'expérience a prouvé qu'un dispositif quantique pouvait être utilisé pour piloter la partie directe d'un modèle génératif. Les chercheurs ont constaté que le bruit inhérent à la machine aidait à corrompre les données d'une manière que l'IA pouvait plus tard apprendre à inverser. Il s'agit d'un changement majeur par rapport à l'approche habituelle de l'informatique quantique, où les scientifiques passent des années à essayer de supprimer le bruit pour obtenir un signal propre. Ici, le bruit était le moteur du processus.

L'étude a également mis en évidence les avantages pratiques de cette approche. Comme la partie quantique du modèle n'avait besoin de gérer que les niveaux d'intensité d'un seul pixel, le nombre de qubits requis ne croissait pas avec la taille de l'image. Ils ont pu générer des images complètes de 28 par 28 pixels en utilisant seulement quatre qubits. Cette évolutivité suggère que même de petits ordinateurs quantiques bruyants pourraient éventuellement contribuer à la génération d'images beaucoup plus grandes et complexes. L'équipe a noté que, bien que les images générées par le matériel réel soient légèrement moins nettes que celles de leurs simulations, la différence était compréhensible compte tenu des contraintes physiques de la machine.

En fin de compte, ce travail offre une nouvelle perspective sur l'avenir de l'intelligence artificielle quantique. Il remet en question l'idée selon laquelle les ordinateurs quantiques doivent être parfaits avant d'être utiles. En montrant que le bruit d'un véritable dispositif quantique peut être exploité pour améliorer la qualité des données générées, les chercheurs ont ouvert la porte à un nouveau type d'informatique hybride. Leurs conclusions suggèrent que, dans un avenir proche, nous n'aurons peut-être pas besoin d'attendre des machines quantiques sans erreur pour bénéficier de l'IA quantique. Au lieu de cela, nous pouvons commencer à construire des systèmes dès aujourd'hui qui embrassent la nature imparfaite et bruyante de la technologie pour créer quelque chose de nouveau et d'utile. La voie à suivre consiste à affiner ces méthodes, peut-être en comprenant mieux les types spécifiques de bruit dans différentes machines, mais l'idée centrale — que le bruit peut être une ressource plutôt qu'une barrière — a été démontrée.