Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices

Cet article présente Q-PhotoNAS, un cadre de recherche d'architecture neuronale hybride qui combine des algorithmes génétiques avec un codage de phase quantique apprenable pour concevoir et optimiser automatiquement des modèles quantiques-classiques photoniques, atteignant une haute précision sur des benchmarks de classification d'images tout en démontrant les capacités uniques d'extraction de caractéristiques du matériel photonique.

L'essentiel

Imaginez que vous essayez de concevoir la recette ultime d'un plat complexe, mais que vous avez deux chefs très différents travaillant ensemble : un chef humain (ordinateur classique) et un magicien (ordinateur quantique). Le chef humain est excellent pour émincer les légumes et organiser les ingrédients, tandis que le magicien peut accomplir des tours impossibles pour l'humain seul.

Le problème est que déterminer comment ces deux-là devraient travailler ensemble est incroyablement difficile. Si vous laissez simplement le chef humain cuisiner seul, le plat est correct. Si vous laissez le magicien essayer seul, c'est un désastre. Mais si vous essayez de les mélanger, il existe des milliards de façons de combiner leurs compétences. Essayer chaque combinaison unique à la main prendrait plus de temps que l'univers n'existe.

Cet article présente Q-PhotoNAS, un « robot dégustateur » intelligent qui trouve automatiquement la recette parfaite pour cette équipe humain-magicien, spécifiquement pour un type d'ordinateur quantique qui utilise la lumière (photons) au lieu de l'électricité.

Voici comment cela fonctionne, décomposé en concepts simples :

1. Le Problème : Trop de Choix

Pensez à concevoir ce système hybride comme à construire une voiture sur mesure. Vous devez décider :

• De la taille du moteur.
• Du type de carburant à utiliser.
• De la façon dont le volant est connecté aux roues.
• De la couleur des sièges.

Dans le monde de l'informatique quantique basée sur la lumière, il existe environ 37 milliards de façons différentes d'agencer ces pièces. Les auteurs ont essayé de le faire manuellement (comme un mécanicien qui devinerait quelles pièces s'adaptent) et ont constaté que c'était lent et aboutissait souvent à une voiture qui ne fonctionnait pas bien. Ils avaient besoin d'un moyen de tester automatiquement les meilleures combinaisons.

2. La Solution : Le Chef Robot « Évolutionnaire »

Les auteurs ont créé un système appelé Q-PhotoNAS qui agit comme un laboratoire d'évolution numérique. Au lieu qu'un humain ne devine, l'ordinateur utilise un Algorithme Génétique.

• La Population : Imaginez que le robot crée 20 « bébés » recettes (architectures) différentes à la fois.
• Le Test : Il cuisine une version minuscule et rapide du plat (en utilisant une petite quantité de données) pour voir à quel point il est savoureux.
• La Sélection : Il conserve les 20 recettes les plus savoureuses et jette les mauvaises.
• Le Mélange (Croisement) : Il prend les meilleures parties de deux bonnes recettes et les mélange. Par exemple, il pourrait prendre le « moteur » de la Recette A et la « direction » de la Recette B pour créer une nouvelle Recette C, potentiellement meilleure.
• La Mutation : Parfois, il modifie aléatoirement un ingrédient (comme ajouter une pincée de sel au lieu de sucre) pour voir si cela améliore la saveur.
• La Boucle : Il répète ce processus 30 fois. À chaque tour, les recettes s'améliorent de plus en plus, évoluant vers la combinaison parfaite.

3. L'Ingrédient Spécial : La Lumière « Apprenable »

L'une des plus grandes innovations de cet article réside dans la façon dont ils gèrent la partie « magie ». Habituellement, lorsque vous alimentez un ordinateur quantique avec des données, vous devez le forcer dans une forme spécifique (comme enfoncer un clou carré dans un trou rond).

Dans ce nouveau cadre, le robot apprend comment façonner la lumière elle-même. Il détermine la meilleure façon de transformer les données d'image en « phases » (comme ajuster le timing d'une onde) afin que l'ordinateur quantique puisse les comprendre au mieux. C'est comme si le robot enseignait au magicien exactement comment agiter sa baguette pour obtenir le meilleur résultat, plutôt que de forcer le magicien à utiliser un tour rigide et prédéfini.

4. Les Résultats : Une Recette Gagnante

Le robot a testé ses nouvelles recettes sur deux célèbres ensembles de données d'images : Digits (chiffres manuscrits de 0 à 9) et MNIST (un ensemble plus grand et plus difficile de chiffres manuscrits).

• Le Score : Le robot a trouvé une recette qui a obtenu 99,44 % de précision sur le test Digits et 98,78 % sur le test MNIST.
• La Comparaison : Lorsqu'ils ont comparé cette équipe « Humain + Magicien » à une équipe « Humain uniquement » (un ordinateur standard sans partie quantique), l'équipe hybride a gagné à chaque fois.
• Pourquoi elle a gagné : L'analyse a montré que le « magicien » (la couche photonique) ne se contentait pas de répéter ce que faisait le chef humain. Il trouvait des motifs et des caractéristiques cachés que le chef humain ne pouvait pas voir, ajoutant efficacement une nouvelle dimension de saveur au plat.

5. Le Contrôle de Vitesse : À quelle vitesse est la Magie ?

Les auteurs ont également calculé combien de temps cela prendrait sur un véritable ordinateur quantique physique (la puce Quandela Ascella) utilisant la lumière.

• Le Goulot d'Étranglement : La partie la plus lente n'est pas le mouvement de la lumière (qui est instantané) ni la détection ; c'est le chauffage. La machine utilise la chaleur pour modifier le trajet de la lumière, ce qui prend un peu de temps pour chauffer et refroidir.
• Le Temps : Même avec ce délai de chauffage, le système pouvait identifier une seule image en environ 67 millisecondes (pour Digits) et 149 millisecondes (pour MNIST). C'est assez rapide pour être pratique pour de nombreuses tâches réelles.

Résumé

En bref, cet article montre que nous n'avons pas besoin d'être des architectes géniaux pour construire des ordinateurs quantiques pour l'IA. Au lieu de cela, nous pouvons utiliser un robot évolutif automatisé pour parcourir des milliards de possibilités, trouver la façon parfaite de mélanger les ordinateurs classiques avec les ordinateurs quantiques basés sur la lumière, et créer un système plus intelligent et plus précis que ce que l'un ou l'autre pourrait être seul. C'est la différence entre un humain essayant de deviner la conception parfaite d'une voiture et une usine qui construit, teste et améliore automatiquement des voitures jusqu'à ce qu'elles soient parfaites.

Résumé technique

Résumé Technique : Q-PhotoNAS

Énoncé du Problème
L'informatique quantique photonique offre une plateforme prometteuse pour l'apprentissage automatique quantique (QML) évolutif, grâce à son fonctionnement à température ambiante, sa faible décohérence et sa compatibilité avec les réseaux de fibres existants. Cependant, concevoir des architectures hybrides photoniques quantiques-classiques efficaces reste un défi majeur. Les approches actuelles reposent sur un réglage manuel de composants distincts : les pipelines de prétraitement classiques, les stratégies d'encodage des données (mappage des caractéristiques classiques vers des phases optiques) et la structure des couches classiques environnantes. Comme le démontrent les exemples motivants de l'article (Fig. 1), atteindre une précision compétitive sur des jeux de données tels que Digits et MNIST nécessite des tentatives itératives conçues à la main, où chaque changement architectural exige une réentraînement complet. L'espace de conception conjoint est vaste (environ $3,7 \times 10^{10}$ configurations), et les interactions fortes entre les composants rendent le réglage manuel glouton peu fiable et inefficace. De plus, les cadres existants de recherche d'architecture neuronale (NAS) ne ciblent pas spécifiquement le matériel photonique, qui présente des contraintes uniques (par exemple, nombre de modes fixes, non-linéarités d'encodage spécifiques) distinctes des systèmes de qubits basés sur des portes.

Méthodologie : Cadre Q-PhotoNAS
Les auteurs proposent Q-PhotoNAS, un cadre de recherche d'architecture neuronale spécifiquement conçu pour les modèles hybrides photoniques quantiques-classiques. Le système intègre quatre phases : prétraitement des données, développement progressif du modèle, recherche basée sur un algorithme génétique (AG) et estimation du temps d'exécution matériel.

1. Génome et Espace de Recherche : Le cadre encode 19 hyperparamètres répartis en six groupes de gènes fonctionnels :

   • Données/Prétraitement : Composantes PCA et paramètres de la partie frontale convolutive.
   • Réseau Pré-Quantique : Profondeur, largeur, fonctions d'activation et normalisation pour les couches classiques précédant le circuit quantique.
   • Encodage de Phase : Un mécanisme d'encodage novateur et apprenable remplaçant les schémas fixes. Il utilise une transformation différentiable $\theta_i = \text{act}_\phi(x_i \cdot s_i + b_i) \cdot \pi$, où la fonction d'activation ($\sigma$, $\tanh$, ou $\text{clamp}$), l'initialisation de l'échelle ($s_i$) et l'inclusion du biais ($b_i$) sont toutes optimisées par l'AG.
   • Couche Quantique : La dimension de sortie du circuit photonique.
   • Tête de Classification : Profondeur, largeur et activation des dernières couches classiques.
   • Entraînement : Taux d'apprentissage, calendrier, décroissance des poids et écrêtage du gradient.
     L'espace de recherche couvre environ $3,7 \times 10^{10}$ configurations.

2. Stratégie de l'Algorithme Génétique : L'AG fait évoluer une population de 20 architectures candidates sur 30 générations. Il emploie :

   • Croisement par Groupe : Pour préserver la cohérence architecturale, des groupes de gènes entiers (par exemple, tous les paramètres pré-quantiques) sont hérités comme des unités des parents, empêchant la création d'architectures incohérentes (par exemple, des réseaux profonds avec des largeurs étroites).
   • Mutation par Gène : Un mélange de pas locaux et de sauts globaux pour affiner ou diversifier les configurations.
   • Élitisme : Les 2 meilleurs individus sont préservés inchangés.
   • Évaluation de la Fitness : Les candidats sont évalués sur un budget « proxy » court (5 époques sur 1 000 échantillons pour Digits ; 3 époques sur 5 000 échantillons pour MNIST) pour estimer la précision de validation. La meilleure architecture trouvée est ensuite entièrement réentraînée pendant 100 époques sur l'ensemble de données complet.

3. Estimation Matérielle : Le cadre inclut un modèle mathématique de premiers principes pour estimer le temps d'exécution sur le QPU photonique Quandela Ascella. La latence totale ($T_{total}$) est modélisée comme la somme du temps de reconfiguration des déphaseurs ($T_{prep}$), du temps de propagation dans les guides d'ondes ($T_{prop}$), du temps de détection ($T_{det}$) et des frais électroniques ($T_{lat}$). Des simulations de Monte Carlo tiennent compte de la dérive thermique, de l'incertitude de coïncidence des photons et du gigue électronique.

Résultats Clés
Le cadre a été évalué sur les benchmarks de classification d'images Digits et MNIST.

• Précision : Q-PhotoNAS a atteint des précisions de validation finales de 99,44 % sur Digits et 98,78 % sur MNIST. Ces résultats surpassent nettement les bases conçues manuellement (par exemple, circuits quantiques purs ou hybrides à encodage fixe) et correspondent aux bases purement classiques.
• Contribution Quantique : L'analyse des architectures apprises a révélé que la couche photonique extrait des caractéristiques non redondantes.
  • Pour Digits, la similarité cosinus inter-classe des sorties quantiques était faible (0,135), indiquant une séparation orthogonale des classes. La similarité par échantillon entre les caractéristiques quantiques et classiques était de 0,167, suggérant une information complémentaire.
  • Pour MNIST, la similarité inter-classe était de 0,100, et la similarité par échantillon était de -0,154, indiquant que la couche photonique s'anti-aligne activement avec la voie classique, fournissant une forme plus forte de complémentarité.
  • Les modèles hybrides ont constamment surpassé les bases purement classiques appariées en paramètres d'environ 0,65 point de pourcentage (Digits) et 0,83 point de pourcentage (MNIST), avec une variance plus faible entre les graines aléatoires.
• Latence Matérielle : Sur le QPU Quandela Ascella, les temps d'inférence estimés par image unique étaient d'~67 ms pour Digits et d'~149 ms pour MNIST. L'analyse a identifié la reconfiguration thermique des déphaseurs comme le coût dominant (représentant >88 % du budget quantique), évoluant linéairement avec la profondeur du circuit.

Signification et Revendications
L'article revendique présenter le premier cadre NAS spécifiquement conçu pour les architectures hybrides photoniques quantiques-classiques. Sa signification réside dans :

1. Exploration Systématique de l'Espace de Conception : Il dépasse la conception manuelle par essais et erreurs pour une recherche automatisée gérant les interactions complexes et non différentiables entre le prétraitement classique, l'encodage de phase apprenable et la structure du circuit photonique.
2. Encodage Apprenable : En traitant la transformation d'encodage de phase comme un axe de conception optimisé conjointement, le cadre permet au circuit photonique d'aligner son espace de phases avec la distribution des données de bout en bout, surmontant les limites des schémas d'encodage fixes.
3. Faisabilité Pratique : Les résultats démontrent que la recherche automatisée est pratique pour les systèmes photoniques hybrides, atteignant une haute précision avec des temps d'inférence dans la gamme de quelques dizaines de millisecondes sur le matériel photonique thermique actuel.
4. Optimisation Consciente du Matériel : L'inclusion d'un estimateur de temps de premiers principes permet d'identifier les goulots d'étranglement matériels (spécifiquement la reconfiguration thermique), guidant le développement futur du matériel vers des alternatives électro-optiques.

Les auteurs concluent que Q-PhotoNAS fournit un cadre réutilisable et fondé sur des principes pour la conception systématique de l'IA quantique sur des dispositifs photoniques, ouvrant la voie à l'exploration de nombres de modes plus élevés et de stratégies d'encodage alternatives.