⚛️ quantum physics

EPIC-CIM: Training Convolutional Neural Networks on a Coherent Ising Machine via Equilibrium Propagation

Ce document introduit EPIC-CIM, un cadre qui permet l'entraînement de réseaux de neurones convolutionnels quantiques sur des machines à Ising cohérentes en utilisant la propagation d'équilibre pour optimiser un modèle basé sur l'énergie, surmontant ainsi les défis inhérents aux opérations quantiques non dérivables et à l'évolution des états discrets sans dépendre de la rétropropagation de gradient explicite.

Auteurs originaux : Xingrui Yin, Shenwei Kang, Haoqi He, Yan Xiao, Hongdong Zhu, Hai Wei, Yin Ma, Qi Gao, Xiaochun Cao, Kai Wen

Publié 2026-07-21

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xingrui Yin, Shenwei Kang, Haoqi He, Yan Xiao, Hongdong Zhu, Hai Wei, Yin Ma, Qi Gao, Xiaochun Cao, Kai Wen

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 essayez d'apprendre à un robot à reconnaître un chat sur une photo. Dans le monde des ordinateurs classiques, nous faisons généralement cela en montrant au robot des millions d'images et en utilisant une astuce mathématique appelée « rétropropagation » (backpropagation). Considérez la rétropropagation comme un enseignant marchant à rebours dans un labyrthe, indiquant chaque mauvais tournant effectué par le robot et lui disant exactement comment ajuster ses pas pour se rapprocher de la sortie. Cela fonctionne très bien pour les routes lisses et continues. Mais qu'en est-il si le robot vit dans un monde composé d'interrupteurs qui ne peuvent être que sur « on » ou « off », comme un immense tableau de bord lumineux complexe ? Dans ce monde, il n'y a pas de routes lisses sur lesquelles marcher à rebours ; il n'y a que des falaises abruptes et déchiquetées. Vous ne pouvez pas pousser doucement un interrupteur ; vous devez le basculer. Cela rend la méthode traditionnelle de l'« enseignant » inutile.

C'est le casse-tête auquel est confronté le nouveau domaine de l'apprentissage automatique quantique. Les ordinateurs quantiques sont incroyables, mais ils opèrent souvent sur ces interrupteurs « on/off » (appelés états binaires) et impliquent des mesures qui brisent les mathématiques fluides auxquelles nous sommes habitués. Les scientifiques sont bloqués dans la tentative d'entraîner ces cerveaux quantiques car les outils habituels ne correspondent pas ; ils avaient besoin d'une nouvelle façon d'enseigner au robot qui ne repose pas sur des gradients, mais qui utilise plutôt les lois naturelles de la physique — spécifiquement, l'idée que les systèmes cherchent toujours à se stabiliser dans leur état d'énergie le plus bas, comme une balle roulant vers le bas d'une colline. Cet article s'insère dans cette lacune, en posant la question suivante : Pouvons-nous entraîner un réseau de neurones quantiques en le traitant comme un système physique cherchant son point de repos le plus confortable, plutôt que comme un étudiant essayant de résoudre un problème de calcul ?

La nouvelle façon d'enseigner aux cerveaux quantiques

Les chercheurs derrière cette étude, travaillant avec une équipe de l'Université Sun Yat-sen et de QBoson Quantum Technology, ont construit un nouveau cadre d'entraînement appelé EPIC-CIM. Voyez cela comme un contournement ingénieux du problème de la « falaise déchiquetée ». Au lieu d'essayer de calculer une pente qui n'existe pas, ils laissent le système trouver naturellement un état d'équilibre, et utilisent la différence entre deux équilibres légèrement différents pour comprendre comment apprendre.

Voici comment leur méthode, EPIC-CIM, fonctionne, en utilisant une analogie ludique :

Imaginez une immense pièce chaotique remplie de milliers d'interrupteurs (ce sont les « états binaires » de la machine quantique). Votre objectif est d'organiser ces interrupteurs pour qu'ils épellent le mot « CHAT » lorsque vous les regardez.

La Configuration : Vous éclairez la pièce avec une lampe de poche (l'image d'entrée). La lumière frappe les interrupteurs, les poussant à essayer de s'allumer ou de s'éteindre.
La Phase « Libre » : D'abord, vous laissez la pièce se stabiliser d'elle-même. Les interrupteurs oscillent et basculent jusqu'à ce qu'ils trouvent un motif confortable basé sur la lumière. C'est la « phase libre ». Le système se détend simplement, trouvant son niveau d'énergie naturel.
La Phase de « Poussée » : Maintenant, vous voulez que la pièce épelle « CHAT ». Vous poussez donc doucement les interrupteurs qui devraient être allumés pour « CHAT » pour qu'ils restent allumés, et ceux qui ne devraient pas l'être pour qu'ils restent éteints. Vous ne les forcez pas ; vous leur donnez juste une petite poussée légère (un état « faiblement contraint ») et vous les laissez se stabiliser à nouveau.
L'Apprentissage : La magie opère en comparant les deux pièces. Les chercheurs observent la différence entre la pièce « Libre » et la pièce « Poussée ». Si un interrupteur a basculé différemment à cause de votre poussée, cela indique au système : « Hé, tu dois ajuster tes réglages pour que cet interrupteur reste allumé quand je le demande ! » Ils mettent à jour les règles (les « poids » du réseau) sur la base de cette différence, sans jamais avoir besoin de calculer un gradient complexe.

Ce processus est appelé Propagation de l'Équilibre (Equilibrium Propagation). C'est comme apprendre à un chien non pas en lui expliquant la physique d'une balle, mais en le récompensant lorsqu'il s'assoit et en le corrigeant doucement lorsqu'il ne le fait pas, en le laissant découvrir le motif par la répétition et le feedback.

Ce qu'ils ont découvert

L'équipe a testé cette nouvelle méthode de « Propagation de l'Équilibre » sur trois ensembles de données d'images célèbres : MNIST (chiffres manuscrits), Fashion-MNIST (articles de mode) et CIFAR-10 (objets du quotidien colorés). Ils ont comparé leur modèle EPIC-CIM à d'autres méthodes quantiques, incluant celles qui utilisent des « Circuits Quantiques Variatiels » (qui reviennent à essayer de régler une radio avec un tournevis) et le « Recuit Quantique » (qui revient à essayer de trouver le bas d'une colline en faisant rouler une balle).

Les résultats sont très prometteurs :

Sur l'ensemble de données MNIST : EPIC-CIM a atteint une précision de test de 92,32 %. C'était nettement supérieur au Réseau de Neurones Convolutifs Quantiques (QCNN) standard, qui a obtenu 84,59 %, et à l'approche de Recuit Quantique, qui a atteint 87,53 %.
Sur l'ensemble de données Fashion-MNIST : La nouvelle méthode a obtenu 79,62 %, battant le QCNN (78,29 %) et la méthode de Recuit Quantique (78,96 %).
Sur l'ensemble de données complexe CIFAR-10 : Même avec les images colorées et complexes, EPIC-CIM a atteint une précision de 34,56 %. Bien que ce soit inférieur à un ordinateur classique standard (qui a obtenu 40,22 %), c'était tout de même une amélioration claire par rapport aux autres modèles quantiques, qui peinaient à dépasser les 27,79 %.

L'une des découvertes les plus intéressantes a été la manière dont le modèle gère les « petites données ». Habituellement, l'IA a besoin de millions d'images pour apprendre. Mais EPIC-CIM a montré qu'il pouvait apprendre efficacement même avec seulement quelques milliers d'échantillons. Lorsqu'ils l'ont testé avec seulement 1 000 images d'entraînement, il a tout de même réussi à bien apprendre, et à mesure qu'ils ajoutaient des données (jusqu'à 60 000), la précision grimpait régulièrement pour atteindre 92,32 %. Cela suggère que la méthode est très efficace et ne s'embrouille pas facilement.

Cela fonctionne-t-il sur de vraies machines ?

Les chercheurs ne se sont pas arrêtés aux simulations informatiques. Ils ont également testé leur idée sur du matériel quantique réel. Les vrais ordinateurs quantiques sont bruyants et ne peuvent souvent pas gérer des nombres de haute précision ; ils doivent parfois travailler avec une précision moindre (comme des nombres en 14 bits au lieu des 32 bits standards).

Malgré ces limitations matérielles et le « bruit » du monde réel, le modèle EPIC-CIM a tenu bon de manière remarquable. Sur le matériel réel, il a atteint une précision de test de 91 %. C'est très proche des 92,32 % obtenus dans la simulation parfaite. Cela suggère que la méthode est robuste et ne s'effondre pas lorsque le matériel n'est pas parfait.

Ce que cela signifie

L'article suggère qu'en traitant l'entraînement des réseaux de neurones comme un processus physique de recherche d'équilibre énergétique, nous pouvons contourner les casse-têtes mathématiques de l'entraînement des ordinateurs quantiques. Les auteurs soutiennent que cette approche rend le processus d'entraînement plus stable et interprétable. Au lieu d'une boîte noire mathématique, nous avons un système qui se comporte comme un objet physique trouvant sa place.

Bien que le modèle ne soit pas encore aussi parfait qu'un ordinateur classique (particulièrement pour les tâches difficiles comme CIFAR-10), il montre que l'optimisation d'inspiration quantique peut être un outil puissant. Il prouve que nous pouvons entraîner des réseaux quantiques complexes sans avoir besoin de la mathématique impossible de la rétropropagation, ouvrant la voie à une intelligence artificielle quantique plus stable et plus évolutive à l'avenir. Les chercheurs concluent que ce cadre offre une manière unifiée de combler le fossé entre l'informatique quantique et l'intelligence artificielle que nous utilisons chaque jour.

Résumé Technique : EPIC-CIM

Énoncé du Problème

Les réseaux de neurones convolutionnels quantiques (QCNN) sont confrontés à des défis d'entraînement significatifs en raison de la nature intrinsèque des systèmes quantiques, plus précisément les opérations non dérivables (telles que les mesures quantiques) et l'évolution discrète des états. Ces caractéristiques rendent la rétropropagation classique basée sur le gradient inefficace ou difficile à appliquer. De plus, les approches d'apprentissage quantique existantes, incluant les circuits quantiques variationnels (VQC) et le recuit quantique, luttent contre les problèmes de scalabilité, les limitations de profondeur de circuit, la sensibilité au bruit et la difficulté de représenter les caractéristiques spatiales locales dans les cadres Ising ou QUBO. Par conséquent, la plupart des QCNN existants restent théoriques ou sont restreints à des expériences de très petite échelle, échouant à démontrer des performances robustes sur des tâches de classification multiclasses complètes avec des jeux de données complexes.

Méthodologie

L'article propose EPIC-CIM (Equilibrium Propagation on a Coherent Ising Machine), un cadre d'entraînement qui reformule l'apprentissage des QCNN comme un processus de minimisation d'énergie compatible avec les machines à Ising cohérentes (CIM). L'approche évite la rétropropagation de gradient explicite en utilisant la propagation par équilibre (Equilibrium Propagation - EP).

Architecture Centrale

Le cadre opère à travers quatre étapes couplées :

Extraction de Caractéristiques Classiques : Un opérateur convolutionnel classique traite l'image d'entrée pour extraire les réponses spatiales locales.
Échantillonnage Quantique : Ces réponses sont mappées sur des champs externes pilotant une représentation latente binaire ( $X_2 \in \{-1, +1\}$ ). Cette couche est échantillonnée à partir d'un modèle d'énergie Ising compatible avec une CIM, traitant les états binaires comme des configurations de spins quantiques.
Couplage de Sortie : Les états latents binaires sont couplés linéairement à des variables de sortie ( $y$ ), qui sont également binaires.
Application de Contraintes : Un terme de contrainte globale est introduit pour imposer une contrainte de type "one-hot", garantissant qu'un seul neurone de sortie est activé lors de la solution optimale.

Formulation de l'Énergie

Le réseau est défini par une fonction d'énergie unifiée QUBO/Ising ( $E_{total}$ ) :
$E_{total} = \text{Conv}(X_1, k_1) \cdot X_2 + (W_2 \cdot \text{flatten}(X_2) + b) \cdot y + \beta(y^\top \mathbf{1} + (k-2))^2$

Le premier terme représente la correspondance des caractéristiques convolutionnelles (force motrice).
Le second terme décrit le couplage linéaire entre la couche intermédiaire et la sortie.
Le troisième terme est une contrainte quadratique globale pour l'encodage one-hot.

Entraînement via la Propagation par Équilibre

L'entraînement est effectué en comparant deux états d'équilibre du système sous la même fonction d'énergie :

Phase Libre (Free Phase) : L'entrée est bloquée (clamped), et le système évolue vers un état stationnaire ( $y_{free}$ ) sans contraintes de sortie.
Phase de Perturbation (Nudged Phase) : Une petite perturbation ( $\epsilon$ ) biaise la sortie vers l'étiquette cible ( $y_{label}$ ), poussant le système vers un nouvel état stationnaire ( $y_{nudge}$ ).

Les mises à jour de paramètres ( $\Delta \theta$ ) sont dérivées de la différence entre les corrélations d'états locaux de ces deux phases :
$\Delta \theta = \frac{1}{\beta} [(\sigma_i \sigma_j)_{nudge} - (\sigma_i \sigma_j)_{free}]$
Ce mécanisme permet un apprentissage stable dans des espaces discrets et non dérivables sans calcul de gradient explicite.

Contributions Clés

Cadre EPIC-CIM : La proposition d'un cadre d'apprentissage de QCNN basé sur l'énergie qui reformule l'apprentissage convolutionnel en un processus de minimisation d'énergie physiquement interprétable compatible avec les machines à Ising cohérentes.
Formulation d'Énergie Unifiée : La conception d'une fonction d'énergie unique qui modélise conjointement l'extraction de caractéristiques convolutionnelles, l'évolution de l'état latent binaire et les contraintes de sortie supervisées, permettant l'optimisation sans rétropropagation traditionnelle.
Performance Scalable : Des évaluations expérimentales approfondies démontrant que le cadre surpasse les modèles quantiques existants (incluant les VQC, les QCNN et les approches de recuit quantique) dans des tâches de classification multiclasses complètes tout en maintenant la stabilité de l'entraînement.

Résultats Expérimentaux

Le cadre a été évalué sur trois benchmarks : MNIST, Fashion-MNIST et CIFAR-10.

MNIST : EPIC-CIM a atteint une précision de test de 92,32 % (jeu de données complet) et 88,64 % avec des données limitées (2 000 échantillons). Cela a surpassé l'approche de recuit quantique de D-Wave (87,53 %) et les QCNN standards (84,59 %).
Fashion-MNIST : Le modèle a atteint 79,62 % de précision de test, dépassant D-Wave (78,96 %), QDEQs (72,11 %) et les QCNN standards (78,29 %).
CIFAR-10 : Sur ce jeu de données plus complexe, EPIC-CIM a atteint 34,56 % de précision de test, surpassant significativement les QDEQs (25,45 %) et les QCNN standards (27,79 %), bien qu'il soit resté en dessous de la ligne de base des CNN classiques (40,22 %).
Validation Matérielle : Des expériences sur du matériel quantique réel (utilisant 1 000 échantillons d'entraînement et une précision de 14 bits) ont produit une précision de test de 91 % sur MNIST, démontrant une robustesse aux effets de quantification et au bruit matériel avec une dégradation minimale des performances par rapport aux simulations de haute précision.
Efficacité d'Échantillonnage : Le modèle a montré des gains de performance rapides dans les régimes de faibles données (1k–8k échantillons), indiquant une forte efficacité d'échantillonnage.

Signification et Revendications

L'article affirme qu'EPIC-CIM fournit une perspective physique unifiée pour jeter un pont entre l'informatique quantique et l'intelligence artificielle. En reconstruisant l'estimation du gradient comme un processus d'évolution d'énergie physiquement interprétable, le cadre :

Améliore l'Interprétabilité : Il offre des dynamiques physiques observables pour les mises à jour de paramètres, répondant à la nature de "boîte noire" de certaines méthodes d'apprentissage quantique.
Améliore la Stabilité : Il permet un apprentissage stable et cohérent dans des espaces discrets et non dérivables où les méthodes de gradient conventionnelles échouent.
Offre la Scalabilité : Il présente une solution viable pour l'entraînement scalable des QCNN dans des tâches de classification de classes complètes, surmontant les limitations de connectivité et de mise à l'échelle des approches de recuit quantique pur ou de modèles à portes.
Valide la Praticité : Le déploiement réussi sur du matériel quantique réel avec une précision réduite suggère que le cadre est viable pour les dispositifs quantiques et quantiques inspirés à court terme.

Les auteurs positionnent ce travail non pas comme un simple remplacement d'un solveur par un autre, mais comme un changement fondamental vers des dynamiques d'apprentissage pilotées par l'énergie et fondées sur la physique, capables de gérer la complexité des tâches visuelles du monde réel.