Scalable Quantum Machine Learning: Trainability, Expressivity and Efficiency

Dans la quête de la construction de machines intelligentes, les scientifiques se tournent depuis longtemps vers le monde quantique pour obtenir un avantage. Les ordinateurs quantiques, qui exploitent les règles étranges de la physique régissant les atomes et la lumière, promettent de résoudre certains problèmes bien plus rapidement que n'importe quelle machine dont nous disposons aujourd'hui. Une voie prometteuse est l'apprentissage automatique quantique, où ces dispositifs sont entraînés pour reconnaître des motifs ou faire des prédictions, à l'instar des réseaux de neurones qui alimentent l'intelligence artificielle moderne. Cependant, pendant des années, ce domaine est resté bloqué dans une impasse difficile. Les chercheurs ont découvert que, bien qu'ils puissent concevoir des circuits quantiques complexes, ils se heurtaient souvent à un mur où le processus d'entraînement échouait complètement, les signaux de l'ordinateur devenant trop faibles pour guider l'apprentissage. De plus, même lorsque l'entraînement fonctionnait, il n'y avait aucune preuve que la machine quantique faisait réellement quelque chose qu'un ordinateur classique ne pouvait pas faire, ou qu'elle pouvait le faire avec une efficacité suffisante pour être utile. Le défi consistait à trouver une conception qui soit à la fois facile à entraîner et suffisamment puissante pour offrir un véritable avantage.

Une nouvelle étude de Iordanis Kerenidis propose une solution à cette impasse en proposant deux conceptions spécifiques de circuits quantiques qui surmontent ces obstacles. La recherche introduit une méthode qui permet à ces machines d'être entraînées efficacement sans perdre leur signal, tout en garantissant simultanément que les tâches qu'elles accomplissent sont si complexes que les meilleurs ordinateurs classiques connus auraient du mal à les simuler. La clé de cette percée réside dans un agencement ingénieux de portes quantiques qui préserve une propriété spécifique du système : le nombre de particules reste constant tout au long du processus. En combinant cette structure de préservation des particules avec un type spécial d'état d'entrée, les chercheurs ont créé un cadre où la machine peut apprendre efficacement tout en s'attaquant à des problèmes fondamentalement difficiles pour les machines classiques.

Le document se concentre sur deux schémas architecturaux adaptés à différents types de matériel quantique. Une conception, appelée « mur de briques unitaire » (unitary brick-wall), est conçue pour des machines où les qubits sont disposés en ligne et ne peuvent communiquer qu'avec leurs voisins immédiats. L'autre, le « papillon unitaire » (unitary butterfly), est conçue pour des machines où chaque qubit peut se connecter à tous les autres. Les deux conceptions partagent une stratégie commune : elles partent d'un état de particules spécialement préparé, puis les font passer par des couches d'opérations. Ces opérations comprennent un type de porte qui agit comme un séparateur de faisceau pour les particules, les mélangeant sans en créer ni en détruire, et une couche de portes de phase qui encodent les données à apprendre. Cette combinaison garantit que le système reste dans un état difficile à suivre pour les ordinateurs classiques, tout en restant assez stable pour que la machine quantique puisse apprendre de lui.

Un obstacle majeur de l'apprentissage automatique quantique a été le « plateau stérile » (barren plateau), un phénomène où les signaux utilisés pour entraîner le modèle s'évanouissent à mesure que le système s'agrandit, rendant l'apprentissage impossible. Les chercheurs ont prouvé que leurs nouvelles conceptions évitent entièrement ce problème. Ils ont montré que les signaux utilisés pour guider l'entraînement restent forts et clairs, même lorsque le nombre de particules augmente. Cela marque une rupture significative avec les conceptions précédentes, qui devenaient souvent impossibles à entraîner à mesure qu'elles croissaient. L'étude démontre que la variance du gradient, une mesure de la force du signal d'entraînement, reste à un niveau gérable, évoluant de manière à permettre à la machine d'apprendre efficacement, quelle que soit sa taille. Cela signifie que le processus d'entraînement est non seulement théoriquement possible, mais aussi pratiquement viable.

Pour rendre le processus d'entraînement encore plus rapide, le document introduit un nouvel algorithme pour calculer les ajustements nécessaires des paramètres de la machine. Traditionnellement, l'entraînement d'un modèle quantique nécessite d'exécuter le circuit de nombreuses fois pour chaque paramètre individuel qui doit être ajusté, un processus qui devient prohibitif pour les grands systèmes. La nouvelle méthode, appelée règle de décalage de paramètre parallèle multi-couches (multi-layer parallel parameter-shift rule), permet aux chercheurs de calculer tous les ajustements nécessaires en une seule fois. Au lieu d'exécuter le circuit des milliers de fois, ils peuvent l'exécuter un nombre de fois qui dépend uniquement du nombre de particules, et non de la taille totale de la machine. Pour une machine de mille qubits, cela réduit le nombre de passages requis d'un facteur de plus de seize, rendant l'entraînement à grande échelle réalisable.

L'étude aborde également la question de savoir si ces machines quantiques font réellement quelque chose de spécial. Les chercheurs ont montré que la sortie de leurs circuits, spécifiquement les motifs de particules qu'ils produisent, est extrêmement difficile à simuler pour les ordinateurs classiques. Ils ont établi une « échelle » de difficulté basée sur le nombre de particules impliquées. Lorsque le nombre de particules est faible, les ordinateurs classiques peuvent facilement imiter la machine quantique. Cependant, à mesure que le nombre de particules augmente jusqu'à un seuil spécifique, la tâche de simulation de la sortie quantique devient exponentiellement plus difficile. Au point de fonctionnement choisi par les chercheurs, où soixante particules sont impliquées, les meilleurs algorithmes classiques connus nécessiteraient plus d'un trilliard (un milliard de milliards) d'opérations pour simuler une seule sortie. Ce niveau de complexité place la tâche bien au-delà de la portée des supercalculateurs classiques actuels, suggérant un véritable avantage quantique.

Le cadre est conçu pour être suffisamment flexible pour diverses tâches d'apprentissage automatique, de la génération de nouvelles données à la prise de décisions dans des environnements complexes. Les chercheurs expliquent que la machine quantique agit comme un échantillonneur, produisant un ensemble de résultats qui peuvent être utilisés directement ou traités par un ordinateur classique. Pour des tâches comme la modélisation générative, où l'objectif est de créer de nouvelles données qui ressemblent à des données réelles, la capacité de la machine quantique à produire des motifs complexes et difficiles à simuler est l'avantage central. Pour l'apprentissage par renforcement, où un agent apprend à prendre des décisions, la machine quantique peut explorer un vaste espace de possibilités que les méthodes classiques pourraient manquer. L'étude précise que, bien que certaines parties de l'entraînement puissent être réalisées sur des ordinateurs classiques, le déploiement final du modèle repose sur le dispositif quantique pour produire les échantillons difficiles à simuler qui confèrent au système sa puissance.

Les chercheurs veillent à distinguer ce qui est prouvé de ce qui est encore en cours d'exploration. Ils ont mathématiquement prouvé que leurs conceptions sont entraînables et qu'elles évitent le problème du plateau stérile. Ils ont également prouvé que le coût de simulation classique croît exponentiellement avec le nombre de particules, selon les meilleurs algorithmes connus aujourd'hui. Cependant, ils notent que la difficulté absolue du problème dépend du nombre spécifique de particules utilisées. Au point de fonctionnement de soixante particules choisi, la tâche est suffisamment difficile pour être hors de portée des capacités classiques actuelles, mais les chercheurs reconnaissent que de futures améliorations des algorithmes classiques pourraient déplacer cette limite. Ils suggèrent que le système peut être ajusté en augmentant le nombre de particules pour maintenir l'avantage.

Ce travail représente une étape importante pour faire de l'apprentissage automatique quantique une réalité pratique. En résolvant les doubles problèmes de l'entraînabilité et de l'efficacité, les chercheurs ont fourni une feuille de route pour construire des réseaux de neurones quantiques qui peuvent réellement être utilisés. Les conceptions sont compatibles avec le matériel qui est construit aujourd'hui, et les méthodes d'entraînement sont suffisamment efficaces pour être implémentées sur des dispositifs de l'ère actuelle (near-term devices). L'étude ne prétend pas que ces machines résoudront tous les problèmes ou remplaceront les ordinateurs classiques, mais elle montre qu'elles peuvent accéder à une classe de fonctions qui sont difficiles à atteindre pour les modèles classiques. Cela ouvre la porte à de nouvelles applications dans des domaines tels que la finance, où une modélisation complexe des risques est nécessaire, ou dans les sciences, où la simulation de systèmes quantiques est cruciale.

Le document conclut en esquissant la voie à suivre. La prochaine étape consiste à tester ces conceptions sur du matériel quantique réel pour voir si elles offrent des avantages pratiques sur des tâches du monde réel. Les chercheurs ont identifié des problèmes spécifiques, tels que l'optimisation de portefeuille et la modélisation générative, où l'avantage quantique est le plus susceptible d'être observé. Ils soulignent que, bien que le fondement théorique soit solide, le véritable test sera la performance de ces machines sur des données réelles. Le cadre qu'ils ont construit offre une voie claire et évolutive vers ce futur, offrant un moyen d'exploiter la puissance de la mécanique quantique pour l'apprentissage automatique sans se perdre dans la complexité qui a freiné le domaine pendant si longtemps.