Benchmarking Quantum and Classical Machine Learning Models on Oncological Data
Cet article présente une méthodologie de benchmarking rigoureuse utilisant le cadre Red Cedar et des modèles classiques optimisés par l'AutoML pour évaluer l'apprentissage automatique quantique par rapport au classique sur divers ensembles de données oncologiques, ne trouvant aucune preuve d'avantage quantique et suggérant la nécessité de se concentrer sur des données de plus haute dimension et biologiquement réalistes pour les progrès futurs.
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 de résoudre un puzzle géant et désordonné dont les pièces sont faites de lumière, de son et de cellules vivantes. C'est le monde de l'apprentissage automatique (machine learning), une branche de la science où les ordinateurs apprennent à repérer des motifs dans les données pour faire des prédictions, comme deviner si un patient a un cancer à partir d'un scanner médical. Habituellement, ces ordinateurs sont dits « classiques », ce qui signifie qu'ils fonctionnent comme l'ordinateur portable sur votre bureau : ils traitent l'information étape par étape, très rapidement, mais ils peuvent être submergés si le puzzle possède trop de pièces ou si les pièces sont trop complexes.
Entrez dans l'informatique quantique. Considérez cela comme un nouveau type de solveur de puzzles magiques. Au lieu d'être simplement un interrupteur « oui » ou « non », ses pièces (appelées qubits) peuvent être dans de nombreux états à la fois, grâce à un étrange tour de physique appelé superposition. Elles peuvent également être « intriquées », ce qui signifie qu'elles sont liées de telle sorte que modifier l'une affecte instantanément l'autre, peu importe la distance qui les sépare. Les scientifiques espèrent que cette magie leur permettra de résoudre les énigmes médicales les plus impossibles en quelques secondes, un rêve appelé avantage quantique. Mais voici la grande question : cette magie est-elle réelle pour les données médicales en ce moment, ou n'est-elle qu'un jouet brillant qui n'a pas encore appris ses tours ?
Ce document est un sérieux rappel à la réalité. Une équipe de Cascade Quantum Inc. a décidé d'arrêter de deviner et de commencer à tester. Ils ont construit une « arène » équitable pour opposer leurs meilleurs modèles quantiques aux meilleurs modèles classiques, en utilisant de vraies données sur le cancer provenant de trois types différents de dossiers médicaux : des feuilles de calcul simples de mesures cellulaires, des données génétiques « omiques » complexes et des images médicales. Ils ont utilisé une méthode spéciale appelée encodage bit-bit pour traduire les données biologiques désordonnées dans un langage que l'ordinateur quantique pourrait comprendre, et ils se sont assurés que les ordinateurs classiques recevaient la même traduction et les meilleurs réglages possibles pour gagner.
Le résultat ? Après avoir exécuté des milliers de simulations, les auteurs ont constaté qu'il n'y avait aucune preuve que les modèles quantiques étaient meilleurs que les modèles classiques. En fait, les modèles quantiques ont performé presque exactement de la même manière que les modèles classiques, et aucun des deux ne pouvait battre systématiquement la limite théorique de la précision qu'ils pourraient atteindre. Le document suggère que les ensembles de données utilisés jusqu'à présent sont simplement trop petits et trop simples pour mettre en valeur les super-pouvoirs de l'ordinateur quantique. C'est comme essayer de tester une voiture de Formule 1 sur une rue de quartier calme ; la voiture est incroyable, mais la route n'est pas assez exigeante pour le prouver. Les auteurs concluent que pour voir un véritable « avantage quantique », nous devons trouver des ensembles de données biologiques beaucoup plus vastes, plus complexes et plus réalistes, qui sont actuellement difficiles à obtenir. D'ici là, les ordinateurs classiques tiennent toujours leur rang.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.