Temporal information processing on a 4,500-qubit quantum annealer

Dans le monde de l'informatique, les machines deviennent de plus en plus rapides et petites, mais un défi persiste : déterminer comment les rendre véritablement utiles pour les tâches complexes du futur. Une voie prometteuse consiste à apprendre aux ordinateurs à apprendre à partir de motifs dans les données, un domaine connu sous le nom d'apprentissage automatique (machine learning). Si les ordinateurs classiques excellent dans de nombreux domaines, ils peinent parfois face à des données qui évoluent dans le temps, comme les modèles météorologiques ou les marchés boursiers, car ils manquent d'un moyen naturel de se souvenir du passé tout en traitant le présent. Les scientifiques soupçonnent depuis longtemps que les machines quantiques, qui opèrent selon les règles étranges du monde subatomique, pourraient mieux gérer ce type d'informations temporelles. Cependant, construire un ordinateur quantique suffisamment grand pour être utile et assez simple pour être entraîné est resté un obstacle majeur. La plupart des tentatives nécessitent des processus d'entraînement coûteux et difficiles qui échouent souvent à mesure que les machines grandissent.

Une équipe de chercheurs a franchi une étape importante en testant une nouvelle approche sur une machine quantique massive. Ils ont utilisé un dispositif appelé recuiseur quantique (quantum annealer), qui est un type d'ordinateur quantique conçu pour résoudre des problèmes spécifiques en trouvant l'état d'énergie le plus bas d'un système. Au lieu d'essayer d'entraîner l'intégralité de la machine pour qu'elle apprenne, ils l'ont traitée comme un moteur naturel, non entraîné, qui génère des mouvements internes complexes. En injectant des données temporelles dans ce moteur et en lisant les résultats, ils ont créé un modèle capable de se souvenir des entrées passées et de prédire les futures. Cette expérience, qui a utilisé jusqu'à 4 500 bits physiques, ou qubits, représente le plus grand test d'apprentissage automatique quantique réalisé à ce jour. Les chercheurs ont constaté que la machine pouvait prévoir avec succès des séries temporelles chaotiques et imprévisibles, prouvant que ces dispositifs quantiques à grande échelle peuvent servir d'outils puissants pour le traitement de l'information sans nécessiter de boucles d'entraînement coûteuses.

Le cœur de cette expérience repose sur un concept appelé calcul de réservoir (reservoir computing). Imaginez une pierre jetée dans un étang ; les ondulations qui s'en propagent sont complexes et dépendent de la forme de la pierre et de la profondeur de l'eau. Si vous observez les ondulations, vous pouvez déduire quelque chose de la pierre qui a été jetée, même si vous n'avez pas vu l'éclaboussure. Dans cette version quantique, le « bassin » est l'ordinateur quantique lui-même, et les « ondulations » sont les mouvements naturels et non entraînés des qubits. Les chercheurs n'ont pas essayé d'apprendre à la machine quoi faire. Au lieu de cela, ils l'ont simplement laissée évoluer selon ses propres lois internes pendant qu'ils lui injectaient un flux de données. La réponse naturelle de la machine à ces données a créé une carte de haute dimension de l'information. La seule partie qu'ils ont entraînée est une étape finale simple, une lecture linéaire, qui a appris à traduire l'état interne complexe de la machine en une prédiction utile. Cette approche évite les problèmes d'optimisation difficiles et coûteux qui affectent généralement l'apprentissage automatique quantique.

Pour tester cette idée, l'équipe a utilisé un recuiseur quantique D-Wave, un dispositif supraconducteur programmable. Ils ont programmé la machine avec un calendrier spécifique impliquant un processus connu sous le nom de recuit inverse (reverse annealing). Cette technique fait commencer la machine dans un état connu, la déplace vers un état plus quantique et fluctuant, la maintient ainsi un instant, puis la déplace à nouveau vers l'avant. Cette pause permet au système d'explorer son environnement local et de se stabiliser dans une nouvelle configuration qui conserve des informations sur l'entrée reçue. Les chercheurs ont découvert que ce mouvement spécifique était crucial. Lorsqu'ils ont désactivé les interactions entre les qubits, les faisant agir effectivement seuls, la machine a perdu toute mémoire de l'entrée. Cela a prouvé que l'interaction complexe entre les qubits durant le processus de recuit est essentielle pour que la machine conserve l'information au fil du temps.

Les chercheurs ont ensuite soumis leur modèle à une série de tests rigoureux pour voir s'il pouvait mémoriser et traiter des données. D'abord, ils ont vérifié sa capacité à se rappeler des entrées passées, une mesure appelée capacité de mémoire. Ils ont découvert qu'en utilisant un mécanisme de rétroaction pour réinjecter la sortie de la machine dans elle-même, le système pouvait mémoriser l'information bien plus longtemps que ne le permettent les modèles standards. En fait, la mémoire ne s'est pas contentée de s'estomper ; elle a montré des signes de revitalisation, suggérant que le système conservait l'information de manière complexe et non linéaire. Ils ont également testé la taille de la machine, constatant que la pleine puissance des 4 500 qubits était nécessaire pour obtenir ces résultats. Des versions plus petites du même montage n'ont pas réussi à conserver les corrélations nécessaires, soulignant que l'échelle même du système quantique était un facteur clé de son succès.

Au-delà de la simple mémoire, l'équipe a mis la machine au défi avec des tâches nécessitant la compréhension de relations complexes. Ils lui ont demandé de résoudre un casse-tête logique connu sous le nom de tâche XOR, qui consiste à déterminer la parité de deux entrées. C'est un problème qu'une machine linéaire simple ne peut pas résoudre, mais le réservoir quantique l'a géré avec une grande précision, prédisant correctement le résultat près de 99 % du temps. Cela a démontré que la machine ne faisait pas que mémoriser des données, mais qu'elle les transformait réellement en une forme où les motifs complexes devenaient visibles. Le test le plus exigeant, cependant, fut la prévision de séries temporelles chaotiques. Les chercheurs ont injecté dans la machine des données issues de deux modèles mathématiques célèbres qui génèrent un comportement chaotique et imprévisible : la série de Mackey-Glass et un système à double attracteur (double-scroll). La machine a réussi à prédire les valeurs futures de ces séries, même pour des étapes lointaines dans le futur. Dans le cas du système à double attracteur, la machine a pu reconstruire l'attracteur chaotique, une forme géométrique complexe qui définit le comportement du système, marquant la première fois qu'une telle reconstruction est réalisée à l'aide d'un ordinateur quantique.

Les résultats de cette étude suggèrent que les recuiseurs quantiques sont une plateforme viable pour l'apprentissage automatique à grande échelle, particulièrement pour les tâches impliquant des données dépendantes du temps. Les chercheurs ont montré qu'en exploitant la dynamique native d'un grand système quantique, ils pouvaient traiter l'information temporelle sans avoir besoin de l'entraînement lourd qui limite les autres approches. Ils ont également apporté la preuve que la nature quantique des interactions, spécifiquement la dynamique à corps multiples générée pendant le processus de recuit, est indispensable au fonctionnement du système. Bien qu'il reste une question ouverte de savoir si des ordinateurs classiques pourraient éventuellement simuler ces résultats, l'expérience démontre que le matériel quantique actuel peut déjà accomplir des tâches difficiles pour les modèles standards. Ce travail ouvre une nouvelle voie pour l'utilisation des machines quantiques non seulement pour l'optimisation, mais aussi comme de puissants moteurs d'apprentissage et de prédiction, prouvant que, parfois, la meilleure façon d'enseigner à une machine est de la laisser fonctionner par elle-même.