When Quantum Meets AI: Quantum Methods for Machine Learning and Machine Learning Methods for Quantum Systems
Cette thèse explore la synergie bidirectionnelle entre l'informatique quantique et l'intelligence artificielle en développant des techniques d'apprentissage automatique quantique améliorées pour une meilleure classification sur du matériel bruité et en appliquant des méthodes d'apprentissage automatique pour optimiser la correction d'erreurs quantiques et les simulations d'états quantiques neuronaux.
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
Dans le monde moderne, les ordinateurs deviennent incroyablement doués pour reconnaître les formes, qu'il s'agisse d'identifier des visages sur des photos ou de traduire des langues. Cette capacité provient de l'intelligence artificielle, un domaine où le logiciel apprend à partir de vastes quantités de données. Parallèlement, des scientifiques construisent un nouveau type d'ordinateur basé sur les règles étranges de la mécanique quantique. Ces machines utilisent des particules qui peuvent exister dans plusieurs états à la fois, offrant le potentiel de résoudre des problèmes impossibles pour les superordinateurs d'aujourd'hui. Pendant des années, les chercheurs se sont demandé si ces deux technologies puissantes pourraient s'entraider. Les ordinateurs quantiques pourraient-ils rendre l'intelligence artificielle plus rapide et plus intelligente ? Inversement, les algorithmes intelligents de l'intelligence artificielle pourraient-ils aider à réparer la nature fragile et sujette aux erreurs des machines quantiques ? Cette question est au cœur d'un nouveau corpus de recherche qui traite la relation entre ces deux domaines non pas comme une rue à sens unique, mais comme un échange bidirectionnel où chaque côté offre des outils pour résoudre les problèmes les plus difficiles de l'autre.
Une récente thèse de doctorat de l'Université Yonsei explore cette intersection en abordant deux défis distincts. D'un côté, la recherche demande comment rendre les ordinateurs quantiques meilleurs pour l'apprentissage. De l'autre, elle demande comment l'intelligence artificielle peut aider les ordinateurs quantiques à survivre dans l'environnement bruyant et chaotique dans lequel ils opèrent. Le travail révèle que le succès d'un modèle d'apprentissage automatique quantique dépend souvent moins des mathématiques complexes à l'intérieur de l'ordinateur que de la manière dont les données brutes sont préparées avant d'entrer dans la machine. Il montre également qu'en empruntant des idées à l'intelligence artificielle moderne, les scientifiques peuvent construire des systèmes plus rapides et plus fiables pour corriger les erreurs dans les calculs quantiques, une étape critique vers la construction d'un ordinateur quantique fonctionnel.
La première partie de l'étude se concentre sur un problème qui survient lorsqu'on essaie d'apprendre à un ordinateur quantique à reconnaître des formes, comme distinguer différents chiffres écrits à la main. Dans un ordinateur standard, les données sont injectées sous la forme d'une liste de nombres. Dans un ordinateur quantique, ces données doivent d'abord être converties en un état quantique, un processus appelé plongement (embedding). Les chercheurs ont découvert que si cette conversion est mal faite, l'ordinateur quantique est condamné à l'échec, peu importe la pertinence de l'algorithme d'apprentissage. Ils ont découvert que la difficulté de la tâche est déterminée par la distance entre les états quantiques des différentes catégories. Si les états sont trop proches, la machine ne peut pas les distinguer.
Pour résoudre cela, l'équipe a développé une méthode appelée Neural Quantum Embedding (Plongement Quantique Neural). Au lieu d'utiliser une règle fixe et rigide pour convertir les données en états quantiques, ils ont utilisé un réseau neuronal classique — un type d'intelligence artificielle — pour apprendre la meilleure façon d'effectuer la conversion. Cette IA agit comme un traducteur, remodelant les données afin que, lorsqu'elles entrent enfin dans l'ordinateur quantique, les différentes catégories soient clairement séparées. Lors de tests utilisant du matériel quantique réel, cette approche a considérablement amélioré les performances. Un système qui peinait auparavant à deviner correctement, atteignant seulement environ 53 % de précision, a bondi à plus de 96 % de précision une fois les données prétraitées par cette IA d'apprentissage. Les chercheurs ont également montré que cette méthode fonctionne même sur des types plus anciens de machines quantiques utilisant des molécules liquides au lieu de circuits électroniques, prouvant que l'idée est robuste à travers différentes technologies.
Au-delà de rendre la machine plus intelligente, l'étude a également examiné la capacité de ces modèles quantiques à performer sur de nouvelles données qu'ils n'avaient jamais vues auparavant. En apprentissage automatique, un piège courant est de mémoriser les données d'entraînement plutôt que d'apprendre les règles sous-jacentes, ce qui mène à l'échec lors de nouvelles tâches. Les chercheurs ont découvert que les méthodes traditionnelles pour mesurer la complexité d'un modèle, comme le comptage de ses paramètres, n'étaient pas bonnes pour prédire cet échec. Au lieu de cela, ils ont découvert qu'observer la « confiance » des prédictions du modèle était un bien meilleur indicateur. Lorsque le modèle quantique prenait des décisions avec une grande confiance, il avait tendance à bien se généraliser à de nouvelles données. Cette découverte relie la séparation physique des états de données à la capacité d'apprentissage du modèle, suggérant que la manière dont les données sont préparées est aussi importante que l'algorithme d'apprentissage lui-même.
La seconde moitié de la recherche inverse la perspective, demandant comment l'intelligence artificielle peut aider les ordinateurs quantiques. Les machines quantiques sont notoirement fragiles ; de minuscules perturbations provenant de l'environnement peuvent causer des erreurs qui ruinent les calculs. Pour y remédier, les scientifiques utilisent des codes de correction d'erreurs, qui répartissent l'information sur de nombreuses particules afin que, si l'une d'elles échoue, les autres puissent sauver la mise. Cependant, ces codes génèrent un flux massif de données qui doivent être lues et corrigées en temps réel. Si le processus de correction est trop lent, les erreurs s'accumulent plus vite qu'elles ne peuvent être corrigées.
Les chercheurs ont abordé ce problème en concevant un nouveau type de décodeur, un système qui lit les signaux d'erreur et indique à l'ordinateur comment les corriger. Ils ont remplacé l'architecture standard utilisée dans ces décodeurs par une conception plus récente et plus efficace appelée Mamba. Ce nouveau design est beaucoup plus rapide pour traiter de longues séquences de données que l'ancien standard. Dans les simulations, le nouveau décodeur égalait la précision des anciens systèmes, mais avec un délai nettement inférieur. Lorsque les chercheurs ont pris en compte le fait que le décodeur lui-même prend du temps pour fonctionner, l'avantage de vitesse est devenu une différence de vie ou de mort. Le décodeur plus rapide a permis au système quantique de tolérer un taux d'erreurs plus élevé avant de s'effondrer, augmentant ainsi efficacement le seuil de ce qui est possible. Cela suggère qu'à mesure que les ordinateurs quantiques grandiront, l'utilisation de ces décodeurs plus rapides pilotés par l'IA sera essentielle pour les maintenir en fonctionnement.
Enfin, l'étude a examiné comment trouver l'état d'énergie minimale de systèmes quantiques complexes, une tâche vitale pour comprendre les matériaux et la chimie. Cela est souvent réalisé à l'aide d'une méthode appelée reconfiguration stochastique, qui consiste essentiellement à ajuster les paramètres d'un réseau neuronal pour minimiser l'erreur. Les chercheurs ont réalisé que, dans les systèmes modernes à grande échelle, cette méthode peut être instable car elle tente d'ajuster trop d'informations à partir d'un nombre limité d'échantillons. Ils ont montré qu'un ajustement mathématique spécifique, connu sous le nom de décalage diagonal (diagonal shift), agit comme un filtre qui lisse le bruit dans les données. En utilisant une technique qui combine plusieurs versions de ce filtre, ils ont pu réduire le bruit et trouver des solutions plus précises que auparavant. Ce travail offre une compréhension plus claire de la manière de régler ces outils puissants pour qu'ils ne soient pas perturbés par l'aléa inhérent aux mesures quantiques.
Ensemble, ces découvertes brossent le portrait d'un domaine en pleine évolution. La recherche démontre que le chemin vers l'informatique quantique puissante ne réside pas uniquement dans la construction d'un meilleur matériel, mais dans un meilleur logiciel. En utilisant l'intelligence artificielle pour préparer les données pour les machines quantiques, et en utilisant des algorithmes d'apprentissage avancés pour gérer les erreurs que ces machines commettent inévitablement, les scientifiques construisent un pont entre deux des domaines les plus complexes de la science. Le travail suggère que l'avenir de la technologie quantique dépendra de ce partenariat, où chaque discipline fournit les outils dont l'autre a besoin pour surmonter ses limitations les plus tenaces.
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.