Fourier Symmetrization for Geometric Quantum Machine Learning

Dans le vaste paysage de la science moderne, les chercheurs se tournent de plus en plus vers des machines qui apprennent à partir de données pour résoudre des problèmes qui étaient autrefois le domaine exclusif de l'intuition humaine. Parmi les outils les plus prometteurs dans ce domaine figurent les ordinateurs quantiques, qui utilisent les règles étranges du monde subatomique pour traiter l'information d'une manière que les machines classiques ne peuvent pas égaler. Une branche spécifique de ce domaine, connue sous le nom d'apprentissage automatique quantique géométrique, tente d'enseigner à ces systèmes quantiques à reconnaître et à respecter les symétries naturelles du monde physique. Tout comme un flocon de neige semble identique après avoir été pivoté ou qu'une molécule se comporte de manière cohérente quel que soit son sens de rotation, de nombreux problèmes scientifiques possèdent des motifs d'invariance cachés. Le défi consistait à déterminer comment construire des modèles quantiques qui adhèrent naturellement à ces motifs sans devenir si complexes qu'ils en deviennent impossibles à entraîner ou à contrôler.

Une équipe de chercheurs de CentraleSupélec en France a désormais fourni une carte plus claire pour naviguer dans ce terrain. Ils ont étudié comment l'imposition de la symétrie sur les modèles quantiques modifie la façon dont ces modèles « pensent » les données, en examinant spécifiquement la manière dont les modèles décomposent l'information en différentes composantes de fréquence. Leurs travaux révèlent que lorsqu'un modèle quantique est contraint de respecter une symétrie, il ne se contente pas de restreindre ses options ; au contraire, il réorganise sa structure interne d'une manière qui peut en fait le rendre plus puissant et plus facile à entraîner. En regroupant des morceaux d'informations apparentés, les chercheurs ont trouvé un moyen d'empêcher les signaux d'apprentissage du modèle de s'évanouir dans le néant, un problème courant qui a tourmenté l'apprentissage automatique quantique. De plus, ils ont découvert une méthode nouvelle et plus efficace pour construire ces modèles symétriques, évitant ainsi les coûts matériels lourds que l'on pensait auparavant nécessaires.

Les chercheurs se sont concentrés sur un type de modèle quantique appelé modèle de Fourier quantique. Imaginez un ordinateur quantique comme un instrument complexe capable de jouer de nombreuses notes différentes simultanément, où chaque note représente une fréquence d'information spécifique. Dans une configuration standard, l'ordinateur pourrait essayer d'apprendre un motif en ajustant le volume de chaque note indépendamment. Cependant, les chercheurs ont montré que lorsque vous exigez que l'ordinateur respecte une symétrie — telle que la capacité d'échanger deux variables ou d'inverser leurs signes — les notes ne sont plus indépendantes. Au lieu de cela, elles forment des groupes, ou « orbites », où l'ordinateur doit traiter toutes les notes d'un groupe comme une seule unité. Le modèle additionne ensuite le volume de toutes les notes de ce groupe pour créer un signal unique et plus fort.

Cette réorganisation s'avère être un avantage crucial. Dans de nombreux modèles quantiques, le signal des notes individuelles devient si faible à mesure que le système s'agrandit que l'ordinateur cesse effectivement d'apprendre, un phénomène connu sous le nom d'expressivité évanescente. Les chercheurs ont démontré qu'en regroupant ces notes en orbites symétriques, le signal combiné devient nettement plus fort. Même si les notes individuelles murmurent, leur voix collective est assez forte pour être entendue et entraînée. Ils ont prouvé mathématiquement que, dans des conditions idéales, la force de ce signal combiné est exactement égale à la somme des forces des notes individuelles au sein du groupe. Même dans des scénarios plus réalistes et imparfaits, ils ont montré que ce regroupement procure toujours un gain massif de force de signal, dépassant de loin ce qui était possible avec les méthodes existantes.

Au-delà du simple renforcement des modèles, les chercheurs ont découvert que cette approche de la symétrie change le langage même que les modèles utilisent pour décrire le monde. Lorsqu'ils ont appliqué un type spécifique de symétrie impliquant des inversions de signe à leurs modèles, la structure mathématique résultante s'est naturellement transformée en un ensemble de fonctions connues sous le nom de polynômes de Tchebychev. Ce sont des outils puissants utilisés par les mathématiciens et les ingénieurs depuis des siècles pour approximer des courbes complexes et résoudre des équations difficiles. En forçant le modèle quantique à respecter ces symétries, les chercheurs l'ont effectivement programmé pour qu'il parle automatiquement ce langage optimal, sans avoir besoin de concevoir manuellement le circuit complexe qui serait autrement requis. Cela suggère que la symétrie n'est pas seulement une contrainte, mais un guide qui peut conduire les modèles quantiques vers les manières les plus efficaces de résoudre des problèmes.

Cependant, un obstacle majeur subsistait : comment construire réellement ces modèles symétriques sur du matériel quantique réel. Les méthodes traditionnelles pour imposer la symétrie nécessitent souvent l'ajout de bits quantiques supplémentaires ou l'exécution de circuits complexes et profonds qui prennent beaucoup de temps à exécuter, ce qui les rend peu pratiques pour la technologie actuelle. L'équipe a proposé une alternative ingénieuse appelée encodage aléatoire. Au lieu de construire un circuit spécial et rigide qui code la symétrie de manière fixe, leur méthode consiste à modifier aléatoirement les données d'entrée avant qu'elles n'entrent dans le circuit quantique standard. En exécutant le même circuit de nombreuses fois avec des entrées transformées aléatoirement et légèrement différentes, puis en faisant la moyenne des résultats, le système produit le même résultat symétrique que les méthodes complexes et coûteuses. Cette approche ne nécessite aucun bit quantique supplémentaire et n'ajoute aucune profondeur au circuit, ce qui la rend beaucoup plus réalisable pour les dispositifs quantiques bruyants d'aujourd'hui.

Pour tester leurs idées, les chercheurs ont appliqué ces nouveaux modèles à la résolution de deux problèmes mathématiques difficiles qui décrivent des phénomènes physiques : une équation de Poisson écrantée et une équation de Hamilton-Jacobi visqueuse stationnaire. Ces équations sont utilisées pour modéliser tout, des champs électriques à la dynamique des fluides. Ils ont comparé leurs nouveaux modèles symétriques aux modèles quantiques standards et aux réseaux de neurones classiques. Les résultats sont clairs : les modèles qui utilisaient la symétrie, particulièrement ceux construits avec leur nouvelle méthode d'encodage aléatoire, ont obtenu les erreurs les plus faibles et les solutions les plus précises. Dans un test spécifique impliquant des conditions aux limites difficiles, le modèle quantique symétrique a surpassé toutes les autres approches, y compris les réseaux de neurones classiques.

L'étude conclut que la symétrie est une ressource puissante et sous-utilisée dans l'apprentissage automatique quantique. Elle ne se contente pas de limiter ce qu'un modèle peut faire ; elle remodèle la structure interne du modèle pour la rendre plus robuste et plus efficace. En réorganisant l'information en groupes symétriques, les chercheurs ont montré que les modèles quantiques peuvent surmonter la perte de signal qui a entravé leurs progrès. Leur nouvelle méthode pour implémenter ces symétries offre une voie pratique, permettant aux chercheurs de tirer parti de ces avantages sans les coûts matériels prohibitifs qui rendaient auparavant de telles approches difficiles à mettre à l'échelle. Ce travail fournit un plan concret pour la conception de meilleurs algorithmes quantiques qui soient non seulement plus précis, mais aussi plus en phase avec les symétries fondamentales du monde physique qu'ils cherchent à simuler.