⚛️ quantum physics

Evolving Hybrid Quantum-Classical Architectures for Image Classification

Cet article étend le cadre évolutif EXAQC pour automatiser la découverte d'architectures hybrides quantiques-classiques pour la classification d'images, démontrant que des circuits quantiques paramétrés évolués peuvent atteindre une précision compétitive sur MNIST, Fashion-MNIST et CIFAR-10 tout en réduisant considérablement le nombre de paramètres entraînables par rapport aux modèles d'apprentissage profond classiques.

Auteurs originaux : Devroop Kar, Daniel Krutz, Travis Desell

Publié 2026-10-05

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Devroop Kar, Daniel Krutz, Travis Desell

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 la course silencieuse pour construire des ordinateurs plus intelligents, une nouvelle frontière est apparue, là où la logique rigide des puces en silicium rencontre la nature fluide et probabiliste de la mécanique quantique. Depuis des années, les scientifiques tentent d'apprendre aux machines à reconnaître des formes, qu'il s'agisse de repérer un chat sur une photographie ou d'identifier une tumeur sur une radiographie. Les ordinateurs traditionnels y parviennent en traitant de vastes quantités de données à travers des couches de filtres mathématiques, une méthode efficace mais qui nécessite une énergie et une mémoire immenses. Les ordinateurs quantiques, qui utilisent les règles étranges de la physique régissant les atomes, promettent de résoudre ces problèmes avec beaucoup moins d'efforts, mais ils sont notoirement difficiles à contrôler. Le principal obstacle est que les « circuits » à l'intérieur de ces machines quantiques — les arrangements spécifiques de portes qui traitent l'information — doivent être conçus avec une précision extrême. Si la conception est même légèrement décalée, l'ordinateur échoue à apprendre, ou pire, cesse totalement d'apprendre. Pendant longtemps, les chercheurs ont dû fabriquer ces conceptions à la main, devinant quel arrangement de composants quantiques fonctionnerait le mieux pour une tâche spécifique, un processus lent, coûteux et souvent inefficace.

Une équipe de chercheurs du Rochester Institute of Technology a adopté une approche différente, une approche qui permet à l'ordinateur de se concevoir lui-même. Ils ont développé un système appelé EXAQC, qui utilise un processus évolutif similaire à la sélection naturelle pour découvrir le meilleur circuit quantique possible pour une tâche donnée. Au lieu qu'un ingénieur humain dessine un plan, le système génère des milliers de conceptions de circuits aléatoires, les teste et conserve celles qui performent le mieux. Il mélange ensuite ces conceptions réussies et les fait muter pour créer des versions encore meilleures, répétant le cycle jusqu'à trouver une solution qui soit à la fois précise et efficace. Les chercheurs ont testé ce système sur la tâche difficile de la classification d'images, demandant à la machine d'examiner des photos de chiffres écrits à la main, de vêtements et d'objets du quotidien comme des voitures et des animaux, et de les trier dans les bonnes catégories.

Les résultats de cette expérience révèlent un changement frappant dans la manière dont nous pourrions construire les futurs systèmes intelligents. Lorsque les chercheurs ont appliqué leur système évolutif à la tâche de reconnaissance de chiffres manuscrits, il a atteint un taux de réussite de près de 98,5 %. Lorsque la tâche est devenue plus difficile, passant aux images de vêtements, le système a tout de même réussi à obtenir environ 90,6 % de réussite. Le véritable test fut le plus complexe : un ensemble de données composé d'images colorées de dix classes d'objets différentes. Ici, le système a atteint une précision de 85,5 %. Ce qui rend ces chiffres particulièrement significatifs, ce n'est pas seulement que le système a fonctionné, mais la manière dont il a fonctionné. Les chercheurs ont découvert que les circuits quantiques que le système a fait évoluer étaient incroyablement compacts, utilisant une infime fraction des ressources requises par les modèles informatiques traditionnels. En fait, sur l'ensemble de données le plus complexe, le système hybride a atteint le même niveau de précision qu'un réseau neuronal profond massif de dix couches, tout en utilisant plus de quatre-vingt-seize pour cent de réglages ajustables, ou paramètres, en moins pour accomplir la tâche.

L'étude a également révélé que la manière dont les données sont injectées dans la machine quantique importe plus qu'on ne le pensait auparavant. Les chercheurs ont essayé différentes méthodes pour traduire une image numérique standard en un état quantique. Ils ont constaté que pour les images simples, la méthode ne faisait pas de grande différence. Cependant, pour les images complexes et colorées, le choix de la méthode de traduction était critique. Une méthode spécifique, qui utilise un encodage basé sur la rotation, a permis au système de mieux comprendre les images que la méthode traditionnelle basée sur l'amplitude, améliorant la précision de plus de vingt points de pourcentage. Cela suggère qu'à mesure que les tâches deviennent plus difficiles, la manière dont nous préparons les données pour le processeur quantique devient aussi importante que le processeur lui-même.

La découverte la plus surprenante fut sans doute la manière dont le système a géré le volume massif d'informations contenues dans les images. Une image brute provenant de l'ensemble de données complexe contient plus de trois mille points de données, bien trop nombreux pour être gérés directement par le matériel quantique actuel. Les chercheurs ont résolu ce problème en utilisant un composant informatique classique pour compresser l'image en un résumé restreint et gérable avant de la transmettre à la partie quantique. Le système évolutif a ensuite appris à traiter ce résumé. Il s'est avéré que les circuits quantiques ayant évolué pour traiter ces résumés compressés n'étaient pas des structures simples et répétitives. Au lieu de cela, ils ont développé des motifs de connexions complexes et irréguliers qui ne ressemblaient en rien aux conceptions fixes que les humains créent habituellement. Ces circuits évolués ont été capables d'extraire les informations nécessaires à partir des données compressées avec une efficacité remarquable, prouvant qu'une recherche automatisée peut trouver des solutions que les concepteurs humains pourraient négliger.

Les chercheurs ont pris soin de noter que ces résultats proviennent de simulations informatiques, et non de l'exécution des circuits sur un véritable matériel quantique, qui est encore à ses débuts et sujet aux erreurs. Cependant, la cohérence des résultats à travers dix exécutions distinctes de l'expérience suggère que les conclusions sont robustes et ne sont pas le fruit du hasard. Le système n'a pas seulement trouvé une solution ; il a trouvé une solution nettement plus efficace que les méthodes existantes. En combinant la capacité d'un ordinateur classique à extraire des caractéristiques avec la capacité d'un ordinateur quantique à les traiter, les chercheurs ont démontré une voie à suivre qui évite le recours à des modèles massifs et énergivores. Ce travail montre que nous n'avons pas besoin d'attendre un matériel quantique parfait pour voir des bénéfices ; en faisant évoluer l'architecture appropriée pour la tâche spécifique, nous pouvons construire des systèmes hybrides qui sont puissants, compacts et prêts à relever les défis des données du monde réel.

Résumé Technique : Évolution des Architectures Hybrides Quantiques-Classiques pour la Classification d'Images

Problématique

Les réseaux de neurones hybrides quantiques-classiques (HQNN) intègrent des circuits quantiques paramétrés (PQC) à des architectures d'apprentissage profond pour traiter des données classiques. Cependant, les performances de ces modèles dépendent fortement de la sélection manuelle de l'architecture du circuit quantique (ansatz), incluant la composition des portes, la profondeur du circuit, la connectivité des qubits et l'encodage des données. Les approches existantes reposent généralement sur des circuits fixes ou conçus à la main qui ne sont pas garantis de convenir à des tâches spécifiques. Cette limitation est particulièrement aiguë dans la classification d'images, où les circuits quantiques doivent transformer les caractéristiques extraites par les réseaux classiques tout en restant assez compacts pour un entraînement pratique sur le matériel de l'ère NISQ (Noisy Intermediate-Scale Quantum). Les ansätze génériques et agnostiques vis-à-vis de la tâche échouent souvent à répondre à ces exigences simultanées, entraînant des problèmes tels que les plateaux stériles (disparition exponentielle des gradients) et une faible capacité d'entraînement. Par conséquent, il existe un besoin de méthodes automatisées pour découvrir des structures de circuits quantiques qui soient à la fois efficaces pour des images complexes et informatiquement efficaces.

Méthodologie

Les auteurs étendent EXAQC, un cadre évolutionnaire précédemment utilisé pour des benchmarks de faible dimension, au domaine de la classification d'images. La méthodologie proposée utilise une architecture hybride composée de trois composants principaux :

Encodeur Classique ( $E_\psi$ ) : Un extracteur de caractéristiques (bloc d'identité, MLP ou CNN) qui compresse les images brutes de haute dimension ( $C \times H \times W$ ) en une représentation compacte ( $d_q$ ) adaptée au traitement quantique.
Circuit Quantique Paramétré Évolué ( $Q_{\theta, A}$ ) : Un PQC où l'architecture $A$ (composition des portes, profondeur, connectivité) est découverte via une recherche évolutionnaire, tandis que les paramètres continus $\theta$ sont optimisés par descente de gradient.
Décodeur Classique ( $D_\phi$ ) : Un réseau qui projette les résultats de mesure quantique vers des prédictions de classes.

Processus de Recherche Évolutionnaire :
EXAQC utilise un algorithme évolutionnaire à état stationnaire pour optimiser la structure du circuit. Chaque circuit candidat est représenté comme un génome à longueur variable contenant une collection ordonnée de portes. La recherche emploie :

Mutation Structurelle : Ajout, activation, désactivation ou réordonnancement de portes, et modification de la connectivité des qubits.
Croisement (Crossover) : Combinaison d'informations provenant de circuits parents à l'aide d'opérateurs binaires, exponentiels ou n-aires.
Hérédité Lamarckienne : Transfert des paramètres continus appris des parents vers les descendants pour accélceler la convergence.
Évaluation Asynchrone : Les candidats sont évalués en parallèle, et les descendants entrent immédiatement en compétition pour l'insertion dans la population sur la base de la fitness de validation.

Stratégies d'Encodage Quantique :
L'étude examine quatre mécanismes d'encodage d'entrée :

Encodage d'Amplitude : Mappe les caractéristiques $d_q$ vers $n_q = \lceil \log_2(d_q) \rceil$ qubits.
Encodages de Rotation (RX, RY) : Mappe une caractéristique par qubit ( $n_q = d_q$ ).
Encodage U3 : Mappe trois caractéristiques par qubit en utilisant la porte $U3(\theta, \phi, \lambda)$ , permettant $n_q = d_q/3$ .

L'objectif d'entraînement minimise la perte d'entropie croisée à travers les paramètres conjoints de l'encodeur, du circuit quantique et du décodeur.

Principales Contributions

Extension d'EXAQC à la Classification d'Images : Le papier parvient à passer à l'échelle le cadre EXAQC des problèmes de faible dimension vers des jeux de données d'images complexes (MNIST, Fashion-MNIST, CIFAR-10), démontnant que les circuits évolués peuvent trouver des transformations utiles dans les caractéristiques d'images compressées.
Découverte Automatisée de Modules Quantiques Compacts : Contrairement aux méthodes reposant sur des ansätze fixes, l'approche proposée fait évoluer des circuits adaptés aux caractéristiques apprises, résultant en des modules quantiques compacts (20–60 portes) qui remplacent des composants classiques plus larges.
Utilisation Novatrice de l'Encodage U3 : Ce travail introduit l'utilisation des portes U3 comme mécanisme d'encodage quantique au sein d'un cadre de recherche évolutionnaire, se distinguant des travaux précédents qui n'employaient pas cette stratégie d'encodage spécifique.
Efficacité des Paramètres : L'étude fournit des preuves empiriques que les modèles hybrides évolués peuvent atteindre une précision compétitive avec nettement moins de paramètres que les lignes de base de l'apprentissage profond purement classique.

Résultats Expérimentaux

Le cadre a été évalué sur trois jeux de données de complexités variables :

Performance Prédictive :
- MNIST : 98,42 % de précision.
- Fashion-MNIST : 90,62 % de précision.
- CIFAR-10 : 85,47 % de précision.
- Ces résultats égalent ou dépassent les méthodes de recherche d'architecture quantique (QAS) antérieures (ex: EQNAS, AQEA-QAS) sur CIFAR-10 tout en utilisant moins de portes.
Impact de l'Encodage :
- Sur MNIST, le choix de l'encodage a eu un impact minimal (différences < 1 %).
- Sur CIFAR-10, les encodages basés sur la rotation (RX, RY, U3) ont nettement surperformé l'encodage d'amplitude (83,75–86,68 % contre 61,38 %). L'encodage U3 a produit la précision la plus élevée (86,68 %) mais nécessitait les circuits les plus grands (60 portes, 40 paramètres).
Efficacité des Paramètres :
- CIFAR-10 : Le modèle hybride EXAQC a atteint 85,68 % de précision avec 100 173 paramètres, égalant un CNN à 10 couches (85,50 %) qui nécessitait 2 569 962 paramètres (une réduction de 96,1 %). Il est également resté à 1,4 % près de la précision de ResNet18 avec 99,1 % de paramètres en moins.
- Fashion-MNIST : Le modèle hybride a dépassé un CNN à 1 couche (91,11 % contre 89,47 %) avec 54,8 % de paramètres en moins.
Complexité du Circuit :
- Les circuits évolués pour CIFAR-10 étaient substantiellement plus grands et plus intriqués que ceux pour MNIST, présentant des arrangements irréguliers et non stratifiés de rotations à un qubit et de portes contrôlées multi-qubits, différant des modèles standards conçus à la main.

Signification et Revendications

Le papier affirme que la découverte automatisée de circuits via la recherche évolutionnaire produit des modules quantiques compacts capables de remplacer des composants classiques plus larges dans les architectures de vision sans sacrifier une précision compétitive. La portée de ce travail réside dans :

Scalabilité : Démontrer que les PQC évolués peuvent gérer les représentations de caractéristiques compressées de jeux de données d'images complexes, comblant le fossé entre les limitations matérielles actuelles et les exigences de données de haute dimension.
Efficacité : Établir que les modèles hybrides peuvent atteindre des performances de pointe pour leur classe avec un nombre de paramètres drastiquement réduit, répondant ainsi aux contraintes de ressources du matériel quantique actuel.
Adaptabilité : Souligner que l'architecture quantique et la stratégie d'encodage optimales ne sont pas universelles mais dépendent fortement du jeu de données et de la qualité de l'extraction de caractéristiques classiques.

Les auteurs concluent que bien que les résultats soient prometteurs, les travaux futurs devront traiter la dépendance à la simulation, le besoin de comparaisons standardisées avec l'état de l'art, et l'optimisation conjointe des encodeurs et des circuits quantiques. Ils notent également que le coût de la recherche évolutionnaire augmente avec la complexité du circuit, suggérant la nécessité de stratégies de recherche distribuées plus efficaces.