🤖 apprentissage automatique

Quantum Evolution Kernel for Node-Attributed Graphs

Cet article propose un nouveau noyau d'évolution quantique pour les graphes à attributs de nœuds qui utilise un encodage d'état quantique à trois niveaux et la distance de Wasserstein pour atteindre une précision plus élevée dans les tâches de reconnaissance de chiffres par rapport aux méthodes classiques basées sur la distance de Jensen-Shannon, le tout simulé sur des ordinateurs quantiques à atomes neutres en utilisant la bibliothèque Pulser de Pasqal.

Auteurs originaux : Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

Publié 2026-10-28

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Manuel Padovani, Alessandra Di Pierro, Claudia Daffara

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

Les ordinateurs sont depuis longtemps experts dans la reconnaissance de motifs dans les données, qu'il s'agisse de trier des photos de chats ou de lire des notes manuscrites. Pendant des décennies, les outils les plus performants pour cette tâche se sont appuyés sur les mathématiques classiques, traitant l'information comme des listes de nombres fixes ou des connexions simples. Cependant, une nouvelle frontière s'ouvre dans le domaine de l'apprentissage automatique, où les scientifiques commencent à utiliser les lois étranges de la mécanique quantique pour traiter l'information de manières qui étaient auparavant impossibles. Dans ce domaine, la donnée n'est pas seulement calculée ; elle est évoluée. Au lieu de simplement brasser des chiffres, les chercheurs peuvent guider un système à travers une série de changements physiques, permettant à la donnée d'interagir avec elle-même d'une manière qui révèle des relations cachées. Cette approche est particulièrement prometteuse pour l'analyse de formes et de réseaux complexes, appelés graphes, que l'on retrouve partout, des réseaux sociaux aux molécules chimiques. Le défi consistait à trouver un moyen d'injecter ces graphes complexes et multidimensionnels dans des machines quantiques sans perdre les détails subtils qui les rendent uniques.

Une équipe de chercheurs de l'Université de Vérone a franchi une étape significative vers la résolution de ce problème en développant une nouvelle méthode pour traduire les graphes dans le langage des ordinateurs quantiques à atomes neutres. Ces machines utilisent des atomes individuels, maintenus en place par des lasers, pour représenter des points de données. Les chercheurs se sont concentrés sur un type spécifique de graphe où chaque point, ou nœud, porte son propre ensemble de caractéristiques, telles que la couleur d'un pixel dans un dessin ou les propriétés chimiques d'un atome dans une molécule. Leur objectif était de créer un système capable non seulement de voir la forme du graphe, mais aussi de comprendre les caractéristiques uniques attachées à chacune de ses parties. Pour ce faire, ils ont conçu un processus qui projette la structure d'un graphe sur les positions physiques des atomes, puis encode les détails spécifiques de chaque nœud dans les états d'énergie interne de ces atomes.

Le cœur de leur innovation réside dans la gestion de ces états internes. Les méthodes traditionnelles traitent souvent les atomes comme de simples interrupteurs, soit allumés, soit éteints. L'équipe de Vérone, cependant, a utilisé un système à trois niveaux plus complexe. Ils ont utilisé des lasers pour pousser délicatement les atomes vers un état intermédiaire, distinct de leur état de repos et de leur état hautement excité. Cela leur a permis d'encoder simultanément deux informations différentes pour chaque nœud. Une partie du système capturait la forme globale du graphe en disposant les atomes selon un motif spécifique, tandis que l'autre partie utilisait les niveaux d'énergie interne pour stocker les caractéristiques uniques de chaque nœud. Cette séparation signifiait que l'ordinateur pouvait traiter la structure et les détails de manière indépendante, préservant ainsi la richesse de la donnée originale.

Pour tester leur idée, les chercheurs se sont tournés vers un problème classique : la reconnaissance de chiffres manuscrits. Ils ont pris des images de chiffres provenant d'un ensemble de données standard et les ont converties en graphes, où chaque pixel est devenu un nœud et les connexions entre eux ont formé les lignes du chiffre. Ils ont ensuite injecté ces graphes dans une simulation d'un ordinateur quantique à atomes neutres. Le système a fait évoluer les atomes pendant un bref instant, les laissant interagir et s'intriquer, avant que les chercheurs ne mesurent l'état final. Au lieu de chercher une réponse unique, ils ont analysé les motifs statistiques des résultats, créant une « empreinte digitale » unique pour chaque chiffre. Ils ont ensuite comparé ces empreintes pour voir à quel point les chiffres étaient similaires ou différents les uns des autres.

Les chercheurs ont découvert que la manière dont ils mesuraient la différence entre ces empreintes comptait énormément. Ils ont testé plusieurs méthodes mathématiques pour comparer les motifs, y compris des méthodes qui avaient été populaires dans des études précédentes. Ils ont constaté qu'une approche spécifique, connue sous le nom de distance de Wasserstein, était bien supérieure pour leurs données. Cette méthode est particulièrement efficace pour mesurer le « travail » nécessaire pour transformer un motif en un autre, capturant les décalages géométriques subtils que d'autres méthodes manquaient. En utilisant cette mesure de distance, leur système quantique a atteint une précision moyenne de reconnaissance des chiffres plus élevée que les méthodes plus anciennes et plus courantes.

L'étude a également mis en évidence l'importance des informations supplémentaires attachées aux nœuds. Lorsque les chercheurs ont supprimé les caractéristiques spécifiques des nœuds pour ne compter que sur la forme du graphe, les performances du système ont chuté. Cela a confirmé que leur méthode d'encodage des détails locaux dans les états internes des atomes était essentielle à la tâche. Bien que le système quantique n'ait pas encore surpassé les programmes informatiques classiques les plus avancés conçus pour ce travail spécifique, il s'est comporté de manière comparable à certains des meilleurs outils traditionnels de correspondance de graphes. C'est un résultat notable car le système quantique fonctionnait sur une simulation avec des limites strictes sur le nombre d'atomes qu'il pouvait gérer, et pourtant, il a réussi à extraire des motifs significatifs des données.

Les chercheurs ont pris soin de noter que leur travail était un prototype. L'ensemble du processus a été simulé sur un ordinateur classique pour imiter le comportement d'un véritable dispositif quantique, ce qui signifie que les résultats sont une preuve de concept plutôt que la démonstration d'un produit fini. Ils ont également constaté que le système était sensible au timing des impulsions laser ; si les atomes étaient laissés à évoluer trop longtemps, le signal devenait bruyant et la précision en souffrait. En trouvant le moment précis pour arrêter l'évolution, ils ont maximisé la clarté de l'information. L'étude suggère qu'à mesure que le matériel quantique réel s'améliorera et pourra gérer un plus grand nombre d'atomes, cette approche pourrait devenir un outil puissant pour l'analyse de structures de données complexes.

En fin de compte, ce travail démontre qu'il est possible de projeter l'information riche et multicouche des graphes du monde réel sur les états délicats des atomes quantiques. En combinant la disposition physique des atomes avec leurs niveaux d'énergie interne, et en utilisant une manière intelligente de comparer les motifs résultants, les chercheurs ont montré une voie viable pour l'apprentissage de graphes quantiques. Les conclusions suggèrent qu'à l'avenir, ces machines pourraient offrir un nouveau moyen de comprendre des systèmes complexes, de la reconnaissance de l'écriture manuscrite à la prédiction du comportement de nouveaux matériaux, en percevant les données non pas seulement comme des nombres, mais comme des formes physiques en évolution.

Résumé Technique : Noyau d'Évolution Quantique pour les Graphes à Attributs de Nœuds

Énoncé du Problème

L'apprentissage sur graphes est un domaine critique pour la représentation de problèmes du monde réel, pourtant les méthodes classiques font face à des limitations significatives. Les noyaux de graphes traditionnels (par exemple, Weisfeiler-Lehman) ignorent souvent les caractéristiques continues des nœuds, tandis que les réseaux de neurones convolutionnels sur graphes (GCN) sont théoriquement limités par le test d'isomorphisme 1-WL, souffrent de sur-lissage (over-smoothing) et entraînent des coûts de calcul élevés à mesure que la taille du graphe augmente. De plus, l'incorporation de multiples attributs de nœuds continus dans les noyaux de graphes quantiques analogiques reste un défi largement inexploré. Cet article répond au besoin d'un paradigme quantique capable d'encoder à la fois la structure du graphe et les caractéristiques continues au niveau des nœuds sur des processeurs quantiques à atomes neutres, en ciblant spécifiquement le régime de données limitées (low-data regime) où les noyaux quantiques ont montré des promesses.

Méthodologie

L'approche proposée étend le cadre du Noyau d'Évolution Quantique (QEK) pour gérer les graphes à attributs de nœuds en utilisant les processeurs quantiques à atomes neutres de Pasqal. La méthodologie comprend trois étapes principales :

1. Encodage Physique et Hamiltonien

Le système utilise des atomes neutres avec trois états pertinents : deux états fondamentaux hyperfins de basse énergie ( $|g\rangle$ et $|h\rangle$ ) et un état de Rydberg de haute énergie ( $|r\rangle$ ).

Structure du Graphe : Encodée via le positionnement spatial des atomes. Les nœuds connectés sont placés à l'intérieur d'un rayon de blocage de Rydberg ( $R_b$ ) pour permettre des interactions via la force de van der Waals ( $1/R^6$ ), tandis que les nœuds non connectés sont placés au-delà de ce rayon.
Caractéristiques des Nœuds : Contrairement aux travaux précédents qui n'utilisaient que des lasers Rydberg, cette méthode introduit des impulsions laser Raman locales pour coupler les états $|g\rangle$ et $|h\rangle$ . Cela crée un système à trois niveaux (qutrit) par atome. Les vecteurs de caractéristiques des nœuds sont normalisés et mappés sur des angles de rotation ( $\theta_1, \theta_2$ ) sur la sphère de Bloch, modulant efficacement le transfert de population entre $|g\rangle$ et $|h\rangle$ .
Évolution : Le système évolue sous un Hamiltonien comprenant des rotations locales ( $U_{local}$ ) et des interactions de Rydberg globales ( $U_{int}$ ). L'état final $|\Psi(t)\rangle$ est le résultat de ces couches successives.

2. Mesure et Extraction de Distribution

Puisque le matériel ne peut pas distinguer directement les trois états, les mesures sont effectuées dans la base fondamental-Rydberg (bit 0 pour $|g\rangle$ ou $|h\rangle$ , bit 1 pour $|r\rangle$ ).

Distribution d'Occupation : Dérivée du poids de Hamming des chaînes de bits (fraction d'atomes excités).
Distribution de Corrélation : Dérivée des corrélations à deux points $\langle Z_i Z_j \rangle - \langle Z_i \rangle \langle Z_j \rangle$ .
Invariance d'Échelle : Ces distributions sont agrégées pour créer des représentations de graphes invariantes à la taille.

3. Construction du Noyau

L'article définit un noyau quantique basé sur la distance entre les distributions de probabilité dérivées des mesures.

Métrique de Distance : Les auteurs utilisent la distance de Wasserstein ( $W_1$ ) (Distance de l'Empereur Terrien / Earth Mover's Distance) plutôt que la distance de Jensen-Shannon (JS) couramment utilisée. $W_1$ préserve l'information géométrique et évite les pertes de discrétisation associées au découpage en classes (binning), bien qu'elle présente une complexité temporelle plus élevée.
Formulation du Noyau : Le noyau est défini comme $K(P, Q) = \exp(-\gamma D(P, Q))$ . Deux stratégies d'agrégation sont testées : une somme pondérée de noyaux individuels et un produit de distances sommées.
Classification : Le noyau résultant est injecté dans un classifieur à vecteurs de support (SVC) avec une stratégie un-contre-un pour la classification multi-classe.

Configuration Expérimentale

Jeu de Données : Un sous-ensemble du jeu de données de chiffres manuscrits MNIST a été converti en graphes. Les images ont subi une binarisation, une squelettisation et un raffinement de graphe (fusion de nœuds proches, suppression de nœuds colinéaires).
Contraintes : En raison des limites de simulation utilisant la bibliothèque Pulser de Pasqal, les graphes ont été filtrés pour avoir $|V| \le 9$ nœuds.
Caractéristiques : Quatre caractéristiques au niveau des nœuds ont été encodées : coordonnées de pixels (scalées), angle de déviation des arêtes consécutives et direction de la bissectrice.
Lignes de Base (Baselines) : La méthode a été comparée aux noyaux de graphes classiques de type Weisfeiler-Lehman (WL) (avec diverses configurations de caractéristiques) et à un réseau de neurones convolutionnel sur graphes (GCN).

Résultats Clés

Efficacité de la Métrique de Distance : La distance de Wasserstein a obtenu la précision moyenne la plus élevée pour toutes les tailles de l'ensemble d'entraînement par rapport à Jensen-Shannon, Hellinger et les distances L2. La distance JS a obtenu des performances légèrement inférieures, et les performances se sont dégradées lors de l'augmentation du nombre de classes (bins), suggérant que la capacité de $W_1$ à gérer des distributions continues sans découpage est supérieure pour cette tâche.
Importance des Caractéristiques : Le noyau quantique avec les caractéristiques au niveau des nœuds a surpassé la version sans celles-ci, confirmant que l'information locale améliore la classification.
Comparaison avec les Lignes de Base Classiques :
- Le GCN a atteint la précision globale la plus élevée, comme prévu pour les modèles d'apprentissage profond.
- Le Noyau Quantique (utilisant Wasserstein) a performé de manière comparable au noyau WL basé uniquement sur la position et a surpassé les noyaux WL basés uniquement sur l'angle ou sans caractéristiques.
- Cependant, le noyau quantique n'a pas surpassé le noyau WL combinant position et angle, ni le GCN en termes de précision moyenne.

Signification et Revendications

L'article affirme démontrer la faisabilité architecturale de l'encodage de caractéristiques continues à attributs multiples sur du matériel à atomes neutres analogiques. Ses principales contributions sont :

Encodage Novateur : Introduction d'un système à trois niveaux par atome via des lasers Raman pour séparer l'encodage des caractéristiques des nœuds de l'encodage topologique, enrichissant ainsi l'espace de Hilbert local.
Sélection de Métrique : Établissement que la distance de Wasserstein est plus efficace que la métrique de Jensen-Shannon pour les noyaux de graphes basés sur des distributions de mesures quantiques dans ce contexte.
Validation de Prototype : Démonstration que même avec un circuit simple et des temps d'évolution courts, la méthode peut extraire des informations de corrélation utiles pour des tâches de classification.

Les auteurs restent modestes quant à la performance actuelle, notant que la conception simple du circuit et les temps d'évolution courts ont empêché la méthode de surpasser les noyaux classiques de pointe ou les GCN. Ils postulent qu'une conception plus raffinée avec des encodages élaborés et des temps d'évolution plus longs pourrait améliorer les performances. Ce travail sert de base pour de futures implémentations à grande échelle, soulignant que si l'encodage passe linéairement avec la taille du graphe sur le matériel réel, la gestion des coûts de post-traitement classique pour les matrices de corrélation reste un défi critique pour la scalabilité.