Classical training of conditional instantaneous quantum polynomial-time Born machines

Dans les recoins tranquilles de la physique et de l'informatique, des chercheurs explorent un nouveau type d'intelligence artificielle qui vit à l'intérieur des ordinateurs quantiques. Contrairement aux ordinateurs classiques que nous avons dans nos poches, qui traitent l'information comme une simple séquence de zéros et de uns, les machines quantiques utilisent des particules qui peuvent exister dans de nombreux états à la fois. Cette capacité unique leur permet de s'attaquer à des problèmes qui prendraient des milliers d'années à résoudre pour des ordinateurs ordinaires. Une application prometteuse est la modélisation générative, où une machine apprend les motifs cachés d'un système complexe — comme la façon dont les atomes s'organisent dans un matériau ou comment les pixels forment un visage — puis crée de nouveaux exemples réalistes de ce système. Le défi a toujours été l'entraînement de ces machines. Parce que les ordinateurs quantiques sont encore fragiles et coûteux à faire fonctionner, les scientifiques cherchent des moyens de les enseigner en utilisant d'abord des ordinateurs classiques, en réservant le matériel quantique uniquement pour l'acte final de génération de données.

Une équipe de chercheurs a maintenant développé une méthode pour faire exactement cela pour un type spécifique de modèle quantique appelé machine de Born. Ces modèles sont conçus pour imiter le comportement statistique des systèmes quantiques. Les chercheurs ont découvert un moyen d'enseigner à un seul circuit quantique comment gérer toute une famille de scénarios différents, plutôt qu'une seule situation fixe. Imaginez un artiste unique capable de peindre un paysage en été, en hiver, au printemps et en automne, simplement en étant informé de la saison à représenter, sans avoir besoin d'apprendre une technique de peinture complètement nouvelle pour chaque saison. L'équipe a découvert qu'en encodant la « saison » directement dans l'état initial du calculateur quantique, ils pouvaient entraîner la machine entièrement sur un ordinateur classique. Une fois entraînée, la machine pouvait être déployée sur un véritable dispositif quantique pour générer des échantillons pour n'importe quelle condition, même celles qu'elle n'avait jamais rencontrées auparavant.

Le cœur de leur découverte réside dans la manière dont ils ont préparé l'ordinateur quantique à recevoir les instructions. Les méthodes précédentes tentaient d'ajuster les boutons internes du circuit quantique en fonction de la condition, un peu comme si l'on essayait de changer le moteur d'une voiture pendant qu'elle roule. La nouvelle approche change plutôt le carburant avant que le moteur ne démarre. Ils injectent au circuit quantique un état initial spécifique qui contient déjà l'information sur la condition, telle qu'une température spécifique ou un réglage particulier. Le circuit applique ensuite un ensemble unique et partagé d'opérations à cet état initial. Parce que l'état initial porte la condition, le circuit n'a pas besoin d'être réentraîné ou reconfiguré pour chaque nouveau scénario. Cela permet aux chercheurs d'entraîner le modèle à l'aide de simulations classiques, qui sont rapides et fiables, puis de faire fonctionner la version finale sur un processeur quantique.

Pour tester cette idée, l'équipe s'est concentrée sur deux défis distincts. Premièrement, ils ont examiné une famille mathématique de distributions où la moyenne et l'écart pouvaient être réglés indépendamment. Ils ont entraîné un modèle pour gérer ces variations et ont constaté qu'il pouvait prédire avec succès des résultats pour des combinaisons de paramètres qu'il n'avait jamais rencontrées lors de l'entraînement. Dans ce test, leur méthode était nettement plus précise que les anciennes techniques qui tentaient d'ajuster les paramètres internes du circuit pour chaque condition. La nouvelle approche a capturé la structure sous-jacente du problème si bien qu'elle s'est généralisée à de nouvelles situations avec beaucoup moins d'erreurs.

Le second test, plus exigeant, concernait le modèle de Curie-Weiss, un système célèbre utilisé pour décrire comment les aimants se comportent lorsqu'ils chauffent ou refroidissent. À mesure que la température change, les spins magnétiques dans le matériau subissent un changement radical, passant d'un état désordonné à un état ordonné. Cette transition est notoirement difficile à modéliser car la forme de la distribution de probabilité change fondamentalement. Les chercheurs ont entraîné un seul modèle quantique de seize qubits pour gérer toute cette gamme de températures. Les résultats ont été frappants : le modèle a capturé avec précision la transition d'un pic de probabilité unique vers un double pic, un comportement qui représente le changement physique du matériau. Lorsqu'ils ont comparé leurs résultats aux modèles génératifs classiques, l'approche quantique a performé aussi bien que les modèles classiques possédant sept fois plus de paramètres ajustables. Plus impressionnant encore, le modèle a si bien appris la physique qu'il a pu prédire le comportement du système à des températures qu'il n'avait jamais vues durant l'entraînement.

L'équipe ne s'est pas arrêtée aux petites simulations. Elle a poussé la méthode jusqu'à ses limites, entraînant des modèles allant jusqu'à deux mille quarante-huit qubits. À cette échelle, il est impossible de simuler le système sur un ordinateur classique pour vérifier directement les réponses. Cependant, comme les lois physiques régissant ce système spécifique sont bien comprises, les chercheurs ont pu calculer le comportement attendu du magnétisme et le comparer aux résultats de leur modèle. Ils ont découvert que le modèle a réussi à apprendre l'ordre à longue portée de la phase froide et a pu extrapoler ce comportement à des tailles bien au-delà de celles utilisées lors de l'entraînement. Cela a démontré que la méthode passe à l'échelle efficacement, conservant sa capacité à apprendre des motifs complexes même lorsque le système atteint une taille où la vérification classique devient impossible.

L'étude a également souligné l'importance de la manière dont la condition est encodée. Ils ont testé différentes façons de préparer l'état initial et ont découvert qu'une méthode de préparation plus sophistiquée, impliquant de tordre l'état quantique d'une manière spécifique, donnait de bien meilleurs résultats qu'une approche plus simple. Cela suggère que la façon dont l'information est injectée dans l'ordinateur quantique est tout aussi critique que l'algorithme d'apprentissage lui-même. En concevant soigneusement l'entrée, ils ont pu imposer des symétries physiques au modèle, garantissant qu'il respecte les lois fondamentales du système qu'il tentait de mimer.

En fin de compte, ce travail étend la portée de l'apprentissage automatique quantique. Il montre que nous n'avons pas besoin d'attendre des ordinateurs quantiques parfaits et sans erreur pour commencer à entraîner des modèles complexes. En utilisant les ordinateurs classiques pour apprendre les motifs et les ordinateurs quantiques uniquement pour générer les données finales, les chercheurs peuvent désormais s'attaquer à des problèmes impliquant la génération conditionnelle — où la sortie dépend d'une variable d'entrée spécifique. Cela ouvre la voie à la simulation de systèmes physiques sous diverses conditions, de différentes températures à différents champs externes, en utilisant un circuit quantique unique et partagé. La capacité d'entraîner ces modèles de manière classique et de les déployer ensuite sur du matériel quantique représente une étape importante pour rendre les modèles génératifs quantiques pratiques pour la découverte scientifique réelle.