Dans le monde de l'informatique, certains problèmes sont simples à énoncer mais incroyablement difficiles à résoudre lorsque la quantité de données augmente. L'un de ces défis consiste à trouver la correspondance la plus proche dans une immense bibliothèque d'informations. Imaginez un bibliothécaire qui doit trouver le livre le plus similaire à une nouvelle requête en le comparant à chaque volume sur les étagères. Sur un ordinateur classique, ce processus nécessite de vérifier chaque article un par un, une tâche qui devient douloureusement lente à mesure que la bibliothèque s'étend. C'est le cœur du problème des « k-plus proches voisins », un outil fondamental utilisé dans tout, du diagnostic médical à la recommandation de films. Pendant des décennies, les scientifiques ont espéré que les ordinateurs quantiques, capables de traiter l'information d'une manière fondamentalement différente, pourraient résoudre ce problème de recherche instantanément. Cependant, les tentatives précédentes pour construire une version quantique de cet outil de recherche reposaient sur des raccourcis théoriques qui n'existent pas encore dans le monde réel, ou elles se limitaient à résoudre des problèmes très simples à deux options.

Une équipe de chercheurs de l'Université Concordia a maintenant démontré une nouvelle façon d'effectuer cette recherche qui fonctionne sans ces raccourcis impossibles. Ils ont conçu un circuit quantique capable de comparer une nouvelle requête unique contre une vaste collection de données d'entraînement, incluant de nombreuses catégories différentes, le tout au sein d'une seule exécution de machine. Leur travail prouve qu'il est possible de construire un classificateur quantique qui gère plusieurs classes de données simultanément, sans avoir besoin de dispositifs de mémoire hypothétiques capables d'accéder instantanément à n'importe quelle donnée. Au lieu de s'appuyer sur la magie ou une technologie non prouvée, ils ont construit un système utilisant des opérations physiques standards qui peuvent être exécutées sur un matériel quantique réel. Le résultat est une machine qui, en simulation, égale la précision des meilleures méthodes classiques tout en offrant une nouvelle voie architecturale qui ne nécessite pas que l'ensemble du jeu de données soit chargé dans une banque de mémoire séparée et massive.

Les chercheurs ont commencé par s'attaquer au problème de la traduction des données ordinaires dans un langage compréhensible pour un ordinateur quantique. Les machines quantiques opèrent sur des états qui doivent avoir une taille mathématique spécifique, un peu comme un ballon qui doit être gonflé à un volume précis pour garder sa forme. Si vous réduisez simplement un grand objet pour qu'il rentre, vous perdez l'information sur sa taille d'origine. L'équipe a utilisé une technique mathématique appelée projection stéréographique inverse pour projeter leurs données sur une sphère. Ce processus est ingénieux car il préserve la taille et la forme originales des points de données tout en les faisant entrer dans le format quantique requis. En faisant cela, ils ont veillé à ce que la distance entre deux points dans les données d'origine soit fidèlement reflétée dans la distance entre leurs représentations quantiques. Cette étape était cruciale ; sans elle, l'ordinateur quantique comparerait des ombres déformées plutôt que les objets réels, menant à des réponses incorrectes.

Une fois les données correctement encodées, l'équipe a construit un circuit qui agit comme un gigantesque moteur de comparaison. Dans une approche traditionnelle, un ordinateur comparerait la nouvelle requête au premier point d'entraînement, puis au deuxième, puis au troisième, et ainsi de suite, un par un. Le circuit quantique décrit dans cet article fait quelque chose de plus radical : il place toutes les données d'entraînement dans un état de superposition, où elles existent dans une combinaison de tous les états possibles à la fois. Le circuit utilise ensuite un réseau de permutations contrôlées (controlled swaps), qui peut être pensé comme un mécanisme de tri sophistiqué, pour acheminer les données. Ce réseau permet à l'ordinateur quantique de comparer la requête à chaque point d'entraînement de chaque classe simultanément. La machine n'a pas besoin de les vérifier séquentiellement ; elle évalue toute la bibliothèque en une seule fois.

Le cœur du processus de mesure repose sur une technique connue sous le nom de test SWAP. Il s'agit d'une procédure qui vérifie à quel point deux états quantiques sont similaires. Si deux états sont identiques, le test produit un résultat ; s'ils sont différents, il en produit un autre. Les chercheurs ont conçu leur circuit de sorte que la probabilité d'obtenir un résultat de mesure spécifique soit directement liée à la proximité d'un point d'entraînement avec la requête. En exécutant le circuit de nombreuses fois et en comptant les résultats, la machine construit un portrait statistique pour déterminer quels points d'entraînement sont les correspondances les plus proches. Crucialement, le circuit suit également la classe à laquelle appartient chaque plus proche voisin. Cela permet au système d'effectuer un vote à la majorité, décidant de l'étiquette finale sur la base des plus proches voisins, tout comme un humain le ferait s'il demandait l'avis d'un groupe d'experts.

L'équipe a testé sa conception à l'aide d'un test de référence impliquant quatre catégories différentes de données, avec des milliers de comparaisons simulées. Ils ont constaté que le circuit quantique reproduisait exactement les règles de décision de la méthode classique. Dans la limite de mesures infinies, le système quantique et le système classique concordaient sur chaque cas de test. Même avec un nombre réaliste de mesures, le classificateur quantique égalait la précision classique avec une marge très faible, ne différant que de moins d'un pour cent dans les scénarios les plus difficiles. Ce niveau de performance est significatif car il montre que l'approche quantique ne sacrifie pas la précision pour la vitesse ou la complexité. Le système a identifié avec succès les bons voisins et a assigné les bonnes étiquettes, prouvant que la logique sous-jacente tient la route face à l'examen.

Une force majeure de ce travail est qu'il évite le besoin de Mémoire d'Accès Aléatoire Quantique, ou QRAM. De nombreuses propositions précédentes en matière d'apprentissage automatique quantique supposaient l'existence de cette technologie, qui permettrait à un ordinateur quantique de récupérer instantanément n'importe quelle portion de données d'une immense banque de stockage. Cependant, la QRAM reste un concept théorique qui n'a pas été construit et qui pourrait être physiquement impossible à construire à grande échelle. Le nouveau design n'utilise pas de QRAM. Au lieu de cela, il charge les données directement dans les registres du circuit. Bien que ce processus de chargement prenne un temps proportionnel à la taille des données, c'est une étape pratique et implémentable qui ne repose pas sur du matériel hypothétique. Les chercheurs ont été transparents sur ce coût, notant que le temps passé à charger les données est actuellement le principal goulot d'étranglement, mais ils ont montré que la partie comparaison du processus est hautement efficace et ne nécessite pas que les données soient stockées dans une mémoire séparée et inaccessible.

Les chercheurs ont également comparé leur méthode aux autres approches quantiques qui ont été proposées ces dernières années. Ils ont constaté que les méthodes reposant sur différents types d'encodage de données perdaient souvent des informations importantes sur la taille des points de données, entraînant une précision moindre. Leur approche, qui préserve la géométrie complète des données, a performé aussi bien que les meilleures méthodes classiques et mieux que les autres propositions quantiques reposant sur des encodages moins complets. De plus, lorsqu'ils ont compté le nombre total de composants physiques requis, incluant la mémoire nécessaire pour contenir les données, leur design s'est avéré plus efficace que les méthodes basées sur la QRAM pour des ensembles de données dépassant une certaine taille. Cela suggère que leur architecture n'est pas seulement une curiosité théorique, mais une voie viable pour le matériel futur.

L'étude conclut qu'il est possible de construire un classificateur quantique multi-classes qui fonctionne dans un seul circuit sans dépendre d'une technologie non prouvée. Le système parvient à traduire les données classiques en états quantiques, compare une requête à l'ensemble d'un jeu de données simultanément, et extrait les résultats avec une grande précision. Bien que la vitesse actuelle du système soit limitée par le temps nécessaire pour charger les données, l'architecture elle-même est saine et modulaire. Cela signifie qu'à mesure que les scientifiques développeront de meilleures façons de charger les données dans les ordinateurs quantiques, ce design de circuit spécifique pourra immédiatement bénéficier de ces améliorations sans nécessiter de refonte. Ce travail fournit une démonstration claire et concrète de la manière dont l'interférence quantique peut être exploitée pour résoudre un problème de recherche classique, rapprochant ainsi le domaine d'applications pratiques où les machines quantiques peuvent véritablement aider à analyser des données complexes.