Coherent-feedback and dissipative training of quantum reservoir computers
Cet article introduit et valide deux protocoles d'entraînement sans mesure pour les ordinateurs à réservoir quantiques, démontrant que bien qu'ils n'offrent pas encore d'avantages de prédiction autonomes par rapport aux méthodes classiques, ils répondent avec succès à des questions de faisabilité clés en confirmant que des réinitialisations de haute fidélité sont suffisantes, que la précision cohérente de l'oracle de coût est le principal goulot d'étranglement, et qu'une réalisation tolérante aux fautes est efficace en termes de qubits et robuste face au bruit de l'appareil.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Dans le domaine de l'apprentissage automatique, les ordinateurs ont souvent du mal avec les données qui se déroulent dans le temps, comme la parole, les marchés financiers ou les modèles météorologiques. Pour gérer cela, les scientifiques utilisent une méthode appelée calcul par réservoir (reservoir computing). Imaginez une machine complexe et immuable qui reçoit un flux d'informations et les fait passer à travers un vaste réseau de connexions entrelacées. Cette machine, le « réservoir », transforme l'entrée brute en un motif riche et de haute dimension. L'ordinateur n'a alors besoin que d'apprendre une manière simple et linéaire de lire la sortie de ce motif pour faire une prédiction. Cette approche est efficace car le gros du travail est effectué par la machine fixe, et non par un processus d'apprentissage lent.
Les scientifiques se sont longtemps demandé si le remplacement de la machine classique par une machine quantique offrirait un avantage massif. Les systèmes quantiques peuvent exister dans de nombreux états à la fois, offrant un espace exponentiellement plus grand pour traiter l'information. Cependant, un obstacle majeur a toujours été la manière d'entraîner ces systèmes quantiques. Dans l'informatique quantique standard, l'apprentissage nécessite généralement de mesurer le système pour voir comment il se comporte. Or, mesurer un système quantique est comme prendre une photographie qui fige un objet en mouvement ; cela détruit l'état quantique délicat et est incroyablement lent par rapport à la vitesse des opérations quantiques elles-mêmes. Ce goulot d'étranglement a empêché l'apprentissage automatique quantique de devenir pratique pour des tâches du monde réel.
Une équipe de chercheurs de l'Institut de recherche intégrée quantique de Tokyo a maintenant exploré une voie différente. Ils se sont demandé si un ordinateur quantique pouvait apprendre sans jamais s'arrêter pour mesurer son propre état. Au lieu de regarder le résultat pour décider quoi changer, ils ont proposé d'utiliser une méthode où l'ordinateur ajuste ses propres paramètres en se basant sur une boucle de rétroaction continue et invisible. Ils ont développé deux méthodes distinctes. La première méthode utilise un tour astucieux où l'information sur la manière de s'améliorer est encodée dans une phase cachée du système, qui est ensuite réinjectée pour ajuster les paramètres avant que le système ne soit réinitialisé. La seconde méthode repose sur la tendance naturelle des systèmes ouverts à se stabiliser ; en concevant soigneusement l'environnement, le système se relaxe naturellement vers la meilleure configuration possible, un peu comme une balle qui roule le long d'une colline pour trouver le point le plus bas.
Les chercheurs ont testé ces idées à l'aide de simulations sur un système quantique petit et simplifié. Ils ont constaté que les deux méthodes pouvaient guider avec succès l'ordinateur quantique pour apprendre, égalant les performances de l'entraînement traditionnel qui repose sur la mesure. Dans leurs simulations, le système a été capable de prédire l'étape suivante d'une séquence chaotique, telle que les fluctuations des modèles météorologiques du modèle de Mackey-Glass, avec un niveau de précision qui s'est amélioré par rapport à un système non entraîné. Cependant, les résultats étaient nuancés. Bien que le système quantique ait montré une amélioration claire pour prédire l'étape immédiatement suivante d'une séquence chaotique, il n'a pas surpassé les meilleurs ordinateurs classiques lorsqu'il s'agissait de prédire la séquence loin dans le futur de manière autonome. L'étude a explicitement écarté l'idée que cette approche spécifique offre actuellement un « avantage quantique » pour la prédiction autonome, ce qui signifie qu'elle n'est pas encore un gagnant clair par rapport aux méthodes classiques existantes pour les prévisions à long terme.
Une partie importante du travail a consisté à déterminer ce qui serait nécessaire pour construire cela sur un véritable ordinateur quantique tolérant aux fautes. Les chercheurs ont calculé qu'une telle machine n'aurait pas besoin de millions de qubits, les unités de base de l'information quantique, mais plutôt d'environ dix mille qubits physiques pour gérer le processus d'entraînement. Le véritable défi, ont-ils découvert, n'est pas le nombre de qubits, mais le temps nécessaire pour exécuter les calculs. Le processus est limité par la vitesse à laquelle l'ordinateur peut effectuer ses cycles d'opérations, et non par un manque de matériel. De plus, ils ont identifié que le composant le plus critique est un « oracle de coût », un mécanisme qui indique au système à quel point sa prédiction est erronée. Ils ont trouvé qu'une technique mathématique spécifique, connue sous le nom de règle de décalage de paramètre (parameter-shift rule), pourrait rendre ce mécanisme beaucoup plus précis et plus facile à construire qu'on ne le pensait, levant ainsi un obstacle majeur à la mise en œuvre.
Pour prouver que leurs idées n'étaient pas seulement théoriques, l'équipe a fait tourner ses circuits quantiques optimisés sur du matériel quantique réel fourni par IBM. Ils ont utilisé trois machines différentes de 156 qubits, testant les circuits sous diverses conditions pour voir comment ils résistaient au bruit et aux erreurs inévitables des dispositifs du monde réel. Les résultats ont été encourageants : les circuits quantiques ont produit des sorties qui correspondaient étroitement aux simulations idéales sans bruit, avec un haut degré de corrélation. Cela a démontré que les états quantiques spécifiques qu'ils ont conçus sont suffisamment robustes pour survivre aux imperfections de la technologie actuelle. Cependant, la boucle d'entraînement réelle, qui nécessite la rétroaction complexe, continue et la réinitialisation des qubits au milieu du circuit, n'a pas pu être pleinement testée sur ces machines car cette capacité matérielle spécifique n'est pas encore disponible.
L'étude conclut que, bien que cette approche sans mesure ne résolve pas encore le problème de battre les ordinateurs classiques pour la prédiction à long terme, elle démontre avec succès une voie viable pour entraîner les systèmes quantiques sans l'étape lente et destructrice de la mesure. Les chercheurs ont montré que le matériel nécessaire pour éliminer l'entropie et réinitialiser le système est déjà suffisant, et que le principal goulot d'étranglement est la précision du mécanisme de rétroaction, qui peut être améliorée avec des techniques connues. Ce travail sert de réduction de risque pour le domaine, identifiant précisément où se situent les défis d'ingénierie et confirmant que la voie à suivre est celle du perfectionnement de la vitesse et de la précision, plutôt que la découverte d'une physique entièrement nouvelle. La porte est ouverte pour un futur matériel capable d'effectuer ces boucles de rétroaction continues, libérant potentiellement tout le potentiel du calcul par réservoir quantique dans les années à venir.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.