Le mash-up de l’informatique quantique AI : va-t-il révolutionner la science ?

Appelez-le les Avengers de l’informatique futuriste. Rassemblez deux des termes les plus en vogue en matière d’apprentissage automatique technologique et d’ordinateurs quantiques et vous obtenez l’apprentissage automatique quantique. À l’image des bandes dessinées et des films Avengers, qui rassemblent un casting de super-héros all-star pour constituer une équipe de rêve, le résultat est susceptible d’attirer beaucoup d’attention. Mais en technologie, comme en fiction, il est important de proposer une bonne intrigue.

Si les ordinateurs quantiques pouvaient un jour être construits à des échelles suffisamment grandes, ils promettraient de résoudre certains problèmes beaucoup plus efficacement que l’électronique numérique ordinaire, en exploitant les propriétés uniques du monde subatomique. Pendant des années, les chercheurs se sont demandés si ces problèmes pourraient inclure l’apprentissage automatique, une forme d’intelligence artificielle (IA) dans laquelle les ordinateurs sont utilisés pour repérer des modèles dans les données et apprendre des règles pouvant être utilisées pour faire des déductions dans des situations inconnues.

Aujourd’hui, avec la sortie du système d’IA de haut niveau ChatGPT, qui s’appuie sur l’apprentissage automatique pour alimenter ses conversations étrangement humaines en déduisant les relations entre les mots dans le texte, et avec la croissance rapide de la taille et de la puissance des ordinateurs quantiques, les deux les technologies font de grands progrès. La combinaison des deux apportera-t-elle quelque chose d’utile ?

Intérêt en plein essor

De nombreuses entreprises technologiques, y compris des sociétés établies telles que Google et IBM, ainsi que des start-up telles que Rigetti à Berkeley, en Californie, et IonQ à College Park, dans le Maryland, étudient le potentiel de l’apprentissage automatique quantique. Les scientifiques universitaires suscitent également un vif intérêt.

Le CERN, le laboratoire européen de physique des particules près de Genève, en Suisse, utilise déjà l’apprentissage automatique pour rechercher des signes indiquant que certaines particules subatomiques ont été produites dans les données générées par le Grand collisionneur de hadrons. Les scientifiques font partie des universitaires qui expérimentent l’apprentissage automatique quantique.

Notre idée est d’utiliser les ordinateurs quantiques pour accélérer ou améliorer les modèles classiques d’apprentissage automatique, explique la physicienne Sofia Vallecorsa, qui dirige un groupe de recherche sur l’informatique quantique et l’apprentissage automatique au CERN.

La grande question sans réponse est de savoir s’il existe des scénarios dans lesquels l’apprentissage automatique quantique offre un avantage par rapport à la variété classique. La théorie montre que pour des tâches informatiques spécialisées, telles que la simulation de molécules ou la recherche des facteurs premiers de grands nombres entiers, les ordinateurs quantiques accélèrent des calculs qui autrement pourraient prendre plus de temps que l’âge de l’Univers. Mais les chercheurs manquent encore de preuves suffisantes pour affirmer que c’est le cas pour l’apprentissage automatique. D’autres affirment que l’apprentissage automatique quantique pourrait détecter des modèles que les ordinateurs classiques oublient, même s’il n’est pas plus rapide.

L’attitude des chercheurs à l’égard de l’apprentissage automatique quantique oscille entre deux extrêmes, explique Maria Schuld, physicienne basée à Durban, en Afrique du Sud. L’intérêt pour cette approche est élevé, mais les chercheurs semblent de plus en plus résignés face au manque de perspectives d’applications à court terme, explique Schuld, qui travaille pour la société d’informatique quantique Xanadu, dont le siège est à Toronto, au Canada.

Certains chercheurs commencent à se concentrer sur l’idée d’appliquer des algorithmes d’apprentissage automatique quantique à des phénomènes intrinsèquement quantiques. De toutes les applications proposées de l’apprentissage automatique quantique, c’est dans ce domaine qu’il existe un avantage quantique assez évident, explique le physicien Aram Harrow du Massachusetts Institute of Technology (MIT) à Cambridge.

Les algorithmes quantiques sont-ils utiles ?

Au cours des 20 dernières années, les chercheurs en informatique quantique ont développé une multitude d’algorithmes quantiques qui pourraient, en théorie, rendre l’apprentissage automatique plus efficace. Dans un résultat marquant en 2008, Harrow, en collaboration avec les physiciens du MIT Seth Lloyd et Avinatan Hassidim (maintenant à l’Université Bar-Ilan de Ramat Gan, Israël) ont inventé un algorithme quantique.¹ il est exponentiellement plus rapide qu’un ordinateur classique pour résoudre de grands ensembles d’équations linéaires, l’un des défis au cœur de l’apprentissage automatique.

Mais dans certains cas, les promesses des algorithmes quantiques ne se sont pas concrétisées. Un exemple très médiatisé s’est produit en 2018, lorsque l’informaticien Ewin Tang a trouvé un moyen de battre un algorithme d’apprentissage automatique quantique.² conçu en 2016. L’algorithme quantique a été conçu pour fournir le type de suggestion que les sociétés d’achat sur Internet et les services tels que Netflix donnent aux clients sur la base de leurs choix précédents et il était exponentiellement plus rapide pour faire de telles recommandations que n’importe quel algorithme classique connu.

Tang, qui était à l’époque un étudiant de 18 ans à l’Université du Texas à Austin (UT), a écrit un algorithme presque aussi rapide, mais qui pouvait fonctionner sur un ordinateur ordinaire. La recommandation quantique était un exemple rare d’algorithme qui semblait fournir une augmentation significative de la vitesse dans un problème pratique. Son travail a donc mis l’objectif d’une accélération quantique exponentielle pour un problème pratique d’apprentissage automatique encore plus hors de portée qu’il ne l’était. auparavant, explique Scott Aaronson, chercheur en informatique quantique à l’UT, qui était conseiller de Tang. Tang, qui est maintenant à l’Université de Californie à Berkeley, dit qu’elle continue d’être assez sceptique quant à toute affirmation d’une accélération quantique significative de l’apprentissage automatique.

Un problème potentiellement encore plus important est que les données classiques et le calcul quantique ne font pas toujours bon ménage. En gros, une application typique d’informatique quantique comporte trois étapes principales. Tout d’abord, l’ordinateur quantique est initialisé, ce qui signifie que ses unités de mémoire individuelles, appelées bits quantiques ou qubits, sont placées dans un état quantique intriqué collectif. Ensuite, l’ordinateur effectue une séquence d’opérations, l’analogue quantique des opérations logiques sur les bits classiques. Lors de la troisième étape, l’ordinateur effectue une lecture, par exemple en mesurant l’état d’un seul qubit qui contient des informations sur le résultat de l’opération quantique. Cela pourrait être le fait qu’un électron donné à l’intérieur de la machine tourne dans le sens des aiguilles d’une montre ou dans le sens inverse, par exemple.

La plus fine des pailles

Des algorithmes comme celui de Harrow, Hassidim et Lloyd promettent d’accélérer la deuxième étape des opérations quantiques. Mais dans de nombreuses applications, les première et troisième étapes pourraient être extrêmement lentes et annuler ces gains.³. L’étape d’initialisation nécessite de charger des données classiques sur l’ordinateur quantique et de les traduire dans un état quantique, un processus souvent inefficace. Et comme la physique quantique est intrinsèquement probabiliste, la lecture comporte souvent un élément aléatoire, auquel cas l’ordinateur doit répéter les trois étapes plusieurs fois et faire la moyenne des résultats pour obtenir une réponse finale.

Une fois que les données quantiques auront été traitées dans un état quantique final, l’obtention d’une réponse pourrait également prendre beaucoup de temps, selon Nathan Wiebe, chercheur en informatique quantique à l’Université de Washington à Seattle. Nous ne pouvons extraire ces informations que de la paille la plus fine, a déclaré Wiebe lors d’un atelier d’apprentissage automatique quantique en octobre.

Lorsque vous demandez à presque n’importe quel chercheur dans quelles applications les ordinateurs quantiques seront performants, la réponse est : probablement pas des données classiques, dit Schuld. Jusqu’à présent, il n’y a aucune véritable raison de croire que les données classiques nécessitent des effets quantiques.

Vallecorsa et d’autres affirment que la vitesse n’est pas la seule mesure par laquelle un algorithme quantique doit être jugé. Il existe également des indices selon lesquels un système d’IA quantique alimenté par l’apprentissage automatique pourrait apprendre à reconnaître des modèles dans les données qui manqueraient à ses homologues classiques. Cela pourrait être dû au fait que l’intrication quantique établit des corrélations entre les bits quantiques et donc entre les points de données, explique Karl Jansen, physicien au laboratoire de physique des particules DESY à Zeuthen, en Allemagne. L’espoir est que nous puissions détecter des corrélations dans les données qui seraient très difficiles à détecter avec des algorithmes classiques, dit-il.

Mais Aaronson n’est pas d’accord. Les ordinateurs quantiques suivent des lois bien connues de la physique et, par conséquent, leur fonctionnement et le résultat d’un algorithme quantique sont entièrement prévisibles par un ordinateur ordinaire, à condition de disposer de suffisamment de temps. Ainsi, la seule question intéressante est de savoir si l’ordinateur quantique est plus rapide qu’une simulation classique parfaite, explique Aaronson.

Changement quantique fondamental

Une autre possibilité consiste à contourner complètement l’obstacle de la traduction des données classiques, en utilisant des algorithmes d’apprentissage automatique quantique sur des données déjà quantiques.

Tout au long de l’histoire de la physique quantique, la mesure d’un phénomène quantique a été définie comme la prise d’une lecture numérique à l’aide d’un instrument qui vit dans le monde macroscopique classique. Mais il existe une idée émergente impliquant une technique naissante, connue sous le nom de détection quantique, qui permet de mesurer les propriétés quantiques d’un système à l’aide d’instruments purement quantiques. Chargez directement ces états quantiques sur les qubits d’un ordinateur quantique, puis l’apprentissage automatique quantique pourrait être utilisé pour repérer des modèles sans aucune interface avec un système classique.

En matière d’apprentissage automatique, cela pourrait offrir de gros avantages par rapport aux systèmes qui collectent des mesures quantiques sous forme de points de données classiques, explique Hsin-Yuan Huang, physicien au MIT et chercheur chez Google. Notre monde est intrinsèquement de mécanique quantique. Si vous souhaitez disposer d’une machine quantique capable d’apprendre, elle pourrait être beaucoup plus puissante, dit-il.

Huang et ses collaborateurs ont mené une expérience de démonstration de principe sur l’un des ordinateurs quantiques Sycamore de Google.⁴. Ils ont consacré certains de ses qubits à simuler le comportement d’une sorte de matériau abstrait. Une autre section du processeur a ensuite extrait les informations de ces qubits et les a analysées à l’aide de l’apprentissage automatique quantique. Les chercheurs ont découvert que cette technique était exponentiellement plus rapide que les mesures et analyses de données classiques.

Est-ce un supraconducteur ?

Réaliser la collecte et l’analyse des données entièrement dans le monde quantique pourrait permettre aux physiciens de s’attaquer à des questions auxquelles les mesures classiques ne peuvent répondre qu’indirectement, explique Huang. L’une de ces questions est de savoir si un certain matériau se trouve dans un état quantique particulier qui en fait un supraconducteur capable de conduire l’électricité avec une résistance pratiquement nulle. Les expériences classiques exigent que les physiciens prouvent indirectement la supraconductivité, par exemple en testant la façon dont le matériau réagit aux champs magnétiques.

Les physiciens des particules étudient également la possibilité d’utiliser la détection quantique pour traiter les données produites par les futurs collisionneurs de particules, comme à LUXE, une expérience DESY qui brisera les électrons et les photons ensemble, explique Jensen, même si l’idée est encore à au moins une décennie avant d’être réalisée. il ajoute. Des observatoires astronomiques éloignés les uns des autres pourraient également utiliser des capteurs quantiques pour collecter des données et les transmettre via un futur Internet quantique à un laboratoire central pour traitement sur un ordinateur quantique. L’espoir est que cela permettra de capturer des images avec une netteté inégalée.

Si de telles applications de détection quantique s’avèrent efficaces, l’apprentissage automatique quantique pourrait alors jouer un rôle en combinant les mesures de ces expériences et en analysant les données quantiques qui en résultent.

En fin de compte, la question de savoir si les ordinateurs quantiques offriront des avantages à l’apprentissage automatique sera décidée par l’expérimentation plutôt que par la fourniture de preuves mathématiques de leur supériorité ou de leur absence. Nous ne pouvons pas nous attendre à ce que tout soit prouvé comme nous le faisons en informatique théorique, déclare Harrow.

Je pense certainement que l’apprentissage automatique quantique mérite toujours d’être étudié, déclare Aaronson, qu’il y ait ou non une amélioration de l’efficacité. Schuld est d’accord. Nous devons mener nos recherches sans avoir à prouver une accélération, au moins pendant un certain temps.