Réseaux neuronaux et informatique quantique
Inspirés de la structure neuronale du cerveau, les réseaux neuronaux classiques sont des modèles informatiques conçus pour reconnaître des modèles et apprendre des fonctions à l’aide de couches interconnectées de neurones artificiels. Aujourd’hui, ils sont utilisés avec un succès impressionnant pour des tâches aussi diverses que la reconnaissance et la classification d’images et de la parole, l’apprentissage automatique et l’analyse de mégadonnées. Les réseaux neuronaux classiques se sont développés parallèlement à l’évolution de l’informatique quantique, un paradigme informatique avancé qui tire parti de la mécanique quantique pour traiter l’information à l’aide de qubits au lieu de bits classiques. Bien que les deux technologies aient été essentiellement développées indépendamment l’une de l’autre, les scientifiques ont rapidement identifié de potentielles synergies. «Animés par l’espoir de combiner les capacités massives de traitement parallèle de l’information des réseaux neuronaux avec la vitesse de calcul promise par l’informatique quantique, plusieurs efforts ont été déployés pour développer des généralisations quantiques-mécaniques des réseaux neuronaux», explique Markus Müller, professeur au Centre de recherche de Jülich(s’ouvre dans une nouvelle fenêtre). Le projet QNets, financé par le Conseil européen de la recherche(s’ouvre dans une nouvelle fenêtre) est l’un de ces efforts. Le projet entendait explorer le potentiel des réseaux neuronaux quantiques en tant que voie alternative pour un traitement de l’information quantique à grande échelle. «D’une part, nous voulions comprendre conceptuellement quelles architectures neuronales quantiques peuvent être formulées et les avantages qu’elles peuvent apporter au traitement de l’information quantique», ajoute Markus Müller, qui a coordonné le projet. «D’autre part, nous avons voulions identifier les éléments physiques nécessaires à la mise en œuvre pratique des réseaux neuronaux dans les plateformes technologiques quantiques de pointe.»
Faire progresser le domaine du traitement de l’information quantique évolutive
Le projet a généré de nombreux résultats, qui ont chacun fait considérablement progresser le domaine du traitement de l’information quantique à grande échelle. Par exemple, un formalisme d’évaluation de la capacité de stockage maximale des réseaux quantiques permet de déterminer la quantité maximale d’informations pouvant être stockées dans un réseau neuronal quantique de n’importe quelle taille. Les chercheurs ont également étudié les généralisations quantiques des réseaux neuronaux de type auto-encodeur et des automates cellulaires quantiques, deux réseaux neuronaux classiques paradigmatiques et des cadres de traitement de l’information. «Nous avons démontré que les généralisations quantiques de ces approches peuvent être formulées de manière pertinent et de façon à ce que les réseaux neuronaux quantiques puissent être entraînés ou soigneusement conçus pour disposer de capacités émergentes de correction d’erreurs quantiques», explique Markus Müller. Le projet a également développé et déployé un nouveau cadre et des protocoles pratiques pour la correction d’erreurs quantiques autonome et sans mesure et pour l’informatique quantique dans les processeurs quantiques de pointe. «En comblant le fossé entre la théorie et l’expérience, nous avons réalisé la première démonstration au monde d’un calcul quantique universel sans mesure et tolérant aux pannes», souligne Markus Müller.
Souligner le potentiel des réseaux neuronaux quantiques ouverts
QNets a mis en évidence le potentiel des réseaux neuronaux quantiques ouverts en tant que voie alternative pour le traitement de l’information quantique à grande échelle, fournissant des résultats théoriques de validation de principe et démontrant la faisabilité de ses nouvelles idées. «Nous avons jeté les bases d’une exploration plus poussée des réseaux neuronaux quantiques et du traitement de l’information quantique sans mesure, et je suis impatient de voir quelles approches trouveront une application dans les futurs ordinateurs quantiques évolutifs», conclut Markus Müller.
