CM – L’enchevêtrement excessif entrave la formation des modèles d’apprentissage automatique quantique

Nous utilisons des cookies pour améliorer votre expérience. En poursuivant votre navigation sur ce site, vous acceptez notre utilisation des cookies.
Plus d’informations.

Un groupe de chercheurs internationaux a découvert un obstacle important qui empêche l’apprentissage de la machine quantique : trop d’intrication quantique.

L’apprentissage automatique quantique étudie les avantages des ordinateurs quantiques pour l’intelligence artificielle (IA). L’espoir est qu’à l’avenir, les réseaux de neurones quantiques seront capables de combiner les forces du calcul quantique et des réseaux de neurones traditionnels. Cependant, des recherches théoriques récentes indiquent des difficultés potentielles.
L’apprentissage automatique nécessite que les algorithmes apprennent à partir des données dans une phase appelée apprentissage. Au cours de la formation, l’algorithme s’améliore progressivement dans la tâche donnée. Cependant, il est mathématiquement prouvé qu’une grande classe d’algorithmes quantiques ne connaît qu’une amélioration négligeable en raison d’un phénomène connu sous le nom de plateau stérile, signalé pour la première fois par une équipe de Google en 2018. L’expérience d’un plateau stérile peut empêcher l’algorithme quantique d’apprendre.

La recherche théorique, publiée dans PRX Quantum, étudie plus en détail les causes des plateaux stériles avec un nouvel accent sur l’impact d’un enchevêtrement trop important. L’intrication des qubits – ou bits quantiques – est un effet quantique qui permet l’accélération exponentielle de la puissance de calcul quantique.

« Bien que l’intrication soit nécessaire pour les accélérations quantiques, la recherche indique la nécessité d’une conception minutieuse des qubits qui doivent être intriqués et de leur quantité », déclare la co-auteure de la recherche, le Dr Maria Kieferova, chercheuse au Centre ARC pour le calcul quantique et les technologies de communication basées à l’Université de technologie de Sydney.

« Nous avons prouvé qu’un enchevêtrement excessif entre les qubits de sortie, ou unités visibles, et le reste du réseau de neurones quantiques entrave le processus d’apprentissage et que de grandes quantités d’intrication peuvent être catastrophiques pour le modèle », explique l’auteur principal, le Dr Carlos Ortiz Marrero, qui est actuellement professeur adjoint de recherche à la North Carolina State University.

« Ce résultat nous apprend quelles structures de réseaux de neurones quantiques nous devons éviter pour des algorithmes réussis. »

« Même si la recherche a montré qu’une gamme de traductions simples des modèles d’apprentissage automatique classiques vers le domaine quantique n’est pas bénéfique, il existe une voie à suivre », déclare le Dr Ortiz Marrero.

« En limitant la profondeur et la connectivité du réseau, nous pourrions peut-être éviter les régimes où les algorithmes d’apprentissage automatique quantique ne peuvent pas être entraînés. »

« Bien que l’enchevêtrement soit un outil puissant à ajouter à nos modèles, il doit être utilisé comme un scalpel et non comme une masse », explique le co-auteur, le Dr Nathan Wiebe, Université de Toronto.

Avez-vous une critique, une mise à jour ou quelque chose que vous aimeriez ajouter à cette nouvelle ?

AZoQuantum discute avec le Dr Stefano Bagnulo de ses recherches sur le magnétisme des naines blanches.

AZoQuantum discute avec le Dr Melvin Vopson de ses recherches sur la quantification de l’information dans l’univers connu.

AZoQuantum s’entretient avec le professeur Elisabetta Barberio de l’École de physique de l’Université de Melbourne. Le professeur Barberio est également directeur du Centre d’excellence de l’Australian Research Council pour la physique des particules de matière noire.

La caméra ORCA-Quest qCMOS fournit une imagerie de haute qualité et à faible bruit pour une variété de besoins et d’utilisations. Cela en fait le choix idéal pour les besoins d’imagerie dans l’industrie quantique au sens large.

Le SHFSG de Zurich Instruments est un générateur de signaux spécialement conçu pour les qubits supraconducteurs et de spin. Capable de produire des signaux jusqu’à 8,5 GHz sans étalonnage du mélangeur, il fournit également un signal à faible bruit dans une bande passante de 1 GHz.