Pendant plus d'une décennie, les chercheurs ont considéré l'échantillonnage du boson – un protocole informatique quantique impliquant des particules légères – comme une étape clé pour démontrer les avantages des méthodes quantiques par rapport à l'informatique classique. Mais alors que les expériences précédentes ont montré que l'échantillonnage du boson est difficile à simuler avec des ordinateurs classiques, les utilisations pratiques sont restées hors de portée.
Maintenant, dans Optica quantumles chercheurs de l'Institut Okinawa des sciences et de la technologie (OIST) présentent la première application pratique de l'échantillonnage des bosons pour la reconnaissance d'image, une tâche vitale dans de nombreux domaines, de la science légale aux diagnostics médicaux. Leur approche utilise seulement trois photons et un réseau optique linéaire, marquant une étape significative vers les systèmes AI quantum à faible énergie.
Exploitation de complexité quantique
Bosons – des particules comme les photons qui suivent les statistiques de Bose-Einstein – Exhibit des effets d'interférence complexes lorsqu'ils sont passés à travers certains circuits optiques. Dans l'échantillonnage du boson, les chercheurs injectent des photons uniques dans un de ces circuits, puis mesurent la distribution de probabilité de sortie après leur interfération.
Pour comprendre comment fonctionne un tel échantillonnage, pensez aux billes sur un panneau perforé. Lorsque les billes sont abandonnées, si vous dégustez la distribution de probabilité de l'endroit où les billes atterrissent, il forme une courbe de cloche. Cependant, les résultats sont complètement différents lors de l'exécution de cette même expérience en utilisant des photons uniques.
Ils affichent des propriétés en forme d'onde, peuvent donc interférer les uns avec les autres et interagir avec leur environnement très différemment des grands objets. Cela signifie qu'ils affichent des distributions de probabilité très complexes, qui sont difficiles à prévoir pour les méthodes de calcul classiques.
Du réservoir quantique à la reconnaissance d'image
Dans cet article, les chercheurs ont développé une nouvelle méthode quantique d'IA pour la reconnaissance d'image basée sur l'échantillonnage du boson. Dans leur expérience simulée, ils ont commencé par générer un état quantique photonique complexe, sur lequel des données d'image simplifiées ont été codées.
Les chercheurs ont utilisé des images d'échelle de gris à partir de trois ensembles de données différents comme entrée. Étant donné que chaque pixel est à l'échelle gris, les informations sont faciles à représenter numériquement et pourraient être compressées à l'aide de l'analyse des composants principaux (ACP) pour conserver les caractéristiques clés.
Ces données simplifiées ont été codées dans le système quantique en ajustant les propriétés des photons uniques. Les photons ont ensuite traversé un réservoir quantique – un réseau optique complexe – où les interférences ont créé des modèles riches et à haute dimension.
Les détecteurs ont enregistré des positions de photons et un échantillonnage répété a construit une distribution de probabilité d'échantillonnage du boson. Cette sortie quantique a été combinée avec les données d'image d'origine et traitées par un simple classificateur linéaire.
Cette approche hybride a préservé les informations et a surpassé toutes les méthodes d'apprentissage automatique de taille comparable que les chercheurs ont testées, fournissant une reconnaissance d'image très précise dans tous les ensembles de données.
« Bien que le système puisse sembler complexe, il est en fait beaucoup plus simple à utiliser que la plupart des modèles d'apprentissage automatique quantiques », a expliqué le Dr Akitada Sakurai, premier auteur de cette étude, et membre de l'unité quantique de sciences et de technologies de l'information.
« Seule la dernière étape – un classificateur linéaire simple – qui doit être formé. En revanche, les modèles traditionnels d'apprentissage de machine nécessitent généralement une optimisation sur plusieurs couches quantiques. »
Le professeur William J Munro, co-auteur et chef de l'unité d'ingénierie et de conception quantique, a ajouté: « Ce qui est particulièrement frappant, c'est que cette méthode fonctionne dans une variété d'ensembles de données d'image sans avoir besoin de modifier le réservoir quantique. C'est assez différent de la plupart des approches conventionnelles, qui doivent souvent être adaptées à chaque type de données spécifique. »
Déverrouiller les nouvelles frontières en reconnaissance d'image
Qu'il s'agisse d'analyser l'écriture manuscrite à partir d'une scène de crime ou d'identifier les tumeurs dans les analyses d'IRM, la reconnaissance d'image joue un rôle vital dans de nombreuses applications du monde réel. Les résultats prometteurs de cette étude ont révélé que cette approche quantique a identifié des images avec une précision plus élevée que les méthodes d'apprentissage automatique de taille similaire, ouvrant de nouvelles avenues dans l'IA quantique.
« Ce système n'est pas universel – il ne peut pas résoudre tous les problèmes de calcul que nous lui donnons », a noté le professeur Kae Nemoto, responsable de l'unité quantique des sciences et technologies de l'information, directeur du centre du Centre de technologies quantiques et co-auteur de cette étude.
« Mais c'est un pas en avant significatif dans l'apprentissage automatique quantique, et nous sommes ravis d'explorer son potentiel avec des images plus complexes à l'avenir. »
