Les réseaux de neurones ont révolutionné l'apprentissage automatique pour les ordinateurs classiques: les voitures autonomes, la traduction du langage et même les logiciels d'intelligence artificielle ont tous été rendus possibles. Il n'est donc pas étonnant que les chercheurs voulaient transférer cette même puissance à des ordinateurs quantiques, mais toutes les tentatives de le faire ont apporté des problèmes imprévus.
Récemment, cependant, une équipe du Los Alamos National Laboratory a développé une nouvelle façon d'apporter ces mêmes concepts mathématiques aux ordinateurs quantiques en tirant parti de quelque chose appelé le processus gaussien.
« Notre objectif pour ce projet était de voir si nous pouvions prouver que des processus gaussiens quantiques existants existent », a déclaré Marco Cerezo, le scientifique principal de l'équipe de Los Alamos. « Un tel résultat stimulerait les innovations et les nouvelles formes d'apprentissage automatique quantique. »
L'une des percées les plus fondamentales dans le domaine de l'apprentissage automatique est venue après la prise de conscience que les grands réseaux de neurones ont convergé vers les processus gaussiens. Un réseau neuronal peut contenir des millions de «neurones», essentiellement des nœuds mathématiques qui font des suppositions éclairées sur les informations données.
Bien que individuellement aléatoire et impartial, après des millions de suppositions, les informations que ces neurones traitent sont conformes à une courbe gaussienne, également appelée courbe de cloche, ce qui permet aux chercheurs d'extrapoler une moyenne.
Essentiellement, l'équipe a pu prouver que la même courbe gaussienne s'applique à certains processus informatiques quantiques – un développement qui promet de modifier considérablement les capacités informatiques quantiques.
L'équipe de Los Alamos décrit leurs résultats dans un nouvel article publié dans la revue Physique de la nature.
Une nouvelle façon d'apprendre évite les problèmes connus
Les réseaux de neurones font partie d'une famille appelée «modèles paramétriques», qui fonctionnent en tirant parti des paramètres variationnels qui peuvent être modifiés pour «apprendre» par eux-mêmes. Après son succès dans l'informatique classique, les scientifiques ont voulu tirer parti des réseaux de neurones pour l'informatique quantique, qui a promis d'améliorer la puissance de ces machines car ils effectuaient des tâches beaucoup trop compliquées pour les ordinateurs classiques.
Mais après des années de recherche, l'équipe de laboratoire a constaté que les modèles paramétriques dans le cadre de l'informatique quantique ont tendance à créer des problèmes imprévus, tels que des plateaux stériles, ce qui conduit à des imprévasions mathématiques.
« Le problème avec les réseaux de neurones quantiques est que nous copions et colmions les réseaux de neurones classiques et les mettons dans un ordinateur quantique », a déclaré Martin Larocca, un scientifique de laboratoire spécialisé dans les algorithmes quantiques et l'apprentissage de la machine quantique. « Cela ne semble pas fonctionner aussi facilement que l'on aurait pu l'espérer. Par conséquent, nous voulions revenir à l'essentiel et trouver des moyens d'apprentissage plus simples et plus restreintes, mais qui pourraient réellement fonctionner et aussi avoir certaines garanties. »
Contrairement aux réseaux de neurones, les processus gaussiens ne sont pas paramétriques et contribuent donc à bon nombre des problèmes susmentionnés. Mais les processus gaussiens ne sont pas un outil polyvalent: si la distribution ne suit pas une courbe de cloche, la prédiction résultante peut être inexacte. Ainsi, l'équipe a utilisé des outils mathématiques avancés qui leur ont permis de vérifier leurs mathématiques, confirmant que la nouvelle méthode était gaussienne et un moyen approprié et précis de traiter les ensembles de données quantiques sur les ordinateurs quantiques.
« C'est le Saint Graal de l'apprentissage bayésien », a déclaré Diego Garcia-Martin, le premier auteur du journal. « Plus qu'une curiosité mathématique, notre résultat a des implications pratiques concrètes. Disons que vous devez prédire les prix des logements. Vous commencez par une supposition initiale que les prix suivent une simple courbe de cloche – un gaussien. Donc, si vous me donnez une observation, comme une maison et son prix, nous pouvons utiliser ce processus gaussien pour mettre à jour la courbe de la cloche et trouver une nouvelle et meilleure distribution des prix des maisons.
« Plus nous avons de données, plus la prédiction est précise – une méthode connue sous le nom d'inférence bayésienne via la régression du processus gaussien. Notre résultat implique que le même principe peut désormais être appliqué dans l'informatique quantique. »
Une nouvelle quête
La réplication de la puissance des réseaux de neurones sur les ordinateurs quantiques a été un objectif de longue date sur le terrain, et cet article marque des années de travail pour l'équipe et la première fois que cette capacité a été prouvée mathématiquement.
Parce que les ordinateurs quantiques sont toujours une technologie naissante, ce travail – et une grande partie des recherches effectuées dans le domaine des modèles d'apprentissage automatique quantiques – sont toujours théoriques. Ceci est nécessaire de sorte que lorsque des ordinateurs quantiques puissants sont enfin développés, les chercheurs auront des modèles d'apprentissage automatique tout aussi puissants pour résoudre certains des problèmes les plus complexes et les plus intraitables au monde.
Dans le cadre d'un plus grand travail, ce document pointe vers une nouvelle direction que l'équipe aimerait voir la communauté quantique poursuivre – qui, essentiellement, les chercheurs devraient cesser d'essayer de forcer des modèles conçus pour l'informatique classique pour s'adapter au domaine de l'apprentissage automatique quantique.
« C'est la quête que nous avons eue », a déclaré Cerezo. « Nous devons trouver de nouvelles façons de faire l'apprentissage automatique quantique, de ne pas continuer à battre un cheval mort, pour dire, en recyclant les anciennes méthodes. »
