Étudier l’informatique quantique et l’apprentissage automatique en tant qu’outils efficaces dans la dynamique des fluides

Pour éviter le décrochage des avions, les ingénieurs étudient depuis longtemps le flux d’air sur les profils aérodynamiques tels que les ailes d’avion afin de détecter les angles de séparation des flux. Récemment, une équipe de chercheurs de l’Université Jiao Tong de Shanghai, comprenant Xi-Jun Yuan et Zi-Qiao Chen, a étudié l’utilisation de l’informatique quantique en relation avec l’apprentissage automatique comme moyen plus précis de résoudre de tels problèmes.

L’utilisation d’une machine à vecteurs de support quantique plutôt qu’une machine à vecteurs de support classique a augmenté la précision de la classification de la séparation des flux de 81,8 % à 90,9 % et a augmenté la précision de la classification de l’angle d’attaque de 67,0 % à 79,0 %.

Ces résultats contribuent à montrer que l’utilisation de méthodes informatiques quantiques pour résoudre des problèmes de dynamique des fluides pourrait être plus rapide et plus précise que l’utilisation de méthodes informatiques classiques, notamment parce que les ensembles de données dans de tels contextes sont volumineux. Les applications potentielles des machines à vecteurs de support quantique en plus de la conception d’avions incluent la navigation sous-marine et le suivi de cibles.

Les chercheurs ont effectué deux tâches de classification. La première était une classification binaire sur un petit ensemble de données pour détecter si une séparation des flux s’était produite ou non. Un petit ensemble de données a été choisi car il est difficile d’obtenir une classification de haute précision pour de petits ensembles de données.

Les données pour cette tâche ont été collectées à partir de capteurs de pression sur un profil aérodynamique dans une soufflerie avec différentes vitesses et angles d’attaque. L’ensemble de données se compose de 45 points multidimensionnels : 27 cas sans séparation des flux et 18 cas avec séparation des flux. Cet ensemble de données a été divisé en 34 points pour la formation et 11 points pour les tests.

L’article est publié dans la revue Informatique intelligente.

La deuxième tâche était plus complexe. Il a classé l’angle d’attaque du profil aérodynamique après séparation des flux dans l’une des quatre classes. Pour y parvenir, le problème a été divisé en quatre problèmes de classification un contre tous, avec un classificateur binaire d’entrée ou de sortie pour chacune des quatre classes.

Les données pour cette tâche ont été créées par simulation. L’ensemble de données est constitué de 63 points multidimensionnels obtenus par échantillonnage. Cet ensemble de données a été divisé en 43 points pour la formation et 20 pour les tests. Le processus de formation et de test a été répété 10 fois avec différentes combinaisons de données de formation et de test, et la précision moyenne de 10 tests a été obtenue.

Le type particulier d’algorithme de classification choisi par les chercheurs est un algorithme d’apprentissage automatique supervisé basé sur le recuit quantique appelé machine à vecteurs de support. Le recuit quantique qu’ils ont utilisé était le système D-Wave Advantage 4.1, un dispositif informatique quantique physique.

Les implémentations de recuit quantique de machines à vecteurs de support ont démontré de meilleures performances que leurs homologues classiques, qui sont structurellement simples et robustes mais ont des coûts de stockage et de calcul élevés et ne peuvent donc pas évoluer facilement.

Le recuit quantique est un processus d’optimisation qui utilise les fluctuations quantiques pour rechercher un minimum global parmi un ensemble de solutions. Étant donné que le processus génère plusieurs bons candidats pour le minimum global, il peut obtenir des résultats plus précis que d’autres algorithmes d’optimisation, qui sont plus susceptibles de rester bloqués sur un minimum local.