Le nouveau réseau hybride parallèle atteint de meilleures performances grâce à une collaboration quantique classique

La construction de réseaux neuronaux quantiques efficaces est une direction prometteuse pour la recherche à l’intersection de l’informatique quantique et de l’apprentissage automatique. Une équipe de Terra Quantum AG a conçu un réseau neuronal quantique hybride parallèle et a démontré que son modèle est « un outil puissant pour l’apprentissage automatique quantique ». Cette recherche a été publiée dans Informatique intelligente.

Les réseaux neuronaux quantiques hybrides se composent généralement d’une couche quantique (un circuit quantique variationnel) et d’une couche classique (un réseau neuronal d’apprentissage profond appelé perceptron multicouche). Cette architecture spéciale leur permet d’apprendre des modèles et des relations complexes à partir des entrées de données plus facilement que les méthodes traditionnelles d’apprentissage automatique.

Dans cet article, les auteurs se concentrent sur les réseaux neuronaux quantiques hybrides parallèles. Dans de tels réseaux, la couche quantique et la couche classique traitent la même entrée en même temps, puis produisent une sortie commune : une combinaison linéaire des sorties des deux couches. Un réseau parallèle pourrait éviter le goulot d’étranglement de l’information qui affecte souvent les réseaux séquentiels, où la couche quantique et la couche classique s’alimentent mutuellement et traitent les données en alternance.

Les résultats de la formation démontrent que le réseau hybride parallèle des auteurs peut surpasser sa couche quantique ou sa couche classique. Entraîné sur deux ensembles de données périodiques additionnés de bruit haute fréquence, le modèle hybride présente une perte d’entraînement plus faible, produit de meilleures prédictions et s’avère plus adaptable aux problèmes complexes et aux nouveaux ensembles de données.

Les couches quantique et classique contribuent toutes deux à cette interaction quantique-classique efficace. La couche quantique, en particulier un circuit quantique variationnel, cartographie les parties périodiques lisses, tandis que le perceptron multicouche classique remplit les ajouts irréguliers de bruit. Les circuits quantiques variationnels et les perceptrons multicouches sont considérés comme des « approximateurs universels ».

Pour maximiser le rendement pendant l’entraînement, les circuits quantiques variationnels ajustent les paramètres des portes quantiques qui contrôlent l’état des qubits, et les perceptrons multicouches ajustent principalement la force des connexions, ou ce qu’on appelle les poids, entre les neurones.

Dans le même temps, le succès d’un réseau hybride parallèle repose sur la définition et le réglage du taux d’apprentissage et d’autres hyperparamètres, tels que le nombre de couches et le nombre de neurones dans chaque couche du perceptron multicouche.

Étant donné que les couches quantiques et classiques apprennent à des vitesses différentes, les auteurs ont expliqué comment le taux de contribution de chaque couche affecte les performances du modèle hybride et ont constaté qu’il est important d’ajuster le taux d’apprentissage pour maintenir un taux de contribution équilibré. Par conséquent, ils soulignent que la création d’un planificateur de taux d’apprentissage personnalisé constitue une orientation de recherche future, car un tel planificateur pourrait améliorer la vitesse et les performances du modèle hybride.

Fourni par l’informatique intelligente