Les méthodes de codage quantique pourraient réduire considérablement la complexité des circuits d'apprentissage automatique

Une étude récente menée par des chercheurs du CSIRO et de l'Université de Melbourne a fait progresser l'apprentissage automatique quantique, un domaine visant à obtenir un avantage quantique pour surpasser l'apprentissage automatique classique.

Leurs travaux démontrent que les circuits quantiques pour le codage des données dans le cadre de l’apprentissage automatique quantique peuvent être considérablement simplifiés sans compromettre la précision ou la robustesse. La recherche a été publiée le 12 septembre dans Informatique intelligente.

Les résultats de l'équipe, validés à la fois par des simulations et des expériences sur des appareils quantiques IBM, montrent que leurs méthodes de codage innovantes réduisent la profondeur des circuits d'un facteur 100 en moyenne par rapport aux approches traditionnelles tout en atteignant des précisions de classification similaires. Les résultats offrent une nouvelle voie passionnante pour l’application pratique de l’apprentissage automatique quantique sur les appareils quantiques actuels.

Pour l’avenir, l’équipe vise à faire évoluer ces modèles pour des ensembles de données plus grands et plus complexes et à explorer de nouvelles optimisations dans le codage d’état quantique et la conception d’architecture d’apprentissage automatique quantique.

L’un des principaux obstacles à un apprentissage automatique quantique efficace a été le codage des données classiques dans des états quantiques, une tâche complexe en termes de calcul et nécessitant des circuits profondément intriqués. Pour surmonter ce problème, l’équipe a introduit trois méthodes de codage qui se rapprochent de l’état quantique des données à l’aide de circuits beaucoup moins profonds.

Ces méthodes (algorithmes d'état du produit matriciel, génétiques et variationnels) ont maintenu la précision de la classification sur l'ensemble de données d'images MNIST et deux autres tout en améliorant la résilience contre la manipulation contradictoire des données.

Chaque méthode a approximé de manière unique les données classiques de codage d’état quantique pour permettre une préparation d’état efficace :

1. Codage de l'état du produit matriciel : cette approche utilise des réseaux de tenseurs pour créer des états quantiques qui peuvent être démêlés séquentiellement. Cette structure permet de préparer des états quantiques à faible intrication avec un petit nombre de portes Controlled-NOT, ou CNOT, réduisant encore davantage la complexité.
2. Algorithme génétique pour la préparation d'état : Inspirée des processus évolutifs, cette approche optimise le processus de préparation d'état en générant diverses configurations de circuits, en sélectionnant la plus efficace et en minimisant le nombre de portes CNOT, rendant ainsi les circuits plus résistants au bruit.
3. Codage variationnel : cette méthode utilise des paramètres pouvant être entraînés au sein d'une structure de circuit en couches, permettant aux états quantiques d'atteindre une précision cible en moins de couches. Cela réduit le besoin d’opérations d’enchevêtrement étendues et réduit généralement les coûts de calcul.

Le travail s'aligne sur des objectifs plus larges en matière d'apprentissage automatique quantique visant à créer des modèles quantiques efficaces et fiables pour des domaines tels que la reconnaissance d'images, la cybersécurité et l'analyse de données complexes. La réduction de la profondeur des circuits est essentielle pour réaliser un apprentissage automatique quantique pratique sur les appareils actuels, qui sont souvent limités par la fidélité des portes et le nombre de qubits.

La robustesse accrue de ces modèles face aux attaques adverses ouvre de nouvelles possibilités pour les applications sécurisées d’apprentissage automatique quantique dans des secteurs où la résilience à la falsification est essentielle.