Redéfinir l'apprentissage automatique quantique
L'apprentissage automatique est une branche de l'intelligence artificielle (IA) et de l'informatique qui se concentre sur l'utilisation de données et d'algorithmes pour permettre aux ordinateurs d'apprendre sans être explicitement programmés. Alors que des discussions autour des algorithmes d’IA, tels que ChatGPT et d’autres modèles génératifs, ont lieu à tous les niveaux de la société, les capacités d’apprentissage automatique des ordinateurs quantiques restent quelque peu inexplorées.
Les chercheurs du monde entier travaillent actuellement d’arrache-pied pour répondre à la question de savoir si les ordinateurs quantiques seront capables de mieux résoudre certains des problèmes posés par l’apprentissage automatique conventionnel.
Une étude réalisée par une équipe de chercheurs de la Freie Universität Berlin a révélé des informations remarquables qui remettent en question les hypothèses antérieures sur l'apprentissage automatique quantique. L’équipe a découvert que les réseaux quantiques neuronaux peuvent non seulement apprendre mais aussi mémoriser des données apparemment aléatoires. L'étude, intitulée « Comprendre l'apprentissage automatique quantique nécessite également de repenser la généralisation » a été publiée dans Communications naturelles.
Les ordinateurs quantiques utilisent des unités de calcul individuelles basées sur des principes physiques différents de ceux à l’œuvre dans les ordinateurs conventionnels. Ils reposent sur des atomes individuels, des ions ou des circuits supraconducteurs qui se comportent selon les lois de la mécanique quantique. Alors que les ordinateurs quantiques n’étaient considérés jusqu’à récemment qu’une chimère, ils sont désormais une réalité et continuent de se développer à une vitesse époustouflante.
Avec des processeurs quantiques contenant désormais des centaines de qubits, les scientifiques commencent tout juste à découvrir de quoi ces ordinateurs sont capables. Il est largement admis que les ordinateurs quantiques du futur seront capables de résoudre des problèmes importants beaucoup plus rapidement que les supercalculateurs existants. C’est pourquoi les chercheurs étudient déjà leur potentiel pour les applications d’apprentissage automatique.
Dans leur nouvelle étude, les chercheurs de la Freie Universität Berlin se sont concentrés sur les réseaux de neurones quantiques, une approche prometteuse dans le domaine de l'apprentissage automatique quantique. L’équipe a découvert que ces réseaux peuvent non seulement apprendre mais aussi mémoriser des données apparemment aléatoires. Ces résultats défient la compréhension traditionnelle de la manière dont les modèles quantiques réagissent aux nouvelles données (c'est-à-dire apprennent de) – un phénomène connu sous le nom de « généralisation ».
« C'est comme découvrir qu'un enfant de 6 ans peut mémoriser des chaînes de nombres aléatoires et les tables de multiplication en même temps », explique Elies Gil-Fuster, auteur principal de l'étude et chercheur à la Freie Universität Berlin et à l'Institut Heinrich Hertz. . « Nos expériences montrent que ces réseaux de neurones quantiques sont incroyablement habiles à ajuster des données et des étiquettes aléatoires, remettant en question les fondements mêmes de notre compréhension de l'apprentissage et de la généralisation. »
Les implications de cette découverte sont considérables. Elle remet en question les mesures traditionnelles utilisées pour évaluer la capacité de généralisation des modèles d’apprentissage automatique telles que la dimension VC ou la complexité de Rademacher. Les résultats de l'équipe suggèrent que les réseaux neuronaux quantiques semblent posséder une capacité inhérente à mémoriser, ouvrant ainsi de nouvelles voies d'exploration, tant dans la compréhension théorique que dans les applications pratiques.
« Bien que cela ne signifie pas nécessairement que l'apprentissage automatique quantique soit voué à une mauvaise généralisation, cela signifie que nous devons repenser la façon dont nous abordons le problème », explique Jens Eisert, responsable du groupe de recherche et professeur à la Freie Universität Berlin. à l'Institut Heinrich Hertz. « Nos résultats suggèrent que nous avons besoin d'un changement de paradigme dans la façon dont nous conceptualisons et évaluons les modèles quantiques pour les tâches d'apprentissage automatique. »
Selon les chercheurs, ces résultats représentent une avancée significative dans notre compréhension de l’apprentissage automatique quantique et de ses applications potentielles. En remettant en question les idées reçues, l’étude ouvre la voie à de nouvelles connaissances et développements dans ce domaine en évolution rapide.
Soulignant l'importance de leurs découvertes, les chercheurs déclarent : « Tout comme les découvertes précédentes en physique ont remodelé notre compréhension de l'univers, cette étude pourrait potentiellement redéfinir l'avenir des modèles d'apprentissage automatique quantique. Alors que nous sommes à l'aube d'une nouvelle ère dans technologie, comprendre ces nuances pourrait être la clé pour débloquer de nouveaux progrès dans le domaine de l’apprentissage automatique quantique.
