La détection quantique représente l’une des applications les plus prometteuses des technologies quantiques, dans le but d’utiliser des ressources quantiques pour améliorer la sensibilité des mesures. En particulier, la détection des phases optiques est l’un des problèmes les plus étudiés, considéré comme essentiel au développement de dispositifs technologiques produits en série.
L’utilisation optimale des capteurs quantiques nécessite une caractérisation et un étalonnage réguliers. En général, un tel étalonnage est une tâche extrêmement complexe et gourmande en ressources, en particulier lorsque l’on considère des systèmes d’estimation de plusieurs paramètres, en raison du volume considérable de mesures requises ainsi que du temps de calcul nécessaire pour analyser ces mesures. Les algorithmes d’apprentissage automatique présentent un outil puissant pour répondre à cette complexité. La découverte de protocoles appropriés pour l’utilisation d’algorithmes est vitale pour le développement de capteurs pour des mesures précises améliorées quantiques.
Un type particulier d’algorithme d’apprentissage automatique appelé « apprentissage par renforcement » (RL) repose sur un agent intelligent guidé par des récompenses : en fonction des récompenses qu’il reçoit, il apprend à effectuer les bonnes actions pour atteindre l’optimisation souhaitée. Les premières réalisations expérimentales utilisant des algorithmes RL pour l’optimisation de problèmes quantiques n’ont été rapportées que très récemment. La plupart d’entre eux s’appuient encore sur une connaissance préalable du modèle décrivant le système. Ce qui est souhaitable est plutôt une approche complètement sans modèle, ce qui est possible lorsque la récompense de l’agent ne dépend pas du modèle explicite du système.
Comme rapporté dans Photonique avancée, une équipe de chercheurs du Département de physique de l’Université Sapienza de Rome et de l’Institut de photonique et de nanotechnologies (IFN-CRN) a récemment développé une approche sans modèle qui élargit la gamme d’applications possibles à celle de l’estimation multiphase adaptative. L’équipe démontre l’efficacité de son approche sans modèle dans une plateforme photonique intégrée hautement reconfigurable. Ils utilisent expérimentalement l’algorithme RL pour optimiser l’estimation de plusieurs paramètres et le combinent avec un réseau neuronal profond qui met à jour après chaque mesure la distribution de probabilité postérieure bayésienne.
Le protocole gère le capteur multiparamètre quantique d’une manière complètement boîte noire, puisqu’à aucune étape le modèle de fonctionnement du système n’est requis. Surtout, l’équipe prouve les performances améliorées obtenues avec leur protocole sur des données expérimentales dans un régime à ressources limitées et les compare à celles des stratégies non adaptatives, obtenant des estimations nettement meilleures.
Selon l’auteur correspondant Fabio Sciarrino, responsable du Quantum Lab, « Le protocole développé par notre équipe constitue une étape importante vers des capteurs quantiques entièrement basés sur l’intelligence artificielle. »
Plus d’information:
Valeria Cimini et al, Apprentissage par renforcement profond pour l’estimation multiparamètre quantique, Photonique avancée (2023). DOI : 10.1117/1.AP.5.1.016005