Les scientifiques ont fait des progrès significatifs avec les technologies quantiques qui pourraient transformer la modélisation de systèmes complexes avec une approche précise et efficace nécessitant une mémoire considérablement réduite.
Les systèmes complexes jouent un rôle vital dans notre vie quotidienne, qu’il s’agisse de prévoir les modèles de trafic, les prévisions météorologiques ou de comprendre les marchés financiers. Cependant, pour prédire avec précision ces comportements et prendre des décisions éclairées, il faut stocker et suivre de vastes informations sur des événements d’un passé lointain, un processus qui présente d’énormes défis.
Les modèles actuels utilisant l’intelligence artificielle voient leurs besoins en mémoire plus que centuplés tous les deux ans et peuvent souvent impliquer une optimisation sur des milliards, voire des billions, de paramètres. Ces immenses quantités d’informations conduisent à un goulot d’étranglement où nous devons arbitrer le coût de la mémoire contre la précision prédictive.
Une équipe collaborative de chercheurs de l’Université de Manchester, de l’Université des sciences et technologies de Chine (USTC), du Centre pour les technologies quantiques (CQT) de l’Université nationale de Singapour et de l’Université technologique de Nanyang (NTU) propose que les technologies quantiques pourraient fournir un moyen d’atténuer ce compromis.
L’équipe a mis en œuvre avec succès des modèles quantiques capables de simuler une famille de processus complexes avec un seul qubit de mémoire – l’unité de base de l’information quantique – offrant des besoins en mémoire considérablement réduits.
Contrairement aux modèles classiques qui reposent sur l’augmentation de la capacité de mémoire à mesure que de nouvelles données d’événements passés sont ajoutées, ces modèles quantiques n’auront jamais besoin que d’un qubit de mémoire.
Le développement, publié dans la revue Communication Naturereprésente une avancée significative dans l’application des technologies quantiques à la modélisation de systèmes complexes.
Le Dr Thomas Elliott, chef de projet et boursière Dame Kathleen Ollerenshaw à l’Université de Manchester, a déclaré : « De nombreuses propositions d’avantage quantique se concentrent sur l’utilisation d’ordinateurs quantiques pour calculer les choses plus rapidement. Nous adoptons une approche complémentaire et examinons plutôt comment les ordinateurs quantiques peuvent aider réduisons la taille de la mémoire dont nous avons besoin pour nos calculs. »
« L’un des avantages de cette approche est qu’en utilisant le moins de qubits possible pour la mémoire, nous nous rapprochons de ce qui est pratique avec les technologies quantiques du futur proche. De plus, nous pouvons utiliser tous les qubits supplémentaires que nous libérons pour aider à atténuer erreurs dans nos simulateurs quantiques. »
Le projet s’appuie sur une proposition théorique antérieure du Dr Elliott et de l’équipe de Singapour. Pour tester la faisabilité de l’approche, ils se sont associés à l’USTC, qui a utilisé un simulateur quantique à base de photons pour mettre en œuvre les modèles quantiques proposés.
L’équipe a atteint une précision supérieure à ce qui est possible avec n’importe quel simulateur classique équipé de la même quantité de mémoire. L’approche peut être adaptée pour simuler d’autres processus complexes avec des comportements différents.
Le Dr Wu Kang-Da, chercheur postdoctoral à l’USTC et premier co-auteur de la recherche, a déclaré : « La photonique quantique représente l’une des architectures les moins sujettes aux erreurs qui ait été proposée pour l’informatique quantique, en particulier à plus petite échelle. De plus, parce que nous configurons notre simulateur quantique pour modéliser un processus particulier, nous sommes en mesure d’affiner nos composants optiques et d’obtenir des erreurs plus petites que celles typiques des ordinateurs quantiques universels actuels. »
Le Dr Chengran Yang, chercheur au CQT et co-auteur principal de la recherche, a ajouté : « Il s’agit de la première réalisation d’un simulateur stochastique quantique où la propagation de l’information à travers la mémoire au fil du temps est démontrée de manière concluante, ainsi que la preuve d’une plus grande précision que possible avec n’importe quel simulateur classique de la même taille de mémoire. »
Au-delà des résultats immédiats, les scientifiques affirment que la recherche présente des opportunités d’investigation plus approfondie, telles que l’exploration des avantages d’une dissipation thermique réduite dans la modélisation quantique par rapport aux modèles classiques. Leurs travaux pourraient également trouver des applications potentielles dans la modélisation financière, l’analyse de signaux et les réseaux de neurones améliorés quantiques.
Les prochaines étapes comprennent des plans pour explorer ces connexions et pour adapter leur travail à des mémoires quantiques de plus grande dimension.
Plus d’information:
Kang-Da Wu et al, Mise en œuvre de la réduction de la dimensionnalité quantique pour la simulation stochastique non markovienne, Communication Nature (2023). DOI : 10.1038/s41467-023-37555-0