Un moyen plus facile d’apprendre les processus quantiques

Des scientifiques de l’EPFL montrent que même quelques exemples simples suffisent à un modèle d’apprentissage automatique quantique, les « réseaux de neurones quantiques », pour apprendre et prédire le comportement des systèmes quantiques, nous rapprochant ainsi d’une nouvelle ère de l’informatique quantique.

Imaginez un monde où les ordinateurs peuvent percer les mystères de la mécanique quantique, nous permettant d’étudier le comportement de matériaux complexes ou de simuler la dynamique complexe des molécules avec une précision sans précédent.

Grâce à une étude pionnière menée par la professeure Zoe Holmes et son équipe à l’EPFL, nous sommes maintenant plus près que cela devienne une réalité. En collaboration avec des chercheurs de Caltech, de l’Université libre de Berlin et du Laboratoire national de Los Alamos, ils ont trouvé une nouvelle façon d’enseigner à un ordinateur quantique comment comprendre et prédire le comportement des systèmes quantiques. La recherche a été publiée dans Communication Nature.

Réseaux de neurones quantiques (QNN)

Les chercheurs ont travaillé sur des « réseaux de neurones quantiques » (QNN), un type de modèle d’apprentissage automatique conçu pour apprendre et traiter des informations en utilisant des principes inspirés de la mécanique quantique afin d’imiter le comportement des systèmes quantiques.

Tout comme les réseaux de neurones utilisés dans l’intelligence artificielle, les QNN sont constitués de nœuds interconnectés, ou « neurones », qui effectuent des calculs. La différence est que, dans les QNN, les neurones fonctionnent selon les principes de la mécanique quantique, ce qui leur permet de gérer et de manipuler les informations quantiques.

« Normalement, lorsque nous enseignons quelque chose à un ordinateur, nous avons besoin de beaucoup d’exemples », explique Holmes. « Mais dans cette étude, nous montrons qu’avec seulement quelques exemples simples appelés » états de produit « , l’ordinateur peut apprendre comment un système quantique se comporte même lorsqu’il traite des états intriqués, qui sont plus compliqués et difficiles à comprendre. »

États du produit

Les « états produits » que les scientifiques ont utilisés font référence à un concept de mécanique quantique qui décrit le type d’état spécifique d’un système quantique. Par exemple, si un système quantique est composé de deux électrons, alors son état de produit est formé lorsque l’état de chaque électron individuel est considéré indépendamment, puis combiné.

Les états produits sont souvent utilisés comme point de départ dans les calculs et les mesures quantiques car ils fournissent un cadre plus simple et plus gérable pour étudier et comprendre le comportement des systèmes quantiques, avant de passer à des états plus complexes et intriqués, où les particules sont corrélées et ne peuvent pas être décrit indépendamment.

De meilleurs ordinateurs quantiques à venir

Les chercheurs ont démontré qu’en formant des QNN en utilisant seulement quelques-uns de ces exemples simples, les ordinateurs peuvent saisir efficacement la dynamique complexe des systèmes quantiques intriqués.

Holmes explique : « Cela signifie que [we] pourrait être en mesure d’apprendre et de comprendre les systèmes quantiques à l’aide d’ordinateurs plus petits et plus simples, comme l’échelle intermédiaire à court terme [NISQ] ordinateurs que nous aurons probablement dans les années à venir, au lieu d’avoir besoin d’ordinateurs volumineux et complexes, ce qui peut prendre des décennies. »

Les travaux ouvrent également de nouvelles possibilités d’utilisation des ordinateurs quantiques pour résoudre des problèmes importants comme l’étude de nouveaux matériaux complexes ou la simulation du comportement de molécules.

Enfin, la méthode améliore les performances des ordinateurs quantiques en permettant la création de programmes plus courts et plus résistants aux erreurs. En apprenant comment les systèmes quantiques se comportent, nous pouvons rationaliser la programmation des ordinateurs quantiques, conduisant à une efficacité et une fiabilité améliorées. « Nous pouvons rendre les ordinateurs quantiques encore meilleurs en rendant leurs programmes plus courts et moins sujets aux erreurs », déclare Holmes.