IBM montre les avantages de l’ordinateur quantique sur des ordinateurs traditionnels

Spread the love
  • Yum

IBM montre les avantages de l'ordinateur quantique sur des ordinateurs traditionnels

Parmi les applications les plus prometteuses de l’informatique quantique, l’apprentissage automatique quantique devrait faire des vagues, mais la façon dont cela pourrait se concrétiser reste un peu mystérieuse.

Les chercheurs d’IBM affirment aujourd’hui avoir prouvé mathématiquement qu’en utilisant une approche quantique, certains problèmes d’apprentissage automatique peuvent être résolus plus vite qu’avec des ordinateurs classiques.

publicité

L’apprentissage automatique (ou machine learning) est une branche bien établie de l’intelligence artificielle qui est déjà utilisée dans de nombreux secteurs pour résoudre divers problèmes. Cela consiste à entraîner un algorithme avec de grands ensembles de données, afin de permettre au modèle d’identifier différents motifs et de calculer finalement la meilleure réponse lorsqu’on lui présente de nouvelles informations.

Avec de plus grands ensembles de données, un algorithme d’apprentissage automatique peut être optimisé pour fournir des réponses plus précises, mais cela a un coût de calcul qui atteint rapidement les limites des appareils traditionnels. C’est pourquoi les chercheurs espèrent qu’un jour, ils seront en mesure de tirer parti de l’énorme puissance de calcul des technologies quantiques pour faire passer les modèles d’apprentissage automatique à un niveau supérieur.

Une méthode en particulier, appelée “noyaux quantiques”, fait l’objet de nombreux articles de recherche. Dans cette approche, l’ordinateur quantique n’intervient que pour une partie de l’algorithme global, en étendant ce que l’on appelle l’espace des caractéristiques, c’est-à-dire la collection de caractéristiques utilisées pour caractériser les données fournies au modèle, comme le “sexe” ou l'”âge” si le système est entraîné à reconnaître des modèles concernant les personnes.

Pour simplifier, en utilisant l’approche du noyau quantique, un ordinateur quantique peut faire la distinction entre un plus grand nombre de caractéristiques et, par conséquent, identifier des motifs même dans une énorme base de données, alors qu’un ordinateur classique ne verrait que du bruit aléatoire.

Les chercheurs d’IBM ont entrepris d’utiliser cette approche pour résoudre un type spécifique de problème d’apprentissage automatique appelé classification. Comme l’explique l’équipe d’IBM, l’exemple le plus courant d’un problème de classification est celui d’un ordinateur qui reçoit des photos de chiens et de chats et doit s’entraîner avec cet ensemble de données. L’objectif final est de lui permettre d’étiqueter automatiquement toutes les futures images qu’il reçoit comme étant soit un chien, soit un chat, dans le but de générer des étiquettes précises en un minimum de temps.

Les scientifiques de Big Blue ont développé une nouvelle tâche de classification et ont découvert qu’un algorithme quantique utilisant la méthode du noyau quantique était capable de trouver des caractéristiques pertinentes dans les données pour un étiquetage précis, alors que pour les ordinateurs classiques, l’ensemble de données ressemblait à du bruit aléatoire.

“La routine que nous utilisons est une méthode générale qui peut en principe être appliquée à un large éventail de problèmes”, explique à ZDNet Kristan Temme, chercheur chez IBM Quantum. “Dans notre article, nous prouvons formellement que cette routine d’estimation de noyau quantique peut donner lieu à des algorithmes d’apprentissage qui, pour des problèmes spécifiques, surpassent les approches d’apprentissage automatique classique.”

Pour prouver l’avantage de la méthode quantique sur l’approche classique, les chercheurs ont créé un problème de classification pour lequel les données peuvent être générées sur un ordinateur classique, et ont montré qu’aucun algorithme classique ne peut faire mieux qu’une réponse aléatoire pour répondre au problème.

Toutefois, lorsqu’ils ont visualisé les données dans une carte de caractéristiques quantiques, l’algorithme quantique a pu prédire les étiquettes avec une grande précision et rapidement.

“Cet article peut être considéré comme une étape importante dans le domaine de l’apprentissage automatique quantique, car il prouve une accélération de bout en bout pour une méthode de noyau quantique mise en œuvre de manière tolérante aux erreurs avec des hypothèses réalistes”, conclut l’équipe de recherche.

Bien entendu, la tâche de classification mise au point par les scientifiques d’IBM a été conçue spécifiquement pour déterminer si la méthode du noyau quantique est avantageuse et est encore loin d’être prête à être appliquée à tout type de problème commercial à plus grande échelle.

Selon Temme, cela est principalement dû à la taille limitée des ordinateurs quantiques actuels d’IBM, qui ne peuvent à ce jour prendre en charge que moins de 100 qubits. Un chiffre loin des milliers, voire des millions de qubits que les scientifiques estiment nécessaires pour commencer à créer de la valeur dans le domaine des technologies quantiques.

À ce stade, nous ne pouvons pas citer un cas d’utilisation spécifique et dire “cela aura un impact direct”, explique Temme. “Une application d’un ‘grand’ algorithme d’apprentissage automatique quantique n’a pas encore été réalisée. L’échelle d’un tel algorithme est bien sûr directement liée au développement du matériel quantique.”

La dernière expérience d’IBM ne s’applique également qu’à un type spécifique de problèmes de classification en apprentissage automatique, et ne signifie pas que tous les problèmes d’apprentissage automatique bénéficieront de l’utilisation de noyaux quantiques.

Mais les résultats ouvrent la porte à d’autres recherches dans ce domaine, afin de savoir si d’autres problèmes d’apprentissage automatique pourraient bénéficier de l’utilisation de cette méthode.

Une grande partie du travail reste donc théorique pour l’instant, et l’équipe d’IBM a reconnu que toute nouvelle découverte dans ce domaine comporte de nombreuses réserves. Mais en attendant que le matériel quantique s’améliore, les chercheurs s’engagent à continuer de démontrer la valeur des algorithmes quantiques, ne serait-ce que d’un point de vue mathématique.

Source : “ZDNet.com”

Leave a Reply

%d bloggers like this: