Une étude révolutionnaire a identifié une nouvelle approche permettant aux ordinateurs quantiques de comprendre et de prédire les systèmes quantiques avec seulement quelques exemples simples. L’étude utilise des réseaux neuronaux quantiques (QNN), des modèles d’apprentissage automatique qui imitent le comportement des systèmes quantiques. Contrairement aux modèles d’apprentissage conventionnels qui nécessitent de nombreux exemples, les réseaux neuronaux quantiques utilisent quelques « états produits », qui sont des formes plus simples et plus faciles à gérer d’états quantiques.
Les chercheurs ont réalisé une avancée décisive dans le domaine de l’informatique quantique en démontrant comment les réseaux neuronaux quantiques peuvent comprendre et prédire les systèmes quantiques à l’aide de quelques « états produits » simples, ce qui pourrait déboucher sur des ordinateurs quantiques plus efficaces et plus fiables.
Imaginez un monde où les ordinateurs peuvent percer les mystères de la mécanique quantique, ce qui nous permet 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 le professeur Zoe Holmes et son équipe de l’EPFL, nous sommes maintenant plus près de la réalité. En collaboration avec des chercheurs de Caltech, de l’Université libre de Berlin et du Laboratoire national de Los Alamos, ils ont trouvé un nouveau moyen d’enseigner à un ordinateur quantique comment comprendre et prédire le comportement des systèmes quantiques, même avec quelques exemples simples.
Sommaire
Réseaux neuronaux quantiques (QNN)
Les chercheurs ont travaillé sur les « réseaux neuronaux 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 neuronaux utilisés en 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 traiter et de manipuler des 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 produits », l’ordinateur peut apprendre comment un système quantique se comporte, même lorsqu’il s’agit d’états intriqués, qui sont plus compliqués et plus difficiles à comprendre.
États produits
Les « états produits » utilisés par les scientifiques font référence à un concept de la mécanique quantique qui décrit le type d’état spécifique d’un système quantique. Par exemple, si un système quantique est composé de deux électrons, son état produit est formé lorsque l’état de chaque électron 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 décrites indépendamment.
De meilleurs ordinateurs quantiques en perspective
Les chercheurs ont démontré qu’en entraînant les QNN à l’aide de quelques-uns seulement de ces exemples simples, les ordinateurs peuvent saisir efficacement la dynamique complexe des systèmes quantiques enchevêtrés.
Holmes explique : « Cela signifie que l’on 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] que nous aurons probablement dans les années à venir, au lieu d’avoir besoin d’ordinateurs grands et complexes, qui ne seront peut-être pas disponibles avant des décennies. »
Ces travaux ouvrent également de nouvelles possibilités d’utilisation des ordinateurs quantiques pour résoudre des problèmes importants tels que l’étude de nouveaux matériaux complexes ou la simulation du comportement des 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, ce qui permet d’améliorer l’efficacité et la fiabilité. « Nous pouvons rendre les ordinateurs quantiques encore meilleurs en rendant leurs programmes plus courts et moins sujets aux erreurs », déclare Holmes.
Référence : « Out-of-distribution generalization for learning quantum dynamics » par Matthias C. Caro, Hsin-Yuan Huang, Nicholas Ezzell, Joe Gibbs, Andrew T. Sornborger, Lukasz Cincio, Patrick J. Coles et Zoë Holmes, 5 juillet 2023, Nature Communications.
DOI: 10.1038/s41467-023-39381-w
Financement : Université technique de Munich, Réseau d’élite de Bavière, Studienstiftung des Deutschen Volkes, BMWi, Département de l’énergie des États-Unis, Google, Laboratoire national de Los Alamos, Fondation de la famille Sandoz – programme Véronique de Meuron.