L'intelligence artificielle fait référence, entre autres, à la capacité des machines à démontrer un certain degré de ce que les humains considèrent comme « l'intelligence ». Ce processus est guidé par les progrès rapides de l'apprentissage automatique :amener les machines à penser par elles-mêmes plutôt que de les pré-programmer avec un concept absolu.

Prenez la reconnaissance d'image. Les humains excellent dans cette tâche, mais il s'est avéré difficile de simuler artificiellement. Entraîner une machine à reconnaître un chat ne signifie pas entrer une définition définie de ce à quoi ressemble un chat. Au lieu, de nombreuses images différentes de chats sont saisies ; l'objectif est que l'ordinateur apprenne à distiller le motif de pixels sous-jacent "en forme de chat".

Cette dépendance aux données est un puissant outil de formation. Mais cela comporte des pièges potentiels. Si les machines sont entraînées pour trouver et exploiter des modèles dans les données, alors, dans certains cas, ils ne font que perpétuer la race, préjugés de genre ou de classe propres à l'intelligence humaine actuelle.

Mais la facilité de traitement des données inhérente à l'apprentissage automatique a également le potentiel de générer des applications qui peuvent améliorer la vie humaine. Des machines « intelligentes » pourraient aider les scientifiques à détecter plus efficacement le cancer ou à mieux comprendre la santé mentale.

Jusqu'à présent, la plupart des progrès de l'apprentissage automatique ont été classiques :les techniques utilisées par les machines pour apprendre suivent les lois de la physique classique. Les données dont ils apprennent ont une forme classique. Les machines sur lesquelles tournent les algorithmes sont également classiques.

Nous travaillons dans le domaine émergent de l'apprentissage automatique quantique, qui explore si la branche de la physique appelée mécanique quantique pourrait améliorer l'apprentissage automatique. La mécanique quantique est différente de la physique classique sur le plan fondamental :elle traite des probabilités et fait de l'incertitude un principe. La mécanique quantique élargit également la physique pour inclure des phénomènes intéressants qui ne peuvent être expliqués à l'aide de l'intuition classique.

Du classique au quantique

La mécanique quantique est une branche de la physique qui tente de comprendre et d'appliquer les mathématiques, règles vérifiables au comportement de la nature à la plus petite extrémité du spectre - à l'échelle des atomes, électrons et photons. Il a été développé pour la première fois au début du 20e siècle, et a très bien réussi à décrire des systèmes au niveau microscopique.

La division fondamentale entre les mondes quantique et classique a été popularisée par l'expérience de pensée du chat de Schrödinger. Dedans, un chat est scellé dans une boîte avec une fiole de poison et un atome radioactif. La libération du poison – et la vie du chat – dépend de la désintégration de l'atome.

La mécanique quantique permet à l'atome d'être décrit comme simultanément décomposé ou non décomposé jusqu'à ce qu'une mesure le force dans un état exact. Mais il devrait alors s'ensuivre que le chat peut être décrit à la fois comme mort et vivant jusqu'à ce que la boîte soit ouverte et que l'état du chat soit certain. Le paradoxe illustre la difficulté d'appliquer les règles quantiques aux objets classiques.

C'est l'une des possibilités les plus fascinantes inhérentes à la théorie quantique :qu'il soit possible pour un système quantique d'être dans plus d'un état en même temps – un phénomène décrit comme une superposition – jusqu'à ce que ce système soit mesuré.

L'informatique quantique

Il existe plusieurs façons de rendre l'apprentissage automatique quantique. Parmi ceux-ci, c'est la course à la création d'un ordinateur quantique qui a dominé la presse populaire et vu le développement de concurrents comme l'ordinateur D-Wave et l'IBM Quantum Experience.

La valeur des ordinateurs quantiques résiderait dans leur capacité à traiter l'information et à effectuer des tâches de calcul différemment, et dans certains cas plus rapidement, que les ordinateurs classiques.

Malgré l'intérêt commercial, aucun des prétendants n'est encore un franc succès. C'est parce que les phénomènes dont ils s'inspirent en mécanique quantique, tels que les états de superposition, sont délicats et sujets à la destruction.

D'autres branches de l'apprentissage automatique quantique se concentrent sur la façon dont la théorie quantique pourrait éclairer les méthodes que les ordinateurs utilisent pour apprendre, ou les données dont ils tirent des enseignements, ainsi que d'affiner les outils et les techniques de l'apprentissage automatique classique dans un cadre quantique.

Alors que les résultats mesurables sont encore principalement du domaine de la théorie, L'apprentissage automatique quantique a des implications quotidiennes pour les gens ordinaires. Il a longtemps été prédit que la puissance de traitement des ordinateurs quantiques pourrait rendre inefficaces les techniques de cryptage actuelles utilisées dans les transactions bancaires ou autres transactions en ligne.

Plus récemment, les techniques d'apprentissage automatique quantique telles que le recuit se sont révélées prometteuses pour les entreprises en optimisant les rendements des actifs financiers ou le calcul des cotes de crédit.

Les techniques quantiques dans l'apprentissage automatique sont également susceptibles de devenir importantes dans la technologie médicale ou la conception de médicaments, car les principes qui sous-tendent la chimie sont fondamentalement quantiques. ProtéineQure, une entreprise de biotechnologie fondée en 2017, utilise déjà des éléments de calcul quantique pour concevoir de nouvelles thérapies.

Les techniques d'apprentissage automatique quantique sont susceptibles d'avoir des effets de grande envergure sur de nombreuses technologies auxquelles nous nous sommes habitués, de l'aviation à l'agriculture, avec des entreprises telles que Lockheed Martin, La NASA et Google déjà à bord.

L'apprentissage automatique quantique en Afrique

L'apprentissage automatique quantique est une activité passionnante, domaine en pleine croissance. Un certain nombre de start-up ont été créées qui visent à perfectionner le processus et à fournir des dispositifs quantiques évolutifs.

Les universitaires et les chercheurs universitaires s'efforcent également d'exploiter le potentiel de l'apprentissage automatique quantique. Nous sommes parmi eux. Le groupe de recherche quantique de l'Université du KwaZulu-Natal étudie à la fois comment la théorie quantique pourrait améliorer l'apprentissage automatique et comment les techniques d'apprentissage automatique peuvent éclairer la théorie quantique.

Dr Maria Schuld, qui fait partie du groupe, a récemment partagé les gros titres avec IBM et l'université américaine MIT pour une avancée importante dans l'amélioration quantique des méthodes d'apprentissage automatique basées sur le noyau.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.