Les physiciens ont développé un algorithme d'apprentissage automatique quantique qui peut gérer des dimensions infinies, c'est-à-dire il fonctionne avec des variables continues (qui ont un nombre infini de valeurs possibles sur un intervalle fermé) au lieu des variables discrètes généralement utilisées (qui n'ont qu'un nombre fini de valeurs).

Les chercheurs, Hoi-Kwan Lau et al., ont publié un article sur la généralisation de l'apprentissage automatique quantique à des dimensions infinies dans un récent numéro de Lettres d'examen physique .

Comme l'expliquent les physiciens, L'apprentissage automatique quantique est un nouveau sous-domaine dans le domaine de l'information quantique qui combine la vitesse de l'informatique quantique avec la capacité d'apprendre et de s'adapter, comme le propose l'apprentissage automatique.

L'un des plus grands avantages d'avoir un algorithme d'apprentissage automatique quantique pour les variables continues est qu'il peut théoriquement fonctionner beaucoup plus rapidement que les algorithmes classiques. Étant donné que de nombreux modèles scientifiques et techniques impliquent des variables continues, l'application de l'apprentissage automatique quantique à ces problèmes pourrait potentiellement avoir des applications de grande envergure.

"Notre travail démontre la capacité de tirer parti de la photonique pour effectuer des tâches d'apprentissage automatique sur un ordinateur quantique qui pourrait dépasser de loin la vitesse de n'importe quel ordinateur conventionnel, " a déclaré le co-auteur George Siopsis de l'Université du Tennessee Phys.org . "L'apprentissage automatique quantique offre également des avantages potentiels tels que des besoins énergétiques inférieurs grâce à la possibilité de stocker plus d'informations par qubit, et un coût par qubit très bas par rapport à d'autres technologies."

La plupart des algorithmes d'apprentissage automatique quantique développés jusqu'à présent ne fonctionnent qu'avec des problèmes impliquant des variables discrètes. L'application de l'apprentissage automatique quantique à des problèmes à variables continues nécessite une approche très différente.

Pour faire ça, les physiciens ont dû développer un nouvel ensemble d'outils qui fonctionnent avec des variables continues. Il s'agit de remplacer les portes logiques utilisées pour les états discrets-variables par des portes physiques, qui fonctionnent pour les états à variables continues. Construire à partir de ces blocs de construction de base de l'algorithme, les scientifiques ont ensuite développé de nouvelles méthodes qui alimentent les problèmes d'apprentissage automatique quantique, appelés sous-programmes, qui sont représentés par des matrices et des vecteurs.

Bien que les résultats de l'étude soient purement théoriques, les physiciens s'attendent à ce que le nouvel algorithme pour les variables continues puisse être mis en œuvre expérimentalement en utilisant la technologie actuellement disponible. La mise en œuvre peut se faire de plusieurs manières, comme en utilisant des systèmes optiques, systèmes de rotation, ou des atomes piégés. Quel que soit le type de système, la mise en œuvre serait difficile. Par exemple, une mise en œuvre optique que les scientifiques ont décrite ici nécessiterait certaines des dernières technologies, tels que les "états de chat" (une superposition des états "0" et "1") et des taux élevés de compression (pour réduire le bruit quantique).

À l'avenir, les scientifiques espèrent étudier plus avant comment l'apprentissage automatique quantique à variable continue peut être étendu pour reproduire certains des derniers résultats impliquant des variables discrètes. Une autre piste intéressante à suivre est une approche hybride, qui combinerait les méthodes des variables discrètes et continues dans un seul algorithme.

© 2017 Phys.org