(Phys.org) - Les physiciens ont découvert que la structure de certains types d'algorithmes d'apprentissage quantique est très similaire à celle de leurs homologues classiques - une découverte qui aidera les scientifiques à développer davantage les versions quantiques. Les algorithmes d'apprentissage automatique classiques sont actuellement utilisés pour effectuer des tâches de calcul complexes, comme la reconnaissance de formes ou la classification dans de grandes quantités de données, et constituent une partie cruciale de nombreuses technologies modernes. L'objectif des algorithmes d'apprentissage quantique est d'intégrer ces caractéristiques dans des scénarios où l'information est sous une forme entièrement quantique.

Les scientifiques, Alex Monràs à l'Université autonome de Barcelone, Espagne; Gael Sentís à l'Université du Pays Basque, Espagne, et l'Université de Siegen, Allemagne; et Peter Wittek à ICFO-The Institute of Photonic Science, Espagne, et l'Université de Borås, Suède, ont publié un article sur leurs résultats dans un récent numéro de Lettres d'examen physique .

"Notre travail dévoile la structure d'une classe générale d'algorithmes d'apprentissage quantique à un niveau très fondamental, " Sentís a dit Phys.org . "Cela montre que les opérations potentiellement très complexes impliquées dans une configuration quantique optimale peuvent être abandonnées au profit d'un schéma opérationnel beaucoup plus simple, qui est analogue à celui utilisé dans les algorithmes classiques, et aucune performance n'est perdue dans le processus. Cette découverte aide à établir les capacités ultimes des algorithmes d'apprentissage quantique, et ouvre la porte à l'application des résultats clés de l'apprentissage statistique à des scénarios quantiques."

Dans leur étude, les physiciens se sont concentrés sur un type spécifique d'apprentissage automatique appelé apprentissage supervisé inductif. Ici, l'algorithme reçoit des instances d'apprentissage dont il extrait des règles générales, puis applique ces règles à une variété d'instances de test (ou de problème), quels sont les problèmes réels pour lesquels l'algorithme est entraîné. Les scientifiques ont montré que les algorithmes d'apprentissage supervisé inductif classique et quantique doivent avoir ces deux phases (une phase d'apprentissage et une phase de test) qui sont complètement distinctes et indépendantes. Alors que dans la configuration classique, ce résultat découle trivialement de la nature de l'information classique, les physiciens ont montré que dans le cas quantique, il s'agit d'une conséquence du théorème quantique de non-clonage, un théorème qui interdit de faire une copie parfaite d'un état quantique.

En révélant cette similitude, les nouveaux résultats généralisent certaines idées clés de la théorie classique de l'apprentissage statistique aux scénarios quantiques. Essentiellement, cette généralisation réduit les protocoles complexes à des protocoles plus simples sans perte de performances, facilitant leur élaboration et leur mise en œuvre. Par exemple, un avantage potentiel est la possibilité d'accéder à l'état de l'algorithme d'apprentissage entre les phases de formation et de test. Fort de ces résultats, les chercheurs s'attendent à ce que les travaux futurs conduisent à une théorie entièrement quantique des limites de risque dans l'apprentissage statistique quantique.

"Des algorithmes d'apprentissage quantique supervisé inductif seront utilisés pour classer les informations stockées dans les systèmes quantiques de manière automatisée et adaptable, une fois formé avec des exemples de systèmes, " Sentís a déclaré. "Ils seront potentiellement utiles dans toutes sortes de situations où l'information se trouve naturellement sous une forme quantique, et fera probablement partie des futurs protocoles de traitement de l'information quantique. Nos résultats aideront à concevoir et à comparer ces algorithmes aux meilleures performances réalisables permises par la mécanique quantique. »

© 2017 Phys.org