Toutes les deux secondes, des capteurs mesurant le réseau électrique des États-Unis collectent 3 pétaoctets de données, soit l'équivalent de 3 millions de gigaoctets. L'analyse des données à cette échelle est un défi lorsque des informations cruciales sont stockées dans une base de données inaccessible.

Mais les chercheurs de l'Université Purdue travaillent sur une solution, combiner des algorithmes quantiques avec l'informatique classique sur des ordinateurs quantiques à petite échelle pour accélérer l'accessibilité des bases de données. Ils utilisent les données des capteurs du département de l'Énergie des États-Unis, appelées unités de mesure de phaseur, qui collectent des informations sur le réseau électrique concernant les tensions, courants et production d'électricité. Étant donné que ces valeurs peuvent varier, maintenir la stabilité du réseau électrique implique une surveillance continue des capteurs.

Sabre Kais, professeur de physique chimique et chercheur principal, dirigera les efforts visant à développer de nouveaux algorithmes quantiques pour le calcul des nombreuses données générées par le réseau électrique.

"Les algorithmes non quantiques qui sont utilisés pour analyser les données peuvent prédire l'état de la grille, mais comme de plus en plus d'unités de mesure de phaseurs sont déployées dans le réseau électrique, nous avons besoin d'algorithmes plus rapides, " a déclaré Alex Pothen, professeur d'informatique et co-chercheur sur le projet. "Les algorithmes quantiques pour l'analyse des données ont le potentiel d'accélérer considérablement les calculs dans un sens théorique, mais de grands défis restent à relever pour réaliser des ordinateurs quantiques capables de traiter de si grandes quantités de données. »

La méthode de l'équipe de recherche a un potentiel pour un certain nombre d'applications pratiques, comme aider les industries à optimiser leur gestion de la chaîne d'approvisionnement et de la logistique. Cela pourrait également conduire à de nouvelles découvertes chimiques et matérielles à l'aide d'un réseau de neurones artificiels connu sous le nom de machine quantique de Boltzmann. Ce type de réseau de neurones est utilisé pour l'apprentissage automatique et l'analyse de données.

"Nous avons déjà développé un algorithme quantique hybride utilisant une machine quantique de Boltzmann pour obtenir des calculs de structure électronique précis, " a déclaré Kais. " Nous avons une preuve de concept montrant des résultats pour de petits systèmes moléculaires, qui nous permettra de cribler des molécules et d'accélérer la découverte de nouveaux matériaux."

Un article décrivant ces résultats a été publié mercredi dans la revue Communication Nature .

Des algorithmes d'apprentissage automatique ont été utilisés pour calculer les propriétés électroniques approximatives de millions de petites molécules, mais la navigation dans ces systèmes moléculaires est un défi pour les physiciens chimistes. Kais et le co-investigateur Yong Chen, directeur du Purdue Quantum Center et professeur de physique et d'astronomie et de génie électrique et informatique, sont convaincus que leur algorithme d'apprentissage automatique quantique pourrait résoudre ce problème.

Leurs algorithmes pourraient également être utilisés pour optimiser les fermes solaires. La durée de vie d'une ferme solaire varie en fonction du climat car les cellules solaires se dégradent chaque année à cause des conditions météorologiques, selon Muhammad Alam, professeur de génie électrique et informatique et co-chercheur du projet. L'utilisation d'algorithmes quantiques faciliterait la détermination de la durée de vie des fermes solaires et d'autres technologies énergétiques durables pour un emplacement géographique donné et pourrait aider à rendre les technologies solaires plus efficaces.

En outre, l'équipe espère lancer un centre de recherche collaboratif industrie-université (IUCRC) financé par l'extérieur pour promouvoir de nouvelles recherches sur l'apprentissage automatique quantique pour l'analyse et l'optimisation des données. Les avantages d'un IUCRC comprennent l'exploitation de partenariats universitaires-entreprises, développer la recherche en science des matériaux, et agir sur les incitations du marché. Des recherches supplémentaires sur l'apprentissage automatique quantique pour l'analyse des données sont nécessaires avant qu'il puisse être utilisé par les industries pour une application pratique, Chen a dit, et un IUCRC ferait des progrès tangibles.

« Nous sommes sur le point de développer les algorithmes classiques pour cette analyse de données, et nous nous attendons à ce qu'ils soient largement utilisés, " Pothen a déclaré. "Les algorithmes quantiques sont à haut risque, recherche à haut rendement, et il est difficile de prédire dans quel laps de temps ces algorithmes trouveront une utilisation pratique."

Le projet de recherche de l'équipe était l'un des huit sélectionnés par la Purdue's Integrative Data Science Initiative pour être financé pour une période de deux ans. L'initiative encouragera la collaboration interdisciplinaire et s'appuiera sur les forces de Purdue pour positionner l'université en tant que chef de file de la recherche en science des données et se concentrer sur l'un des quatre domaines suivants :soins de santé ; la défense; éthique, société et politique; fondamentaux, méthodes, et algorithmes. Les axes de recherche de l'Initiative de science des données intégratives sont hébergés par le Discovery Park de Purdue.

« C'est une période passionnante pour combiner l'apprentissage automatique avec l'informatique quantique, " a déclaré Kais. " Des progrès impressionnants ont été réalisés récemment dans la construction d'ordinateurs quantiques, et les techniques d'apprentissage automatique quantique deviendront des outils puissants pour trouver de nouveaux modèles dans les mégadonnées."