Il y a de grands espoirs que l'énorme puissance de traitement de l'informatique quantique déclenchera un jour des avancées exponentielles en intelligence artificielle. Les systèmes d'IA prospèrent lorsque les algorithmes d'apprentissage automatique utilisés pour les former reçoivent des quantités massives de données à ingérer, classer et analyser. Plus précisément ces données peuvent être classées selon des caractéristiques spécifiques, ou des fonctionnalités, meilleure sera l'IA. Les ordinateurs quantiques devraient jouer un rôle crucial dans l'apprentissage automatique, y compris l'aspect crucial de l'accès à des espaces de fonctionnalités plus complexes sur le plan informatique - les aspects à grain fin des données qui pourraient conduire à de nouvelles informations.

Dans un nouvel article de recherche de Nature intitulé « Apprentissage supervisé avec des espaces de fonctionnalités améliorés quantiques, " nous décrivons le développement et le test d'un algorithme quantique avec le potentiel de permettre l'apprentissage automatique sur les ordinateurs quantiques dans un avenir proche. Nous avons montré qu'à mesure que les ordinateurs quantiques deviendront plus puissants dans les années à venir, et leur volume quantique augmente, ils seront en mesure d'effectuer une cartographie des caractéristiques, un élément clé de l'apprentissage automatique, sur des structures de données très complexes à une échelle bien au-delà de la portée des ordinateurs classiques les plus puissants.

Nos méthodes ont également permis de classer les données à l'aide de circuits à faible profondeur, qui ouvre la voie à la gestion de la décohérence. De manière tout aussi significative, notre cartographie des caractéristiques a fonctionné comme prévu :aucune erreur de classification avec nos données techniques, alors même que les processeurs des systèmes IBM Q ont connu une décohérence.

Plus gros, Meilleure image

La cartographie des caractéristiques est un moyen de désassembler les données pour accéder à des aspects plus fins de ces données. Les algorithmes d'apprentissage automatique classiques et quantiques peuvent décomposer une image, par exemple, par pixels et placez-les dans une grille en fonction de la valeur de couleur de chaque pixel. À partir de là, les algorithmes mappent des points de données individuels de manière non linéaire dans un espace de grande dimension, décomposer les données selon leurs caractéristiques les plus essentielles. Dans l'espace d'état quantique beaucoup plus vaste, nous pouvons mieux séparer les aspects et les caractéristiques de ces données que dans une carte des caractéristiques créée par un algorithme d'apprentissage automatique classique. Finalement, d'autant plus que les données peuvent être classées selon des caractéristiques spécifiques, ou des fonctionnalités, meilleure sera l'IA.

L'objectif est d'utiliser des ordinateurs quantiques pour créer de nouveaux classificateurs qui génèrent des cartes de données plus sophistiquées. En faisant cela, les chercheurs pourront développer une IA plus efficace qui peut, par exemple, identifier des modèles dans les données qui sont invisibles pour les ordinateurs classiques.

Nous avons développé un plan avec de nouveaux algorithmes de classification de données quantiques et des cartes de caractéristiques. C'est important pour l'IA car, plus un ensemble de données est grand et diversifié, plus il est difficile de séparer ces données en classes significatives pour former un algorithme d'apprentissage automatique. Les mauvais résultats de classification du processus d'apprentissage automatique peuvent introduire des résultats indésirables ; par exemple, altérer la capacité d'un dispositif médical à identifier les cellules cancéreuses sur la base des données de mammographie.

Le problème du bruit

Nous avons constaté que même en présence de bruit, nous avons pu systématiquement classer nos données techniques avec une précision parfaite lors de nos tests. Les ordinateurs quantiques d'aujourd'hui ont du mal à maintenir leurs qubits dans un état quantique pendant plus de quelques centaines de microsecondes, même dans un environnement de laboratoire hautement contrôlé. C'est important car les qubits doivent rester dans cet état aussi longtemps que possible afin d'effectuer des calculs.

Nos algorithmes démontrant comment l'intrication peut améliorer la précision de la classification de l'IA seront disponibles dans le cadre d'IBM Qiskit Aqua, une bibliothèque open source d'algorithmes quantiques que les développeurs, les chercheurs et les experts de l'industrie peuvent utiliser pour accéder aux ordinateurs quantiques via des applications classiques ou des langages de programmation courants tels que Python.

Nous sommes encore loin d'avoir atteint l'avantage quantique pour l'apprentissage automatique, le point auquel les ordinateurs quantiques surpassent les ordinateurs classiques dans leur capacité à exécuter des algorithmes d'IA. Nos recherches ne démontrent pas encore l'avantage quantique car nous avons minimisé l'étendue du problème en fonction de nos capacités matérielles actuelles, en utilisant seulement deux qubits de capacité de calcul quantique, qui peut être simulé sur un ordinateur classique. Pourtant, les méthodes de cartographie des caractéristiques que nous avançons pourraient bientôt être en mesure de classer des ensembles de données bien plus complexes que tout ce qu'un ordinateur classique pourrait gérer. Ce que nous avons montré est une voie prometteuse.