Les techniques d'apprentissage automatique se sont jusqu'à présent avérées très prometteuses pour l'analyse de données dans plusieurs domaines, avec de nombreuses applications potentielles. Cependant, les chercheurs ont découvert que l'application de ces méthodes aux problèmes de physique quantique est beaucoup plus difficile en raison de la complexité exponentielle des systèmes à plusieurs corps.

Les systèmes quantiques à plusieurs corps sont essentiellement des structures microscopiques constituées de plusieurs particules en interaction. Alors que les études de physique quantique se sont concentrées sur le comportement collectif de ces systèmes, l'utilisation de l'apprentissage automatique dans ces enquêtes s'est avérée très difficile.

Avec ça en tête, une équipe de chercheurs de l'Université Harvard a récemment développé un algorithme basé sur des circuits quantiques inspiré des réseaux de neurones convolutifs (CNN), une technique d'apprentissage automatique populaire qui a obtenu des résultats remarquables dans une variété de domaines. Dans leur papier, Publié dans Physique de la nature , les chercheurs ont décrit cette nouvelle architecture et évalué sa précision dans la reconnaissance des états quantiques associés à un 1-D, phase topologique protégée par la symétrie.

"Notre travail est largement motivé par les récents progrès expérimentaux pour construire des ordinateurs quantiques et le développement de l'intelligence artificielle basée sur des méthodes de réseaux de neurones, " Bientôt Choi, l'un des chercheurs qui a mené l'étude, dit Phys.org. "En quelques sortes, l'idée de combiner des techniques d'apprentissage automatique et des ordinateurs/simulateurs quantiques est très naturelle :dans les deux domaines, nous essayons d'extraire des informations significatives à partir d'une grande quantité de données complexes."

En tant que physicien théoricien étudiant les systèmes quantiques à plusieurs corps, Choi s'était souvent demandé s'il existait un moyen plus efficace d'analyser la grande quantité de données complexes obtenues à l'aide de simulateurs quantiques. Les réseaux de neurones artificiels ont rapidement attiré son attention, car ils ont conduit à des résultats notables dans plusieurs autres tâches.

Transformer les approches traditionnelles d'apprentissage automatique afin qu'elles puissent être appliquées efficacement en physique quantique, cependant, semblait être un défi. La raison principale en est que les simulateurs quantiques existants sont assez petits, ils sont donc incapables de prendre en charge des CNN à grande échelle et d'autres techniques d'apprentissage automatique utilisées dans les ordinateurs conventionnels.

"Nous devions nous assurer que toutes les fonctionnalités importantes des techniques d'apprentissage automatique conventionnelles sont conservées tandis que notre nouvel algorithme est aussi compact que possible, " a expliqué Choi. " L'un des objectifs du présent travail était de généraliser un architecture d'apprentissage automatique bien connue appelée réseau de neurones convolutifs (CNN) pour un circuit quantique compact, et démontrer ses capacités avec des exemples simplistes mais significatifs."

Dans leur étude, Choi et ses collègues ont supposé que les CNN devaient leur grand succès à deux caractéristiques importantes. Premièrement, le fait qu'ils soient constitués d'unités locales plus petites (c'est-à-dire, plusieurs couches de portes quantiques quasi-locales). Deuxièmement, leur capacité à traiter les données d'entrée de manière hiérarchique. Les chercheurs ont trouvé un lien entre ces deux caractéristiques et deux concepts physiques renommés connus sous le nom de localité et de renormalisation.

"La localité est naturelle en physique parce que nous croyons que la loi de la nature est fondamentalement locale, " dit Choi. " Renormalisation, d'autre part, est un concept très intéressant. En physique, certaines caractéristiques universelles d'un système quantique à plusieurs corps, comme la phase (par exemple, liquide, gaz, solide, etc.) des matériaux ne dépendent pas (ou ne sont pas sensibles aux) informations microscopiquement détaillées du système, mais plutôt régie par seulement quelques paramètres cachés importants. La renormalisation est une technique théorique pour identifier ces paramètres importants à partir de la description microscopique d'un système quantique."

Les chercheurs ont observé que les processus de renormalisation partagent certaines similitudes avec les applications de reconnaissance de formes, en particulier ceux dans lesquels l'apprentissage automatique est utilisé pour identifier des objets dans des images. Par exemple, quand un CNN formé aux tâches de reconnaissance de formes analyse des images d'animaux, il se concentre sur une caractéristique universelle (c'est-à-dire, essayer d'identifier quel animal est représenté dans l'image), indépendamment du fait que des animaux individuels du même type (p. chats) sont légèrement différents.

Ce processus est quelque peu similaire aux techniques de renormalisation en physique théorique, qui peut aussi aider à distiller des informations universelles. Dans leur étude, Choi et ses collègues ont essayé de développer une architecture avec les mêmes qualités clés que les CNN, mais cela serait également applicable aux problèmes de physique quantique.

"Le circuit quantique résultant implique uniquement un nombre log (n) de paramètres à optimiser pour les données d'entrée n-qubit, ce qui est une double amélioration exponentielle par rapport à une approche naïve, dans lequel exp(n) nombre de paramètres sont optimisés, " explique Choi. " Quand le nombre de paramètres à optimiser devient aussi petit, on peut s'inquiéter que notre circuit ne soit pas capable de tâches complexes de traitement de l'information. Cependant, nous avons démontré que malgré sa petite taille, notre CNN quantique est toujours capable de reconnaître différentes phases quantiques et de concevoir des schémas de correction d'erreur quantique."

Les chercheurs ont évalué la technique qu'ils ont développée, appelé réseau de neurones à convolution quantique (QCNN), sur un problème spécifique à la physique quantique qui impliquait la reconnaissance d'états quantiques associés à une phase topologique protégée par symétrie 1D. Remarquablement, leur technique était capable de reconnaître ces états quantiques, surpassant les approches existantes. Comme il est assez compact, le QCNN pourrait également être implémenté dans de petits ordinateurs quantiques.

"À mon avis, la découverte la plus significative de notre travail est la connexion entre des concepts physiques bien connus, renormalisation (ou plus précisément, ansatz de renormalisation d'intrication multi-échelle), et une technique de traitement de l'information réussie en intelligence artificielle, CNN, " a déclaré Choi. " Des connexions similaires ont déjà été suggérées il y a plusieurs années, mais ici, nous avons réussi à étayer la connexion en la démontrant explicitement avec un exemple propre. »

Choi et ses collègues sont parmi les premiers à créer avec succès une architecture inspirée de CNN qui intègre la physique quantique. Les exemples décrits dans leur article sont également suffisamment simples pour être appliqués expérimentalement aux dispositifs quantiques existants et à venir. Leurs résultats suggèrent que la renormalisation pourrait être une technique prometteuse de traitement de l'information quantique et ils ont donc l'intention d'explorer plus avant cette idée.

"Nous avons démontré que notre méthode permet de concevoir des schémas de correction d'erreurs quantiques adaptés à un système expérimental donné, " a déclaré Choi. " Ce serait très excitant de voir son action dans la sortie des plates-formes d'informatique quantique et d'améliorer leurs performances. "

Dans leurs futurs travaux, Choi et ses collègues essaieront d'abord d'utiliser leurs découvertes pour développer de nouveaux ordinateurs quantiques. En outre, ils aimeraient mener des recherches plus approfondies sur la relation entre les CNN ou d'autres méthodes basées sur les réseaux neuronaux et les techniques de renormalisation.

« Alors que nous avons démontré un bel exemple pour les systèmes quantiques à une dimension, une étude plus approfondie de la connexion dans toute sa généralité fait toujours défaut, " ajouta Choi. " En particulier, étudier la connexion dans les systèmes quantiques bidimensionnels serait une direction future passionnante. »

© 2019 Réseau Science X