L'informatique quantique promet d'améliorer notre capacité à effectuer certaines tâches de calcul critiques à l'avenir. L'apprentissage automatique change la façon dont nous utilisons les ordinateurs dans notre vie quotidienne actuelle et dans le domaine scientifique. Il est naturel de rechercher des connexions entre ces deux approches émergentes de l'informatique, dans l'espoir d'en récolter de multiples bénéfices. La recherche des liens de connexion vient de démarrer, mais nous voyons déjà beaucoup de potentiel dans cette nature sauvage, territoire inexploré. Nous présentons ici deux nouveaux articles de recherche :"Mesure précise des observables quantiques avec des estimateurs de réseaux de neurones, " publié dans Physical Review Research, et "États de réseau de neurones fermioniques pour la structure électronique ab-initio, " Publié dans Communication Nature .

Apprivoiser la fonction d'onde

Aujourd'hui, la prédiction des propriétés de la structure électronique des molécules et des matériaux est considérée comme l'un des chemins les plus courts vers l'avantage quantique.

Simuler la mécanique quantique, d'autre part, est une toute nouvelle application pour l'outil le plus pointu de l'apprentissage automatique :les réseaux de neurones. Ce n'est que ces dernières années que les réseaux de neurones ont été utilisés pour classer les phases de la matière quantique ou en tant qu'ansatz variationnel pour interagir avec de nombreux systèmes corporels.

Représenter les fonctions d'onde quantique est quelque chose que les ordinateurs quantiques et les réseaux de neurones s'efforcent de faire. Ce terrain d'entente peut être utilisé comme point de départ pour l'exploration des connexions possibles. Chaque approche a ses avantages, et ses points faibles.

L'importance d'être précis

Le solveur quantique variationnel (VQE), avec d'autres algorithmes de faible profondeur pour la structure électronique, exploite le stockage et la manipulation d'états quantiques pour récupérer les propriétés d'état fondamental et excité des systèmes quantiques d'intérêt. Pour faire ça, pour le cas des systèmes moléculaires, nous devons mesurer la valeur attendue des opérateurs hamiltoniens, qui représentent les énergies moléculaires. Nous devons également le faire très précisément :une mesure avec de fortes fluctuations aléatoires rendrait l'ensemble de l'algorithme quantique inutilisable à des fins pratiques. Comme il s'avère, les ordinateurs quantiques ne sont pas très bons à cette tâche. Plus précisement, le nombre de mesures pour atteindre une précision suffisante pour des applications qui montreraient un avantage quantique est prohibitif pour la technologie actuelle.

Dans PRR "Mesure précise des observables quantiques avec des estimateurs de réseau de neurones, " une collaboration avec deux chercheurs du Flatiron Institute, Giacomo Torlai et Giuseppe Carleo, nous avons utilisé des techniques de réseau de neurones sur l'informatique quantique pour des simulations chimiques plus précises. La technique est basée sur l'apprentissage d'un réseau de neurones, avec des données de mesure recueillies sur un ordinateur quantique. Une fois formé, le réseau de neurones code une représentation partielle de l'état quantique, ce qui est assez bon pour récupérer les énergies moléculaires avec une extrême précision.

Un ordinateur quantique, intégré à notre nouvel estimateur de réseau de neurones, combine les avantages des deux approches.

Un ordinateur quantique, intégré à notre nouvel estimateur de réseau de neurones, combine les avantages des deux approches. Pendant l'exécution d'un circuit quantique de choix, nous exploitons la puissance des ordinateurs quantiques pour interférer des états dans un espace de Hilbert en croissance exponentielle. Une fois que le processus d'interférence quantique a suivi son cours, on obtient un ensemble fini de mesures. Ensuite, un outil classique - le réseau de neurones - peut utiliser cette quantité limitée de données pour représenter encore efficacement des informations partielles d'un état quantique, comme son énergie simulée.

Cette transmission de données d'un processeur quantique à un réseau classique nous laisse avec la grande question :

Quelle est la capacité des réseaux de neurones à capturer les corrélations quantiques d'un ensemble de données de mesure fini, généré des fonctions d'onde moléculaire d'échantillonnage ?

Boîte à outils d'informatique quantique pour les informaticiens

Pour répondre à cette question, nous avons dû réfléchir à la façon dont le réseau de neurones pourrait émuler la matière fermionique. Les réseaux de neurones avaient été utilisés jusqu'à présent pour la simulation de problèmes de réseau de spin et d'espace continu. Résoudre des modèles fermioniques avec un réseau de neurones est resté une tâche insaisissable. Pour trouver un moyen de contourner cela, nous avons étudié la façon dont les molécules sont simulées sur les ordinateurs quantiques.

Nous avons utilisé des codages de degrés de liberté fermioniques en degrés qubits, qui sont les mêmes encodages utilisés lors de la réalisation de simulations moléculaires sur ordinateurs quantiques, comme dans les algorithmes variationnels. Avec ces mappages, disponible sur Qiskit Aqua, nous avons défini des états de réseau de neurones fermioniques. Nous les avons testés sur un ordinateur classique, contre les états fondamentaux moléculaires, qui sont des objets quantiques d'intérêt pratique pour les calculs quantiques et classiques.

Dans l'article de Nature Communications de mai, 2020, écrit avec Kenny Choo (Université de Zurich) et Giuseppe Carleo (Flatiron Institute), nous avons montré que les réseaux de neurones peu profonds tels que les machines de Boltzmann restreintes peuvent capturer les énergies de l'état fondamental de petits systèmes moléculaires, en utilisant des techniques de Monte Carlo variationnelles.

Les résultats de ces travaux ont un impact à la fois sur l'informatique quantique et classique. En réalité, d'un côté, nos travaux suggèrent que nous pouvons entraîner en toute sécurité des réseaux de neurones sur des données quantiques provenant de systèmes moléculaires. D'autre part, nous avons montré que les outils de calcul quantique, tels que les encodages de fermion à qubit, peut être utilisé dans le contexte des techniques de calcul classiques.

Ces liens renforceront encore les interactions mutuelles entre les communautés de la science informatique classique et de l'informatique quantique. Pour l'informatique quantique, cela peut signifier que les futures applications dans l'espace de simulation quantique bénéficieront de plus en plus du traitement des données quantiques par des techniques d'apprentissage automatique. Pour la physique et la chimie computationnelles, il est temps de commencer à regarder ce que l'on peut apprendre des algorithmes d'informatique quantique.