Les scientifiques de Skoltech ont montré que l'apprentissage automatique amélioré quantique peut être utilisé sur des données quantiques (par opposition aux données classiques), surmonter un ralentissement important commun à ces applications et ouvrir un « terrain fertile pour développer des connaissances informatiques sur les systèmes quantiques ». L'article a été publié dans la revue Examen physique A .

Les ordinateurs quantiques utilisent des effets de mécanique quantique pour stocker et manipuler des informations. Alors que les effets quantiques sont souvent prétendus contre-intuitifs, de tels effets permettront aux calculs quantiques améliorés de surpasser considérablement les meilleurs supercalculateurs. En 2019, le monde a vu un prototype de cela démontré par Google comme une supériorité informatique quantique.

Des algorithmes quantiques ont été développés pour améliorer une gamme de différentes tâches de calcul; plus récemment, cela s'est élargi pour inclure l'apprentissage automatique amélioré quantique. L'apprentissage automatique quantique a été en partie mis au point par le laboratoire résident de Skoltech pour le traitement de l'information quantique, dirigé par Jacob Biamonte, un coathor de ce papier. "Les techniques d'apprentissage automatique sont devenues des outils puissants pour trouver des modèles dans les données. Les systèmes quantiques produisent des modèles atypiques que les systèmes classiques ne sont pas censés produire efficacement, il n'est donc pas surprenant que les ordinateurs quantiques puissent surpasser les ordinateurs classiques sur les tâches d'apprentissage automatique, " il dit.

L'approche standard de l'apprentissage automatique amélioré quantique a consisté à appliquer des algorithmes quantiques aux données classiques. En d'autres termes, les données classiques (représentées par des chaînes de bits de 1 et de 0) doivent être stockées ou autrement représentées par un processeur quantique avant que les effets quantiques puissent être utilisés. C'est ce qu'on appelle le problème de lecture des données. La lecture des données sert à limiter l'accélération possible à l'aide d'algorithmes d'apprentissage automatique améliorés quantiques.

Une équipe de chercheurs de Skoltech a fusionné l'apprentissage automatique amélioré quantique avec la simulation améliorée quantique, appliquant leur approche pour étudier les transitions de phase dans les problèmes magnétiques quantiques à N corps. Ce faisant, ils entraînent des réseaux de neurones quantiques en utilisant uniquement des états quantiques comme données. En d'autres termes, les auteurs contournent le problème de lecture des données en se nourrissant d'états de mécanique quantique de la matière. De tels états semblent généralement nécessiter une quantité impossible de mémoire pour être représentés à l'aide d'approches standard (non quantiques).

L'auteur principal de l'étude, Le doctorant de Skoltech, Alexey Uvarov, décrit l'étude comme "une étape vers la compréhension de la puissance des dispositifs quantiques pour l'apprentissage automatique". Les chercheurs ont fusionné un assortiment de techniques, qui comprenait l'application de certaines idées des réseaux de tenseurs et de la théorie de l'intrication dans l'analyse de leur approche.

Le travail utilise un sous-programme connu sous le nom de solutionneur propre quantique variationnel (VQE) - un algorithme qui trouve de manière itérative une approximation de l'état fondamental d'un hamiltonien quantique donné. La sortie de ce sous-programme est un ensemble d'instructions pour préparer un état quantique sur un ordinateur quantique.

Écrire l'état explicitement, bien que, nécessite généralement une quantité exponentielle de mémoire, par conséquent, les propriétés d'un tel état sont mieux examinées en le préparant dans le matériel. L'algorithme d'apprentissage de l'article traite le problème suivant :étant donné un état VQE résolvant le problème de l'état fondamental pour un modèle de spin quantique, découvrir à laquelle des deux phases de la matière cet état appartient.

"Alors que nous avons concentré nos approches sur les problèmes de la physique de la matière condensée, ces algorithmes quantiques améliorés s'appliquent également aux défis rencontrés dans la science des matériaux et la découverte de médicaments, " note Biamonte.