De nombreux algorithmes d'apprentissage automatique sur les ordinateurs quantiques souffrent du redoutable "plateau stérile" d'insolvabilité, où ils se heurtent à des impasses sur des problèmes d'optimisation. Ce défi avait été relativement peu étudié jusqu'à maintenant. Des travaux théoriques rigoureux ont établi des théorèmes qui garantissent qu'un algorithme d'apprentissage automatique donné fonctionnera lorsqu'il sera mis à l'échelle sur des ordinateurs plus gros.

"Le travail résout un problème clé d'utilisabilité pour l'apprentissage automatique quantique. Nous avons rigoureusement prouvé les conditions dans lesquelles certaines architectures d'algorithmes quantiques variationnels auront ou non des plateaux stériles au fur et à mesure de leur mise à l'échelle, " a déclaré Marco Cerezo, auteur principal de l'article publié dans Communication Nature aujourd'hui par une équipe du Laboratoire national de Los Alamos. Cerezo est un post-doctorant sur la théorie de l'information quantique à Los Alamos. "Avec nos théorèmes, vous pouvez garantir que l'architecture sera évolutive aux ordinateurs quantiques avec un grand nombre de qubits."

"Habituellement, l'approche a consisté à exécuter une optimisation et à voir si cela fonctionne, et cela entraînait une lassitude des chercheurs sur le terrain, " a déclaré Patrick Coles, un co-auteur de l'étude. L'établissement de théorèmes mathématiques et la dérivation des premiers principes simplifient le développement d'algorithmes.

L'équipe de Los Alamos a utilisé l'approche hybride commune pour les algorithmes quantiques variationnels, entraîner et optimiser les paramètres sur un ordinateur classique et évaluer la fonction de coût de l'algorithme, ou la mesure du succès de l'algorithme, sur un ordinateur quantique.

Les algorithmes d'apprentissage automatique traduisent une tâche d'optimisation, par exemple :trouver l'itinéraire le plus court pour un vendeur itinérant à travers plusieurs villes - dans une fonction de coût, a déclaré le coauteur Lukasz Cincio. C'est une description mathématique d'une fonction qui sera minimisée. La fonction n'atteint sa valeur minimale que si vous résolvez le problème.

La plupart des algorithmes variationnels quantiques lancent leur recherche de manière aléatoire et évaluent la fonction de coût globalement sur chaque qubit, ce qui conduit souvent à un plateau aride.

"Nous avons pu prouver que, si vous choisissez une fonction de coût qui regarde localement chaque qubit individuel, nous garantissons ensuite que la mise à l'échelle n'entraînera pas une courbe de temps incroyablement raide par rapport à la taille du système, et peut donc être formé, " a déclaré Coles.

Un algorithme variationnel quantique met en place un paysage de résolution de problèmes où les pics représentent les points de haute énergie du système, ou problème, et les vallées sont les faibles valeurs énergétiques. La réponse se trouve dans la vallée la plus profonde. C'est l'état fondamental, représenté par la fonction de coût minimisé. Pour trouver la solution, l'algorithme s'entraîne sur le paysage, naviguant ainsi vers le point bas.

« Les gens ont proposé des réseaux de neurones quantiques et les ont comparés en effectuant des simulations à petite échelle de 10 s (ou moins) de quelques qubits, " dit Cerezo. " Le problème, c'est que, vous ne verrez pas le plateau aride avec un petit nombre de qubits, mais lorsque vous essayez de passer à plus de qubits, il semble. Ensuite, l'algorithme doit être retravaillé pour un ordinateur quantique plus grand."

Un plateau stérile est un problème de capacité d'entraînement qui se produit dans les algorithmes d'optimisation de l'apprentissage automatique lorsque l'espace de résolution de problèmes devient plat lorsque l'algorithme est exécuté. Dans cette situation, l'algorithme ne peut pas trouver la pente descendante dans ce qui semble être un paysage sans relief et il n'y a pas de chemin clair vers le minimum d'énergie. Manque d'éléments paysagers, le machine learning ne peut pas s'entraîner à trouver la solution.

« Si vous avez un plateau aride, tout espoir d'accélération quantique ou d'avantage quantique est perdu, " dit Cerezo.

La percée de l'équipe de Los Alamos fait un pas important vers l'avantage quantique, lorsqu'un ordinateur quantique effectue une tâche qui prendrait infiniment de temps sur un ordinateur classique. L'obtention d'un avantage quantique dépend à court terme de la mise à l'échelle des algorithmes quantiques variationnels. Ces algorithmes ont le potentiel de résoudre des problèmes pratiques lorsque des ordinateurs quantiques de 100 qubits ou plus seront disponibles, espérons-le bientôt. Les ordinateurs quantiques atteignent actuellement un maximum de 65 qubits. Un qubit est l'unité d'information de base dans un ordinateur quantique, comme les bits sont dans un ordinateur numérique classique.

"Le sujet le plus brûlant des ordinateurs quantiques bruyants à échelle intermédiaire est les algorithmes quantiques variationnels, ou l'apprentissage automatique quantique et les réseaux de neurones quantiques, " a déclaré Coles. "Ils ont été proposés pour des applications allant de la résolution de la structure d'une molécule en chimie à la simulation de la dynamique des atomes et des molécules et à la factorisation des nombres."