Il y a eu beaucoup de buzz sur les ordinateurs quantiques et pour une bonne raison. Les ordinateurs futuristes sont conçus pour imiter ce qui se passe dans la nature à des échelles microscopiques, ce qui signifie qu'ils ont le pouvoir de mieux comprendre le domaine quantique et d'accélérer la découverte de nouveaux matériaux, notamment des produits pharmaceutiques, des produits chimiques respectueux de l'environnement, etc. Cependant, les experts disent que les ordinateurs quantiques viables sont encore à une décennie ou plus. Que doivent faire les chercheurs en attendant ?

Une nouvelle étude dirigée par Caltech dans la revue Science décrit comment les outils d'apprentissage automatique, exécutés sur des ordinateurs classiques, peuvent être utilisés pour faire des prédictions sur les systèmes quantiques et ainsi aider les chercheurs à résoudre certains des problèmes de physique et de chimie les plus délicats. Bien que cette notion ait déjà été démontrée expérimentalement, le nouveau rapport est le premier à prouver mathématiquement que la méthode fonctionne.

"Les ordinateurs quantiques sont idéaux pour de nombreux types de problèmes de physique et de science des matériaux", déclare l'auteur principal Hsin-Yuan (Robert) Huang, un étudiant diplômé travaillant avec John Preskill, le professeur Richard P. Feynman de physique théorique et l'Allen V. C. Davis and Lenabelle Davis Chaire de leadership de l'Institut des sciences et technologies quantiques (IQIM). "Mais nous n'en sommes pas encore là et nous avons été surpris d'apprendre que les méthodes classiques d'apprentissage automatique peuvent être utilisées entre-temps. En fin de compte, cet article vise à montrer ce que les humains peuvent apprendre sur le monde physique."

Aux niveaux microscopiques, le monde physique devient un endroit incroyablement complexe régi par les lois de la physique quantique. Dans ce domaine, les particules peuvent exister dans une superposition d'états, ou dans deux états à la fois. Et une superposition d'états peut conduire à l'intrication, un phénomène dans lequel les particules sont liées, ou corrélées, sans même être en contact les unes avec les autres. Ces états et connexions étranges, répandus dans les matériaux naturels et fabriqués par l'homme, sont très difficiles à décrire mathématiquement.

"Prédire l'état de basse énergie d'un matériau est très difficile", explique Huang. "Il y a un grand nombre d'atomes, et ils sont superposés et enchevêtrés. Vous ne pouvez pas écrire une équation pour tout décrire."

La nouvelle étude est la première démonstration mathématique que l'apprentissage automatique classique peut être utilisé pour combler le fossé entre nous et le monde quantique. L'apprentissage automatique est un type d'application informatique qui imite le cerveau humain pour apprendre à partir de données.

"Nous sommes des êtres classiques vivant dans un monde quantique", déclare Preskill. "Nos cerveaux et nos ordinateurs sont classiques, ce qui limite notre capacité à interagir avec la réalité quantique et à la comprendre."

Alors que des études antérieures ont montré que les applications d'apprentissage automatique ont la capacité de résoudre certains problèmes quantiques, ces méthodes fonctionnent généralement d'une manière qui rend difficile pour les chercheurs d'apprendre comment les machines sont arrivées à leurs solutions.

"Normalement, lorsqu'il s'agit d'apprentissage automatique, vous ne savez pas comment la machine a résolu le problème. C'est une boîte noire", explique Huang. "Mais maintenant, nous avons essentiellement compris ce qui se passe dans la boîte grâce à nos simulations numériques." Huang et ses collègues ont effectué des simulations numériques approfondies en collaboration avec le AWS Center for Quantum Computing de Caltech, ce qui a corroboré leurs résultats théoriques.

La nouvelle étude aidera les scientifiques à mieux comprendre et classer les phases complexes et exotiques de la matière quantique.

"Le souci était que les personnes créant de nouveaux états quantiques en laboratoire pourraient ne pas être en mesure de les comprendre", explique Preskill. "Mais maintenant, nous pouvons obtenir des données classiques raisonnables pour expliquer ce qui se passe. Les machines classiques ne se contentent pas de nous donner une réponse comme un oracle, mais nous guident vers une compréhension plus profonde."

Le co-auteur Victor V. Albert, physicien du NIST (National Institute of Standards and Technology) et ancien boursier postdoctoral du prix DuBridge à Caltech, est d'accord. "Ce qui me passionne le plus dans ce travail, c'est que nous nous rapprochons désormais d'un outil qui vous aide à comprendre la phase sous-jacente d'un état quantique sans vous obliger à en savoir beaucoup sur cet état à l'avance."

En fin de compte, bien sûr, les futurs outils d'apprentissage automatique basés sur le quantique surpasseront les méthodes classiques, selon les scientifiques. Dans une étude connexe parue le 10 juin 2022 dans Science , Huang, Preskill et leurs collaborateurs déclarent avoir utilisé le processeur Sycamore de Google, un ordinateur quantique rudimentaire, pour démontrer que l'apprentissage automatique quantique est supérieur aux approches classiques.

"Nous n'en sommes encore qu'au tout début de ce domaine", déclare Huang. "Mais nous savons que l'apprentissage automatique quantique sera finalement le plus efficace."

La Science L'étude s'intitule "Apprentissage automatique efficace pour les problèmes quantiques à plusieurs corps". + Explorer plus loin

La théorie suggère que les ordinateurs quantiques devraient être exponentiellement plus rapides sur certaines tâches d'apprentissage que les machines classiques