Certaines tâches en apprentissage automatique, comme la classification d'images, pourraient être exécutées plus efficacement sur du matériel quantique que sur des systèmes classiques

Selon des chercheurs

Certaines tâches en apprentissage automatique, comme la classification d'images, pourraient être exécutées plus efficacement sur du matériel quantique que sur des systèmes classiques
selon des chercheurs

L'informatique quantique est encore à ses balbutiements. Malgré le battage médiatique intense, de nombreux défis restent à relever et les applications pratiques peinent à émerger. Mais des chercheurs suggèrent que l'informatique quantique pourrait accélérer les progrès de l'IA, en dépit des limitations actuelles du matériel quantique. Selon eux, certaines opérations mathématiques fondamentales de l'IA pourraient être exécutées plus efficacement sur du matériel quantique que sur des systèmes classiques, comme les tâches de classification d'images. En outre, le matériel quantique pourrait potentiellement permettre d'améliorer l'efficacité énergétique de l'IA.

L'informatique quantique est annoncée comme l'une des prochaines grandes révolutions de l'industrie technologique. Et les ordinateurs quantiques sont présentés comme une solution à un large éventail de problèmes, tels que la modélisation financière, l'optimisation de la logistique et l'accélération de l'apprentissage automatique. Des entreprises telles que Microsoft, IBM, Alphabet, etc. déploient des efforts considérables pour voir émerger cette technologie.

Bien que le matériel quantique actuel soit trop sujet aux erreurs pour les modèles d'IA les plus élaborés actuellement utilisés, des chercheurs estiment que le matériel quantique se prête mieux que le matériel traditionnel à certaines des opérations mathématiques fondamentales qui sous-tendent l'IA. Les chercheurs commencent à mettre en place les éléments nécessaires pour faire fonctionner les modèles d'IA lorsque le matériel quantique sera prêt.

Une équipe de chercheurs de Honda Research Institute et de la société de logiciels quantiques BlueQubit ont publié un projet d'article (via Ars Technica) décrivant comment introduire des données d'images classiques dans un processeur quantique et effectuer une classification d'images d'IA de base.

Pourquoi l'IA et le quantique pourraient bien s'accorder

Tout comme il existe de nombreuses techniques d'apprentissage automatique, il existe de nombreuses façons d'utiliser potentiellement l'informatique quantique pour exécuter certains aspects d'un algorithme d'IA. Certaines sont simplement des questions mathématiques ; certaines formes d'apprentissage automatique nécessitent, par exemple, de nombreuses opérations matricielles, qui peuvent être effectuées efficacement sur du matériel quantique.


Mais il y a aussi des façons dont le matériel quantique peut être une bonne solution pour l'IA. L'un des défis de l'exécution de l'IA sur les systèmes classiques est que le traitement et la mémoire sont séparés. Ainsi, pour faire fonctionner un réseau neuronal, il faut faire des allers-retours répétés dans la mémoire pour savoir vers quelle destination les signaux d'un neurone artificiel doivent être envoyés et quel poids il faut attribuer à chaque signal.

Cela crée un goulot d'étranglement important. En revanche, bien que les ordinateurs quantiques puissent inclure une mémoire quantique, les données sont généralement hébergées dans les qubits, tandis que le calcul implique d'effectuer des opérations, appelées portes, directement sur les qubits eux-mêmes.

En effet, il a été démontré que, pour l'apprentissage automatique supervisé, où un système peut apprendre à classer des éléments après s'être entraîné sur des données préclassées, un système quantique peut être plus performant que les systèmes classiques, même lorsque les données traitées sont hébergées sur du matériel classique. Cette forme d'apprentissage automatique repose sur ce que l'on appelle « les circuits quantiques variationnels ».

Il s'agit d'une opération de porte à deux qubits qui prend un facteur supplémentaire qui peut être détenu du côté classique du matériel et transmis aux qubits via les signaux de contrôle qui déclenchent l'opération de porte. On peut considérer que cette opération est analogue aux communications impliquées dans un réseau neuronal, l'opération de porte à deux qubits équivalant à la transmission d'informations entre deux neurones artificiels et le facteur étant analogue au poids donné au signal.

Des démonstrations expérimentales prometteuses

Les nouveaux travaux de Honda Research Institute et BlueQubit portaient principalement sur la manière d'introduire les données d'un ordinateur classique dans un système quantique en vue de leur caractérisation. Mais les chercheurs ont fini par tester les résultats sur deux processeurs quantiques différents. Le problème qu'ils ont testé est celui de la classification d'images. La matière première provenait de l'ensemble de données Honda Scenes.

Il contient des images prises au cours d'environ 80 heures de conduite en Californie du Nord ; les images sont étiquetées avec des informations sur ce qui se trouve dans la scène. La question que les chercheurs voulaient que l'apprentissage automatique traite est simple : y a-t-il de la neige dans la scène ?

Toutes les images de l'ensemble de données Honda Scenes étaient stockées sur du matériel classique, bien entendu. Pour classer une image sur du matériel quantique, il fallait la convertir en informations quantiques pour la traiter. L'équipe a essayé trois méthodes de codage des données, qui différaient par la manière dont les pixels des images étaient découpés et par le nombre de qubits auxquels les tranches résultantes étaient envoyées.

Ils ont utilisé un simulateur classique d'un processeur quantique pour effectuer les étapes d'entraînement, qui ont permis d'identifier les nombres appropriés à utiliser pendant les opérations de la porte à deux qubits. Ils ont ensuite fait fonctionner le matériel sur deux processeurs quantiques différents.

Le premier processeur quantique, fabriqué par IBM, possède un nombre élevé de qubits (156 qubits), mais un taux d'erreur légèrement plus élevé lors des opérations sur les portes. Le second processeur quantique, de Quantinuum, se distingue par un taux d'erreur très faible lors des opérations, mais il ne possède que 56 qubits. En général, la précision de la classification augmente à mesure que les chercheurs utilisent plus de qubits ou plus de portes.

Dans l'ensemble, cependant, le système a fonctionné ; les taux de précision étaient bien supérieurs à ce que l'on pourrait attendre d'un hasard. En même temps, elles étaient généralement inférieures à celles que l'on obtiendrait avec un algorithme standard exécuté sur du matériel classique.

Nous n'en sommes pas encore au point où le matériel quantique existant dispose à la fois de suffisamment de qubits et d'un taux d'erreur suffisamment bas pour être compétitif par rapport au matériel classique. Néanmoins, les travaux ont clairement montré que le matériel quantique existant est capable d'exécuter les types d'algorithmes d'IA que les gens attendent. Les chercheurs espèrent des améliorations rapides au niveau du matériel quantique.

Défis et perspectives

Les chercheurs ont utilisé des processeurs quantiques pour effectuer des tâches d'analyse d'images, démontrant ainsi qu'il est possible d'utiliser l'informatique quantique dans des applications d'IA. Le matériel quantique existant n'est pas aussi fiable que les ordinateurs classiques. Cependant, leur expérience suggère que, malgré les limitations actuelles du matériel quantique, il est possible d'envisager des applications pratiques dans un avenir proche. ​

Bien que prometteuse, l'utilisation de l'informatique quantique dans des applications d'IA fait face à des défis majeurs, notamment la correction d'erreurs, la stabilité des qubits et la nécessité de développer des algorithmes adaptés au matériel quantique. Les avancées récentes en matière d'informatique quantique indiquent que ces obstacles pourraient être surmontés, ouvrant la voie à des applications innovantes dans divers domaines.

Par ailleurs, l'informatique quantique est toujours en proie à un battage médiatique intense. De nombreux experts affirment que la technologie est loin d'être mature et que les attentes à son égard sont exagérées. Ils invitent les entreprises à faire preuve de prudence dans le cadre de leurs déclarations.

Et vous ?

Quel est votre avis sur le sujet ?
Que pensez-vous de l'utilisation de l'informatique dans les applications de l'IA ?

Voir aussi

Un ordinateur quantique génère pour la première fois un nombre véritablement aléatoire, les implications sont considérables et touchent entre autres le domaine de la cryptographie

L'informatique quantique est confrontée à une réalité dure et froide : les experts affirment que le battage médiatique est omniprésent et que les applications pratiques sont encore loin

Google annonce que les applications commerciales de l'informatique quantique arriveront d'ici à 5 ans, tandis que le PDG de Nvidia ne s'attend pas à des applications pratiques avant 20 ans