Réseaux neuronaux quantiques : Une façon plus facile d'apprendre les processus quantiques

Cet article a été examiné selon le processus éditorial et les politiques de Science X. Les éditeurs ont mis en évidence les attributs suivants tout en veillant à la crédibilité du contenu:

• fact-checké
• publication avec évaluation par les pairs
• source de confiance
• relecture

par l'Ecole Polytechnique Fédérale de Lausanne

Les scientifiques de l'EPFL démontrent qu'il suffit de quelques exemples simples à un modèle d'apprentissage automatique quantique, les "réseaux neuronaux quantiques", pour apprendre et prédire le comportement des systèmes quantiques. Cela nous rapproche d'une nouvelle ère de l'informatique quantique.

Imaginez un monde où les ordinateurs peuvent dévoiler les mystères de la mécanique quantique, nous permettant d'étudier le comportement de matériaux complexes ou de simuler les dynamiques complexes des molécules avec une précision sans précédent.

Grâce à une étude pionnière dirigée par le professeur Zoe Holmes et son équipe à l'EPFL, nous sommes maintenant plus près de réaliser cette réalité. En collaboration avec des chercheurs du Caltech, de l'Université libre de Berlin et du Laboratoire national de Los Alamos, ils ont trouvé une nouvelle façon d'apprendre à un ordinateur quantique à comprendre et prédire le comportement des systèmes quantiques. La recherche a été publiée dans Nature Communications.

Les chercheurs ont travaillé sur des "réseaux neuronaux quantiques" (RNN), un type de modèle d'apprentissage automatique conçu pour apprendre et traiter des informations en utilisant des principes inspirés de la mécanique quantique afin de reproduire le comportement des systèmes quantiques.

Tout comme les réseaux neuronaux utilisés en intelligence artificielle, les RNN sont composés de nœuds interconnectés, ou "neurones", qui effectuent des calculs. La différence est que, dans les RNN, les neurones fonctionnent selon les principes de la mécanique quantique, ce qui leur permet de manipuler et de gérer des informations quantiques.

"Normalement, lorsque nous apprenons quelque chose à un ordinateur, nous avons besoin de nombreux exemples", explique Holmes. "Mais dans cette étude, nous montrons qu'avec quelques exemples simples appelés 'états produits', l'ordinateur peut apprendre comment un système quantique se comporte même lorsqu'il s'agit d'états intriqués, qui sont plus complexes et difficiles à comprendre."

Les "états produits" utilisés par les scientifiques font référence à un concept de la mécanique quantique qui décrit le type spécifique d'état pour un système quantique. Par exemple, si un système quantique est composé de deux électrons, son état produit est formé lorsque l'état de chaque électron individuel est considéré indépendamment, puis combiné.

Les états produits sont souvent utilisés comme point de départ dans les calculs et les mesures quantiques, car ils fournissent un cadre plus simple et plus gérable pour étudier et comprendre le comportement des systèmes quantiques, avant de passer à des états plus complexes et intriqués, où les particules sont corrélées et ne peuvent pas être décrites de manière indépendante.

Les chercheurs ont démontré qu'en formant des RNN à l'aide de seulement quelques-uns de ces exemples simples, les ordinateurs peuvent efficacement comprendre la dynamique complexe des systèmes quantiques intriqués.

Holmes explique : "Cela signifie que [nous] pourrions être en mesure d'apprendre et de comprendre les systèmes quantiques à l'aide d'ordinateurs plus petits et plus simples, comme les ordinateurs à l'échelle intermédiaire [NISQ] que nous sommes susceptibles d'avoir dans les années à venir, au lieu d'avoir besoin d'ordinateurs grands et complexes, qui pourraient prendre des décennies."

Ce travail ouvre également de nouvelles possibilités d'utilisation des ordinateurs quantiques pour résoudre des problèmes importants, comme l'étude de nouveaux matériaux complexes ou la simulation du comportement des molécules.

Enfin, cette méthode améliore les performances des ordinateurs quantiques en permettant la création de programmes plus courts et plus résistants aux erreurs. En apprenant le comportement des systèmes quantiques, nous pouvons rationaliser la programmation des ordinateurs quantiques, ce qui entraîne une meilleure efficacité et fiabilité. "Nous pouvons améliorer encore les ordinateurs quantiques en