Des chercheurs de la FSU améliorent les algorithmes d'apprentissage des machines quantiques
Les recherches menées par des professeurs de la Florida State University pourraient aider l'informatique quantique à tenir ses promesses en tant qu'outil informatique puissant.
William Oates, professeur d'ingénierie mécanique de Cummins Inc. professeur d'ingénierie mécanique et président du département d'ingénierie mécanique de la FAMU-FSU College of Engineering, et Guangyi Xu, étudiant diplômé, ont trouvé un moyen de déduire automatiquement les paramètres utilisés dans un important algorithme de machine quantique de Boltzmann pour l'apprentissage automatique.
Leurs résultats ont été publiés dans des rapports scientifiques, particulièrement dans Nature.
Ces travaux pourraient contribuer à la création de réseaux neuronaux artificiels qui pourraient être utilisés pour entraîner les ordinateurs à résoudre des problèmes complexes et interdépendants tels que la reconnaissance des formes, la découverte de médicaments et la création de nouveaux matériaux.
"On pense que l'informatique quantique, à mesure qu'elle est mise en ligne et que sa puissance de calcul augmente, peut vous fournir certains nouveaux outils, mais trouver comment la programmer et l'appliquer à certaines applications est une grande question," a déclaré M. Oates.
Les bits quantiques, contrairement aux bits binaires d'un ordinateur standard, peuvent exister dans plusieurs états en même temps, un concept connu sous le nom de superposition. La mesure de l'état d'un bit quantique - ou qubit - lui fait perdre cet état particulier. Les ordinateurs quantiques fonctionnent donc en calculant la probabilité de l'état d'un qubit avant qu'il ne soit observé.
Les ordinateurs quantiques spécialisés, connus sous le nom de recycleurs quantiques, sont un outil permettant d'effectuer ce type de calcul. Ils fonctionnent en représentant chaque état du qubit comme un niveau d'énergie. L'état d'énergie le plus bas parmi ses qubits donne une solution au problème. Le résultat est une machine capable de traiter des systèmes complexes et interconnectés, ce qui prendrait beaucoup de temps à un ordinateur normal, par exemple pour construire un réseau neuronal.
L'une des façons de construire des réseaux neuronaux est d'utiliser une machine de Boltzmann sous contrainte, un algorithme qui utilise l'apprentissage par probabilité en fonction des entrées données au réseau. Oates et Xu ont trouvé un moyen de calculer automatiquement un paramètre important lié à la température effective utilisée dans cet algorithme. Les machines de Boltzmann limitées ont tendance à deviner ce paramètre, ce qui nécessite des tests pour le confirmer et peut changer chaque fois que l'on demande à l'ordinateur d'étudier un nouveau problème.
"Ce paramètre du modèle reproduit ce que fait le recuit quantique," a déclaré M. Oates. "Si vous pouvez l'estimer avec précision, vous pouvez former plus efficacement votre réseau neuronal et l'utiliser pour prédire des choses."
Cette recherche a été soutenue par Cummins Inc. et a utilisé les ressources de l'Oak Ridge Leadership Computing Facility, qui est le DOE Office of Science User Facility.