Un moyen plus simple d'apprendre les processus quantiques

Imaginez un monde où les ordinateurs seraient capables de percer les mystères de la mécanique quantique et nous permettraient d’étudier le comportement de matériaux complexes ou de simuler la dynamique nébuleuse de certaines molécules avec une précision sans précédent.

Grâce à une étude pionnière dirigée par la professeure Zoe Holmes et son équipe à l’EPFL, nous sommes à deux doigts de voir cet espoir se réaliser. En collaboration avec des équipes de recherche de Caltech, de l’Université libre de Berlin et du Los Alamos National Lab, ils ont trouvé un nouveau moyen d’apprendre à un ordinateur quantique à comprendre et à prédire le comportement de systèmes quantiques, même avec quelques exemples simples.

Réseaux neuronaux quantiques (QNN)

L’équipe de Zoe Holmes a travaillé sur les « réseaux neuronaux quantiques » (QNN), un modèle d’apprentissage machine conçu pour apprendre et traiter des informations en utilisant des principes inspirés de la mécanique quantique dans le but d’imiter le comportement des systèmes quantiques.

Tout comme les réseaux neuronaux utilisés dans l’intelligence artificielle, les QNN sont constitués de nœuds interconnectés – ou « neurones » – qui effectuent des calculs. La différence réside dans le fait que dans les QNN, les neurones opèrent selon les principes de la mécanique quantique, ce qui leur permet de traiter et de manipuler des informations quantiques.

« Normalement, lorsque nous apprenons quelque chose à un ordinateur, nous devons lui fournir énormément d’exemples », déclare Zoe Holmes. « Mais dans cette étude, nous montrons qu’avec juste quelques exemples simples appelés « états de produit », l’ordinateur est capable de comprendre le fonctionnement d’un système quantique, même quand il est confronté à des états intriqués, plus compliqués et difficiles à percer. »

États de produit

Les « états de produit » utilisés par les scientifiques se réfèrent à un concept de mécanique quantique qui décrit le type d’état spécifique pour un système quantique. Ainsi, si un système quantique est composé de deux électrons, son état de produit est formé si l’état de chaque électron est considéré individuellement, puis combiné.

Les états de produit sont souvent utilisés comme un point de départ dans les calculs et mesures quantiques, parce qu’ils fournissent un cadre plus simple et plus facile à gérer pour étudier et comprendre le comportement de systèmes quantiques avant de passer à des états plus complexes et intriqués où les particules sont corrélées et ne peuvent pas être décrites individuellement.

Des ordinateurs quantiques plus performants à l’horizon

Les chercheurs ont montré qu’en formant les QNN en utilisant seulement ces exemples simples, les ordinateurs sont capables de saisir la dynamique complexe de systèmes quantiques intriqués.

Zoe Holmes explique : « Cela signifie qu’il pourrait être possible d’étudier et de comprendre des systèmes quantiques en utilisant des ordinateurs plus petits et plus simples, tels que les ordinateurs NISQ (« near-term intermediary scale »), dont nous devrions pouvoir disposer dans les années qui viennent, sans avoir besoin de grands ordinateurs complexes, qui pourraient encore se faire attendre quelques décennies. »

Nos travaux ouvrent aussi de nouvelles opportunités pour l’emploi d’ordinateurs quantiques dans la résolution de problèmes importants, comme l’étude de nouveaux matériaux complexes ou la simulation du comportement de certaines molécules.

Enfin, cette méthode améliore les performances des ordinateurs quantiques en permettant la création de programmes plus courts et plus résistants aux erreurs. Une meilleure compréhension du comportement des systèmes quantiques nous permettra d’optimiser la programmation des ordinateurs quantiques, ce qui se traduira par un gain d’efficacité et de fiabilité. « Nous pouvons améliorer encore les ordinateurs quantiques en raccourcissant leurs programmes et en les rendant plus résistants aux erreurs », ajoute Zoe Holmes.