Intelligence quantique artificielle
L’informatique quantique et l’intelligence artificielle sont deux technologies transformatrices, et l’intelligence artificielle aura probablement besoin de l’informatique quantique pour réaliser des progrès significatifs.
Bien que l'intelligence artificielle produise des applications fonctionnelles sur les ordinateurs classiques, elle est limitée par leurs capacités de calcul. L'informatique quantique peut considérablement améliorer la puissance de calcul de l'intelligence artificielle, lui permettant ainsi de s'attaquer à des problèmes plus complexes et de développer une intelligence artificielle générale (IAG) .
Qu'est-ce que l'IA quantique ?
L'intelligence artificielle quantique utilise l'informatique quantique pour exécuter des algorithmes d'apprentissage automatique. Grâce aux avantages de l'informatique quantique en termes de puissance de calcul, l'intelligence artificielle quantique peut atteindre des résultats inaccessibles aux ordinateurs classiques.
Qu'est-ce que l'informatique quantique ?
La mécanique quantique est un modèle universel fondé sur des principes différents de ceux observés dans la vie quotidienne. Un modèle quantique des données est nécessaire au traitement des données par l'informatique quantique. Des modèles hybrides quantiques-classiques sont également indispensables à l'informatique quantique, notamment pour la correction d'erreurs et le bon fonctionnement de l'ordinateur quantique.
- Données quantiques : Les données quantiques sont des paquets de données stockés dans des qubits pour le calcul. Cependant, l’observation et le stockage de ces données sont complexes en raison de leurs propriétés intrinsèques, la superposition et l’intrication . De plus, les données quantiques sont bruitées ; il est donc nécessaire d’appliquer l’apprentissage automatique pour les analyser et les interpréter correctement.
- Modèles hybrides quantiques-classiques : Il est tout à fait possible d’obtenir des données dénuées de sens uniquement en utilisant des processeurs quantiques pour générer des données quantiques. C’est pourquoi un modèle hybride émerge, s’appuyant sur des mécanismes de traitement de données rapides tels que les CPU et les GPU, largement utilisés dans les ordinateurs classiques.
- Algorithmes quantiques : Un algorithme est une séquence d’étapes permettant de résoudre un problème. Pour exécuter ces étapes sur un dispositif, il est nécessaire d’utiliser les jeux d’instructions pris en charge par ce dispositif. L’informatique quantique introduit des jeux d’instructions basés sur un modèle d’exécution fondamentalement différent de celui de l’informatique classique. L’objectif des algorithmes quantiques est d’exploiter les effets quantiques tels que la superposition et l’intrication pour obtenir des solutions plus rapidement.
Pour en savoir plus, n'hésitez pas à consulter notre article détaillé sur l'informatique quantique .
Pourquoi est-ce important ?
Bien que l'IA ait progressé rapidement au cours de la dernière décennie, elle n'a pas encore surmonté ses limitations technologiques. Grâce aux propriétés uniques de l'informatique quantique, les obstacles à l'avènement de l'IA générale (IAG) peuvent être levés. L'informatique quantique peut être utilisée pour l'entraînement rapide des modèles d'apprentissage automatique et pour la création d'algorithmes optimisés.
Une IA optimisée et stable, rendue possible par l'informatique quantique, peut accomplir des années d'analyse en un temps réduit, propulsant ainsi la technologie. Les modèles cognitifs neuromorphiques, l'apprentissage automatique adaptatif et le raisonnement en situation d'incertitude figurent parmi les défis fondamentaux de l'IA actuelle. L'IA quantique est l'une des solutions les plus prometteuses pour l'IA de demain.
Percées dans l'IA quantique
L'apprentissage automatique quantique se rapproche de la praticabilité
Des chercheurs du CSIRO et de l'Université de Melbourne ont découvert que l'apprentissage automatique quantique ne nécessite pas une correction d'erreurs complète. Une correction d'erreurs partielle suffit pour les applications quantiques. Cette approche réduit considérablement les besoins matériels, permettant ainsi à l'apprentissage automatique quantique d'alimenter des applications concrètes dans un avenir proche, et non dans plusieurs décennies. 1
IonQ atteint un avantage quantique concret pour l'IA
IonQ et Ansys ont exécuté une simulation de dispositif médical sur l'ordinateur 36 qubits d'IonQ, qui a surpassé de 12 % le calcul haute performance classique. 2
Quantum + NVIDIA Partenariat pour l'IA quantique générative
Quantinuum s'est associé à NVIDIA pour accélérer l'intégration de l'informatique quantique et de l'IA générative via NVQLink. Parmi les premiers utilisateurs figurent Amgen (qui explore l'apprentissage hybride quantique-machine pour les produits biologiques) et BMW (recherche sur les piles à combustible). 3
Comment fonctionne l'IA quantique ?
TensorFlow Quantum (TFQ), une bibliothèque open source d'apprentissage automatique quantique développée par Google, est un exemple de suite d'outils combinant modélisation quantique et techniques d'apprentissage automatique. TFQ vise à fournir les outils nécessaires au contrôle et à la modélisation de systèmes quantiques naturels ou artificiels.
Voici comment ça fonctionne :
- Convertir des données quantiques en un jeu de données quantiques : les données quantiques peuvent être représentées sous forme de tableau multidimensionnel de nombres, appelés tenseurs quantiques. TensorFlow traite ces tenseurs afin de créer un jeu de données pour une utilisation ultérieure.
- Choix des modèles de réseaux neuronaux quantiques : En fonction de la structure des données quantiques, des modèles de réseaux neuronaux quantiques sont sélectionnés. L’objectif est d’effectuer un traitement quantique afin d’extraire des informations cachées dans un état intriqué.
- Échantillonnage ou moyenne : La mesure des états quantiques extrait des informations classiques sous forme d’échantillons de la distribution classique. Les valeurs sont obtenues directement à partir de l’état quantique. TFQ propose des méthodes de moyennage sur plusieurs essais, qui comprennent les étapes (1) et (2).
- Évaluer un modèle de réseau neuronal classique – Étant donné que les données quantiques sont désormais converties en données classiques, des techniques d'apprentissage profond sont utilisées pour apprendre les corrélations dans les données.
Les autres étapes, à savoir l'évaluation de la fonction de coût, des gradients et la mise à jour des paramètres, sont des étapes classiques de l'apprentissage profond. Elles garantissent la création d'un modèle efficace pour les tâches non supervisées.
Quelles sont les possibilités d'application de l'informatique quantique à l'IA ?
L'objectif réaliste à court terme des chercheurs en intelligence artificielle quantique est de développer et de mettre en œuvre des algorithmes quantiques plus performants que les algorithmes classiques.
Algorithmes quantiques pour l'apprentissage
Développement d'algorithmes quantiques pour la généralisation quantique des modèles d'apprentissage classiques. Cette approche pourrait permettre d'accélérer ou d'améliorer le processus d'entraînement en apprentissage profond. L'apport du calcul quantique à l'apprentissage automatique classique pourrait se traduire par la fourniture rapide de l'ensemble de poids optimal pour les réseaux de neurones artificiels.
Algorithmes quantiques pour les problèmes de décision
Les problèmes de décision classiques sont formulés sous forme d'arbres de décision. Une méthode pour atteindre l'ensemble des solutions consiste à créer des branches à partir de certains points. Cependant, lorsque chaque problème est trop complexe pour être résolu par division successive en deux, l'efficacité de cette méthode diminue. Les algorithmes quantiques basés sur l'évolution temporelle hamiltonienne peuvent résoudre les problèmes représentés par un certain nombre d'arbres de décision plus rapidement que les marches aléatoires.
Recherche quantique
La plupart des algorithmes de recherche sont conçus pour l'informatique classique. Or, l'informatique classique surpasse les humains dans les problèmes de recherche. Cependant, Lov Grover a proposé son algorithme de Grover et a affirmé que les ordinateurs quantiques peuvent résoudre ce problème encore plus rapidement que les ordinateurs classiques. L'intelligence artificielle, grâce à l'informatique quantique, présente un potentiel prometteur pour des applications à court terme telles que le chiffrement.
Théorie des jeux quantiques
La théorie des jeux classique est une approche de modélisation largement utilisée dans les applications d'intelligence artificielle. Son extension au domaine quantique donne naissance à la théorie des jeux quantiques. Celle-ci pourrait constituer un outil prometteur pour résoudre les problèmes critiques des communications quantiques et pour la mise en œuvre de l'intelligence artificielle quantique.
Quelles sont les étapes critiques de l'intelligence artificielle quantique ?
Bien que l'IA quantique soit une technologie encore immature, les progrès réalisés en informatique quantique accroissent son potentiel. Cependant, l'industrie de l'IA quantique doit franchir des étapes cruciales pour atteindre sa pleine maturité. Ces étapes peuvent être résumées comme suit :
- Des systèmes d'informatique quantique moins sujets aux erreurs et plus puissants
- Cadres de modélisation et de formation open source largement adoptés
- Un écosystème de développeurs substantiel et compétent
- Des applications d'IA performantes qui surpassent l'informatique classique grâce à l'informatique quantique.
Ces étapes cruciales permettraient de poursuivre le développement de l'IA quantique.
IA pour l'informatique quantique
Un article de Nature Communications a mis en lumière comment l'IA fait progresser l'informatique quantique à tous les niveaux :
- Conception matérielle : l'IA optimise la disposition des qubits et l'architecture de la puce
- Étalonnage : L'apprentissage automatique automatise l'étalonnage des systèmes quantiques
- Correction d'erreurs : les décodeurs basés sur l'IA sont désormais les plus précis pour identifier et corriger les erreurs quantiques.
- Compilation de circuits : L'IA conçoit des transpileurs plus intelligents qui traduisent efficacement les algorithmes en matériel quantique. 4
N'hésitez pas à en savoir plus sur l'informatique quantique :
Liens de référence
Commentaires 1
Partagez vos idées
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires.
Thank you. Where may I study this further?
Quantum Computing vendors are publishing quite some material. We will also be publishing other research on this topic.