Premiers pas sur la voie de l'apprentissage machine quantique fiable
Les ordinateurs quantiques du futur ne doivent pas seulement calculer super rapidement, mais aussi de manière fiable. C'est encore un grand défi. Des informaticiens sous la direction de l'ETH Zurich ont fait les premiers pas vers un apprentissage machine quantique fiable.
![Illustration abstraite de l'intrication quantique](/de/news-und-veranstaltungen/eth-news/news/2021/06/erste-schritte-auf-dem-weg-zum-zuverlaessigen-quanten-maschinenlernen/_jcr_content/news_content/fullwidthimage/image.imageformat.930.1030093846.jpg)
Ceux qui cueillent des champignons savent qu'il vaut mieux distinguer ceux qui sont toxiques de ceux qui ne le sont pas. On n'imagine pas ce qui se passerait si quelqu'un mangeait les toxiques. Dans de tels "problèmes de classification", où il s'agit de distinguer certains objets les uns des autres et d'attribuer à certaines classes ceux que l'on recherche en fonction de leurs caractéristiques, les ordinateurs peuvent dès aujourd'hui aider les hommes de manière judicieuse. Les méthodes intelligentes d'apprentissage automatique peuvent reconna?tre des modèles ou des objets et les rechercher automatiquement dans des ensembles de données - par exemple, elles pourraient sélectionner dans une base de données de photos celles qui montrent des champignons non toxiques.
L'apprentissage automatique peut fournir des résultats précieux, en particulier pour les ensembles de données très vastes et complexes, que les humains ne pourraient pas découvrir ou seulement en y consacrant beaucoup plus de temps. Toutefois, pour certaines t?ches de calcul, même les ordinateurs les plus rapides disponibles aujourd'hui atteignent leurs limites. C'est là qu'intervient la grande promesse des ordinateurs quantiques, à savoir qu'ils effectueront un jour des calculs super rapides que les ordinateurs classiques ne peuvent pas résoudre dans un délai raisonnable. La raison de cette "supériorité quantique" réside dans la physique : les ordinateurs quantiques calculent et traitent les informations en exploitant certains états et interactions qui se produisent au sein des atomes ou des molécules ou entre les particules élémentaires.
Le fait que les états quantiques puissent se superposer et s'enchevêtrer crée une base gr?ce à laquelle les ordinateurs quantiques ont accès à une logique de traitement fondamentalement plus riche. Par exemple, contrairement aux ordinateurs classiques, les ordinateurs quantiques ne calculent pas avec des codes binaires ou des bits qui traitent les informations uniquement comme des 0 ou des 1, mais avec des bits quantiques ou des qubits qui correspondent aux états quantiques des particules. La différence essentielle est que les qubits peuvent réaliser non seulement un état - 0 ou 1 - par étape de calcul, mais également un état dans lequel les deux se superposent. Cette manière plus générale de traiter l'information permet à son tour d'accélérer considérablement les calculs pour certains problèmes.
![Schéma d'un algorithme de classification quantique avec des champignons comestibles et toxiques](/de/news-und-veranstaltungen/eth-news/news/2021/06/erste-schritte-auf-dem-weg-zum-zuverlaessigen-quanten-maschinenlernen/_jcr_content/news_content/fullwidthimage_2059992978/image.imageformat.930.1324542607.jpg)
Traduire les connaissances classiques dans le monde quantique
Ces avantages de vitesse du calcul quantique sont également une opportunité pour les applications d'apprentissage automatique - après tout, les ordinateurs quantiques pourraient calculer beaucoup plus rapidement que les ordinateurs classiques les énormes quantités de données nécessaires aux processus d'apprentissage automatique pour améliorer la précision de leurs résultats.
Pour exploiter réellement le potentiel du calcul quantique, il faut toutefois adapter les méthodes classiques d'apprentissage automatique aux spécificités des ordinateurs quantiques. Par exemple, les algorithmes, c'est-à-dire les règles mathématiques de calcul qui décrivent comment un ordinateur classique résout un problème donné, doivent être formulés différemment pour les ordinateurs quantiques. Développer des "algorithmes quantiques" qui fonctionnent bien pour l'apprentissage automatique n'est pas tout à fait trivial, car il reste encore quelques obstacles à surmonter sur le chemin.
Cela s'explique d'une part par le "matériel quantique". ? l'ETH Zurich, les chercheurs disposent actuellement d'ordinateurs quantiques qui fonctionnent avec jusqu'à 17 qubits. Mais si les ordinateurs quantiques devaient un jour exploiter tout leur potentiel, des milliers, voire des centaines de milliers de qubits pourraient être nécessaires.
Bruit quantique - ou l'inévitabilité des erreurs
L'un des défis posés par les ordinateurs quantiques concerne leur sensibilité aux erreurs. Les ordinateurs quantiques actuels fonctionnent avec un très fort "bruit" (en anglais noise), comme on appelle les erreurs ou les perturbations dans le jargon technique. Pour la Société américaine de physique, ce bruit constitue "le plus grand obstacle à l'augmentation de la taille et de la performance des ordinateurs quantiques". Il n'existe pas de solution globale tant pour la correction que pour l'évitement des erreurs. On n'a pas encore trouvé le moyen de fabriquer un matériel quantique exempt d'erreurs, et pour mettre en ?uvre un logiciel ou un algorithme de correction, les ordinateurs quantiques sont trop petits, avec 50 à 100 qubits.
Jusqu'à un certain point, il faut vivre avec le fait que les erreurs dans le calcul quantique sont en principe inévitables, car les états quantiques qui sont à la base des étapes concrètes du calcul ne peuvent être distingués et chiffrés qu'avec des probabilités. Ce qu'il est possible de faire en revanche, ce sont des procédés qui limitent suffisamment l'ampleur du bruit et des influences perturbatrices pour que les calculs fournissent malgré tout des résultats fiables. Les informaticiens qualifient de "robuste" un procédé de calcul fonctionnant de manière fiable et parlent également dans ce contexte de la "tolérance aux erreurs" nécessaire.
C'est précisément ce que le groupe de recherche de Ce Zhang, professeur d'informatique à l'ETH et membre de l'ETH AI Center, a maintenant récemment exploré - en quelque sorte "par hasard" pendant qu'il travaillait sur la robustesse des distributions de probabilité classiques et pour construire de meilleurs systèmes et plateformes d'apprentissage automatique. Avec Nana Liu, professeure à l'université Jiao Tong de Shanghai, et Bo Li, de l'université de l'Illinois à Urbana-Champaign, elle a mis au point une nouvelle approche qui permet de spécifier de manière démontrable, pour certains modèles quantiques d'apprentissage automatique, les conditions de robustesse sous lesquelles il est garanti que le calcul d'un ordinateur quantique est fiable et que le résultat est correct. Les chercheurs ont publié leur approche, l'une des premières du genre, dans la revue scientifique "npj Quantum Information".
Armés contre les erreurs et les pirates informatiques
"Lorsque nous avons constaté que les algorithmes quantiques, comme les algorithmes classiques, étaient sujets à des erreurs et à des perturbations, nous nous sommes demandé comment atténuer ces sources d'erreurs et ces perturbations pour certaines t?ches d'apprentissage automatique."Si nous savons cela, nous pouvons faire confiance aux résultats des calculs, même s'ils sont bruyants."
Les chercheurs ont étudié cette question en prenant l'exemple des algorithmes de classification quantique - après tout, les erreurs dans les t?ches de classification sont délicates, car elles peuvent avoir des répercussions sur le monde réel, par exemple si des champignons toxiques étaient classés comme non toxiques. Plus important peut-être, les chercheurs de l'ETH - inspirés par les travaux antérieurs d'autres chercheurs dans l'application de tests d'hypothèses dans le domaine classique - ont utilisé la théorie du test d'hypothèses quantiques, qui permet de distinguer les états quantiques, pour déterminer un seuil à partir duquel les affectations de l'algorithme de classification quantique sont garanties correctes et ses prédictions robustes.
Gr?ce à leur méthode de robustesse, les chercheurs peuvent même déterminer si la classification d'une entrée erronée et bruyante donne le même résultat qu'une entrée propre. Sur la base de leurs conclusions, les chercheurs ont également développé un concept de protection qui permet d'indiquer la tolérance aux erreurs d'un processus de calcul, qu'une erreur ait une cause naturelle ou qu'elle résulte d'une manipulation lors d'un piratage. Leur concept de robustesse fonctionne aussi bien pour les attaques de pirates que pour les erreurs naturelles.
"La méthode peut également être appliquée à une classe plus large d'algorithmes quantiques", explique Maurice Weber, doctorant chez Ce Zhang et premier auteur de la publication. Comme l'influence des erreurs dans le calcul quantique augmente avec la taille du système, lui et Zhao font maintenant des recherches sur ce problème. "Nous sommes optimistes quant à l'utilité de nos conditions de robustesse, par exemple en combinaison avec des algorithmes quantiques développés pour mieux comprendre la structure électronique des molécules".
Référence bibliographique
Weber, M, Liu, N, Li, B, Zhang, Ce, Zhao, Zhikuan. Optimal provable robustness of quantum classification via quantum hypothesis testing. npj Quantum information 7, 76, May 21 (2021). DOI : page externe10.1038/s41534-021-00410-5