Existe-t-il une application potentielle des ordinateurs quantiques dans l'apprentissage automatique ou l'IA?

Beaucoup de gens croient que les ordinateurs quantiques peuvent s'avérer être une étape cruciale dans la création de nouveaux algorithmes d'apprentissage automatique et d'intelligence artificielle qui peuvent donner un énorme coup de pouce au domaine. Il y a même eu des études selon lesquelles notre cerveau pourrait être un ordinateur quantique, mais jusqu'à présent, il n'y a pas de consensus parmi les chercheurs.

Étant donné que je suis complètement nouveau dans le domaine, je voulais savoir si des recherches ont été effectuées dans l'application des ordinateurs quantiques en IA qui, théoriquement, peuvent mieux fonctionner dans certaines tâches ou converger plus rapidement que les algorithmes modernes d'apprentissage en profondeur.

Je ne répondrai qu'à la partie de la question concernant l'utilité de la mécanique quantique pour l'analyse de données classiques via l'apprentissage automatique. Il y a aussi des travaux liés à "l'IA quantique", mais c'est une chose beaucoup plus spéculative (et moins définie), dans laquelle je ne veux pas entrer.

Alors, les ordinateurs quantiques peuvent-ils être utilisés pour accélérer l'analyse des données via des algorithmes d'apprentissage automatique ? Citant Scott Aaronson Lisez les petits caractères du papier, qui est une simple question avec une réponse compliquée .

Il convient tout d'abord de noter qu'essayer de répondre à ce genre de question est une grande partie de ce qu'est le domaine de recherche de l' apprentissage automatique quantique (plus récemment, les termes d' apprentissage automatique amélioré par le quantique ou d' apprentissage automatique assisté par le quantique semblent être préférés pour faire référence à cette fusion de QM et ML, pour la distinguer de l'utilisation de ML pour aider à résoudre des problèmes dans QM). Comme vous pouvez le voir sur la page Wikipedia, il y a beaucoup de choses qui se passent sur le terrain, et il serait inutile d'essayer de donner une liste complète des documents pertinents ici, car ils deviendraient rapidement obsolètes.

Citant Schuld et al. 2014 , l'idée derrière le Quantum-Assisted Machine Learning (QAML) est la suivante:

Étant donné que le volume de données stockées dans le monde augmente d'environ 20% chaque année (actuellement de l'ordre de plusieurs centaines d'exaoctets [1]), la pression pour trouver des approches innovantes de l'apprentissage automatique augmente. Une idée prometteuse qui est actuellement étudiée par le monde universitaire ainsi que dans les laboratoires de recherche de grandes sociétés informatiques exploite le potentiel de l'informatique quantique afin d'optimiser les algorithmes classiques d'apprentissage automatique.

Pour revenir à votre question, une première réponse apparemment positive a été fournie par Harrow et al. 2009 , qui a donné un algorithme quantique efficace pour inverser un système linéaire d'équations (dans un certain nombre de conditions sur le système), fonctionnant lorsque les données sont stockées dans des états quantiques. S'agissant d'une opération d'algèbre linéaire fondamentale, la découverte a conduit à de nombreux algorithmes quantiques proposés pour résoudre les problèmes d'apprentissage automatique par certains des mêmes auteurs ( 1307.0401 , 1307.0411 , 1307.0471 ), ainsi que par de nombreux autres. Il existe maintenant de nombreux avis que vous pouvez consulter pour obtenir des listes de références plus complètes, comme 1409.3097 , 1512.02900 , 1611.09347 ,1707.08561 , 1708.09757 , le livre de Peter Wittek , et probablement plus.

Cependant, il est loin d'être établi comment cela fonctionnerait dans la pratique. Certaines des raisons sont bien expliquées dans l'article d'Aaronson: Lisez les petits caractères (voir aussi la version publiée: nphys3272 ). En gros, le problème est que les algorithmes quantiques gèrent généralement les "données" stockées dans des états quantiques, encodant souvent des vecteurs dans les amplitudes de l'état. C'est par exemple le cas pour le QFT , et c'est toujours le cas pour HHL09 et les travaux dérivés.

Le gros problème (ou l'un des gros problèmes) avec cela est qu'il est loin d'être évident de savoir comment charger efficacement les "grandes" données classiques dans cet état quantique pour le traitement. La réponse typique à cela est "nous n'avons qu'à utiliser une qRAM ", mais cela s'accompagne également de nombreuses mises en garde, car ce processus doit être très rapide pour maintenir l'accélération exponentielle que nous pouvons maintenant atteindre une fois que les données sont en forme quantique. Je me réfère à nouveau au document d' Aaronson pour plus de détails sur les mises en garde.

Il y a des arguments selon lesquels notre cerveau est une mécanique quantique, et des arguments contre, c'est donc un sujet très débattu. Fisher à l'UCSB a une réflexion spéculative sur la façon dont les cerveaux pourraient encore utiliser des effets quantiques même s'ils ne sont pas de nature mécanique quantique. Bien qu'il n'y ait aucune preuve expérimentale directe, il y a deux références que vous voudrez peut-être lire:

• Cognition quantique: la possibilité de traitement avec des spins nucléaires dans le cerveau

• Sommes-nous des ordinateurs quantiques ou simplement des robots intelligents?

Maintenant, en ce qui concerne l'utilisation de l'informatique quantique et de l'apprentissage automatique, Rigetti Computing a démontré un algorithme de clustering utilisant leurs prototypes de puces quantiques (19 qubits). Ils ont publié leurs résultats dans un livre blanc sur arXiv.org ici:

• Apprentissage automatique non supervisé sur un ordinateur quantique hybride

Il y a donc clairement une opportunité de faire progresser l'apprentissage automatique et, éventuellement, l'IA en utilisant l'informatique quantique à mon humble avis.

Une grande partie du travail effectué jusqu'à présent avec les ordinateurs quantiques s'est concentrée sur la résolution de problèmes d'optimisation combinatoire. Les annulateurs quantiques de style D-Wave et les machines plus récentes Gate Model de Rigetti, IBM et Google ont résolu des problèmes d'optimisation combinatoire. Une approche prometteuse pour connecter l'apprentissage automatique et l'informatique quantique consiste à trouver des problèmes d'optimisation dans les tâches d'apprentissage automatique standard.

Par exemple, le récent article de Rigetti sur l'apprentissage automatique non supervisé sur un ordinateur quantique hybride recompose essentiellement le problème d'apprentissage automatique non supervisé du clustering de données en deux groupes, également connu sous le nom de clustering à 2 moyens, dans le problème d'optimisation combinatoire de MaxCut. Les gens de Rigetti résolvent ensuite le problème MaxCut avec l'algorithme d'optimisation approximative quantique (QAOA).

Je m'attendrais à voir plus de ce style de travail à l'avenir, surtout compte tenu des liens naturels entre l'optimisation et l'apprentissage automatique.