Les scientifiques disent qu’ils ont fait une percée après avoir développé une technique informatique quantique pour exécuter des algorithmes d’apprentissage automatique qui surpassent les ordinateurs classiques de pointe.
Les chercheurs ont révélé leurs résultats dans une étude publiée le 2 juin dans la revue Photonique de la nature.
Les scientifiques ont utilisé une méthode qui repose sur un circuit photonique quantique et un algorithme d’apprentissage automatique sur mesure.
En utilisant seulement deux photons, la technique de l’équipe a démontré avec succès une vitesse, une précision et une efficacité accrues par rapport aux méthodes de calcul classiques standard pour exécuter des algorithmes d’apprentissage automatique.
Les scientifiques disent que c’est l’une des premières fois que l’apprentissage automatique quantique a été utilisé pour des problèmes du monde réel et offre des avantages qui ne peuvent pas être simulés à l’aide d’ordinateurs binaires. En outre, en raison de sa nouvelle architecture, il pourrait être appliqué aux systèmes informatiques quantiques ne comportant qu’un seul qubit, ont-ils déclaré.
Contrairement à de nombreuses méthodes existantes pour atteindre une accélération grâce à des techniques de calcul hybride-classique quantique, cette nouvelle méthode ne nécessite pas enchevêtré Gates. Au lieu de cela, il repose sur l’injection de photons.
Essentiellement, l’équipe a utilisé un laser Femtoseconde – un laser qui émet de la lumière en impulsions extrêmement courtes mesurées en Femtosecondes (10⁻¹⁵ secondes) pour écrire sur un substrat de verre borosilicate pour classer les points de données à partir d’un ensemble de données. Les photons ont ensuite été injectés dans six configurations distinctes, qui ont été traitées par un système quantique hybride.
Les scientifiques ont déterminé où les mesures photoniques ont surpassé celles conduites par calcul classique en mesurant combien de temps il a fallu les photons pour terminer le circuit quantique. Ils ont ensuite isolé les processus où le traitement quantique a fourni des avantages et a comparé les résultats aux sorties classiques.
Les chercheurs ont constaté que les expériences exécutées en utilisant le circuit quantique photonique étaient plus rapides, plus précises et plus économes en énergie que celles conduites en utilisant uniquement des techniques de calcul classiques. Cette performance stimulée s’applique à une classe spéciale d’apprentissage automatique appelé « apprentissage automatique basé sur le noyau » qui peut avoir une myriade d’applications à travers le tri de données.
Tandis que les réseaux de neurones profonds sont devenus Une alternative de plus en plus populaire aux méthodes du noyau Pour l’apprentissage automatique au cours de la dernière décennie, les systèmes basés sur le noyau ont vu une résurgence Au cours des dernières années, en raison de leur simplicité relative et de leurs avantages lors de leur travail avec de petits ensembles de données.
L’expérience de l’équipe pourrait conduire à des algorithmes plus efficaces dans les domaines du traitement du langage naturel et d’autres modèles d’apprentissage supervisés.
Peut-être plus important encore, l’étude présente une nouvelle méthode pour identifier les tâches que les ordinateurs quantiques excellent dans les systèmes informatiques hybrides.
Les chercheurs disent que les techniques utilisées sont évolutives, ce qui signifie qu’ils pourraient conduire à des performances encore meilleures à mesure que le nombre de photons ou de qubits augmente. Cela pourrait, à son tour, permettre de développer des systèmes d’apprentissage automatique capables de dépasser les limites des modèles d’aujourd’hui, auxquels sont de plus en plus confrontés limitations de consommation d’énergie En raison des besoins énergétiques massifs nécessaires pour traiter les données via l’électronique.
Les chercheurs affirment que leurs techniques « ouvriront la porte aux méthodes hybrides dans lesquelles les processeurs photoniques sont utilisés pour améliorer les performances des méthodes d’apprentissage automatique standard ».