Apprentissage automatique, rencontrez l'informatique quantique

En 1958, aux premiers jours de la révolution informatique, l'Office of Naval Research des États-Unis a organisé une conférence de presse pour dévoiler un appareil inventé par un psychologue nommé Frank Rosenblatt au Cornell Aeronautical Laboratory. Rosenblatt a qualifié son appareil de perceptron, et le New York Times a rapporté qu'il s'agissait de l'embryon d'un ordinateur électronique qui [la Marine] s'attend à ce qu'il soit capable de marcher, de parler, de voir, d'écrire, de se reproduire et d'être conscient de son existence.

Ces affirmations se sont avérées quelque peu exagérées. Mais l'appareil a lancé un domaine de recherche qui a encore un énorme potentiel aujourd'hui.

Un perceptron est un réseau de neurones à une seule couche. Les réseaux d'apprentissage en profondeur qui ont suscité tant d'intérêt ces dernières années en sont les descendants directs. Bien que l'appareil de Rosenblatt n'ait jamais atteint son potentiel surfait, il y a un grand espoir que l'un de ses descendants le puisse.

Aujourd'hui, une autre révolution du traitement de l'information en est à ses balbutiements : l'informatique quantique. Et cela soulève une question intéressante : est-il possible d'implémenter un perceptron sur un ordinateur quantique, et si oui, quelle peut être sa puissance ?

Aujourd'hui, nous obtenons une sorte de réponse grâce au travail de Francesco Tacchino et de ses collègues de l'Université de Pavie en Italie. Ces gars-là ont construit le premier perceptron au monde mis en œuvre sur un ordinateur quantique, puis l'ont mis à l'épreuve sur des tâches simples de traitement d'images.

Dans sa forme la plus simple, un perceptron prend une entrée vectorielle - un ensemble de nombres - et la multiplie par un vecteur de pondération pour produire une sortie à un seul nombre. Si ce nombre est supérieur à un certain seuil, la sortie est un , et s'il est inférieur au seuil, la sortie est 0 .

Cela a quelques applications utiles. Imaginez une matrice de pixels qui produit un ensemble de niveaux d'intensité lumineuse (un pour chaque pixel) lors de l'imagerie d'un motif particulier. Lorsque cet ensemble de nombres est introduit dans un perceptron, il produit un un ou 0 sortir. L'objectif est d'ajuster le vecteur de pondération et le seuil afin que la sortie soit un quand il voit, dis un chat, et 0 dans tous les autres cas.

Tacchino et co ont répété les premiers travaux de Rosenblatt sur un ordinateur quantique. La technologie qui rend cela possible est le processeur quantique supraconducteur Q-5 Tenerife d'IBM. Il s'agit d'un ordinateur quantique capable de traiter cinq qubits et programmable sur le web par toute personne capable d'écrire un algorithme quantique .

Tacchino et co ont créé un algorithme qui prend un vecteur classique (comme une image) en entrée, le combine avec un vecteur de pondération quantique, puis produit un 0 ou un sortir.

Le gros avantage de l'informatique quantique est qu'elle permet une augmentation exponentielle du nombre de dimensions qu'elle peut traiter. Alors qu'un perceptron classique peut traiter une entrée de N dimensions, un perceptron quantique peut traiter 2 N dimensions.

Tacchino et co en font la démonstration sur le processeur Q-5 d'IBM. En raison du petit nombre de qubits, le processeur peut gérer N = 2. Cela équivaut à une image en noir et blanc 2x2. Les chercheurs se demandent alors : cette image contient-elle des lignes horizontales ou verticales, ou un motif en damier ?

Il s'avère que le perceptron quantique peut facilement classer les motifs dans ces images simples. Nous montrons que ce modèle quantique d'un perceptron peut être utilisé comme classificateur non linéaire élémentaire de motifs simples, disons Tacchino et co.

Ils montrent ensuite comment il pourrait être utilisé dans des modèles plus complexes, bien que d'une manière limitée par le nombre de qubits que le processeur quantique peut gérer.

C'est un travail intéressant avec un potentiel important. Rosenblatt et d'autres ont rapidement découvert qu'un seul perceptron ne peut classer que des images très simples, comme des lignes droites. Cependant, d'autres scientifiques ont découvert que la combinaison de perceptrons en couches avait beaucoup plus de potentiel. Diverses autres avancées et modifications ont conduit à des machines capables de reconnaître des objets et des visages aussi précisément que les humains, et même de battre les meilleurs joueurs humains d'échecs et de Go.

Le perceptron quantique de Tacchino and co est à un stade d'évolution similaire. Les objectifs futurs seront de coder l'équivalent d'images en niveaux de gris et de combiner les perceptrons quantiques dans des réseaux à plusieurs couches.

Le travail de ce groupe a ce potentiel. Notre procédure est entièrement générale et pourrait être mise en œuvre et exécutée sur n'importe quelle plate-forme capable d'effectuer un calcul quantique universel, disent-ils.

Bien sûr, le facteur limitant est la disponibilité de processeurs quantiques plus puissants capables de gérer un plus grand nombre de qubits. Mais la plupart des chercheurs quantiques conviennent que ce type de capacité est proche.

En effet, depuis que Tacchino et co ont fait leur travail, IBM a déjà mis à disposition via le web un processeur quantique de 16 qubits. Ce n'est qu'une question de temps avant que les perceptrons quantiques ne deviennent beaucoup plus puissants.

Réf : arxiv.org/abs/1811.02266 : Un neurone artificiel implémenté sur un véritable processeur quantique

cacher