Les systèmes de machine learning gagnent en puissance, mais leurs besoins en calcul augmentent tout aussi rapidement. Dans le cadre de nos travaux avec nos partenaires du consortium QUONDENSATE, nous avons étudié comment les QPU de Quandela peuvent réaliser à la fois des tâches de traitement de l’information quantique et de machine learning sur une même plateforme expérimentale. Nos résultats mettent en évidence le potentiel croissant de la photonique intégrée pour le machine learning quantique, tout en abordant des défis concrets tels que la caractérisation des états quantiques et les imperfections expérimentales.
Introduction
L’intelligence artificielle et le machine learning occupent aujourd’hui une place centrale dans la recherche scientifique, l’industrie et les technologies du quotidien. Mais cette montée en puissance s’accompagne d’un coût de calcul toujours plus élevé. Face à cette tendance, les chercheurs explorent de nouvelles architectures capables de traiter l’information autrement.
Parmi les approches les plus prometteuses figure le machine learning quantique photonique. Cette discipline exploite des photons — les particules élémentaires de la lumière — pour traiter l’information dans des circuits optiques intégrés. En associant algorithmes d’apprentissage et matériel quantique programmable, elle ouvre de nouvelles perspectives pour l’analyse de données complexes.
Dans des travaux menés avec nos partenaires du consortium QUONDENSATE, nous présentons un dispositif de “quantum reservoir processing” reposant sur une puce photonique programmable en silicium et exploitant des photons uniques sur les QPU de Quandela. Cette plateforme permet d’exécuter aussi bien des tâches de traitement de l’information quantique que des tâches de machine learning classique. Nous proposons également une méthode de mitigation hardware-aware destinée à améliorer la robustesse du système face aux imperfections expérimentales.
Qu’est-ce que le Quantum Reservoir Processing ?
Le reservoir computing est une approche du machine learning dans laquelle les données d’entrée traversent un système dynamique complexe, appelé réservoir. Celui-ci transforme l’information en une représentation plus riche, à partir de laquelle un modèle linéaire simple peut extraire des caractéristiques utiles à une tâche donnée, comme la classification ou la prédiction de séries temporelles.
Le quantum reservoir processing applique ce principe à des systèmes quantiques. Cette approche suscite un intérêt croissant, car elle pourrait permettre d’analyser efficacement des systèmes quantiques tout en réduisant certaines difficultés d’optimisation rencontrées dans d’autres modèles de machine learning quantique.
Dans notre implémentation, le réservoir prend la forme d’un circuit photonique programmable sur silicium. Des photons uniques y circulent à travers un réseau de guides d’onde et de déphaseurs qui modifient leurs états quantiques. Grâce aux propriétés de la mécanique quantique, cette architecture compacte est capable d’effectuer des transformations complexes sur les données en entrée.
Pourquoi la photonique ?
La photonique intégrée offre une voie particulièrement attractive pour construire des processeurs quantiques programmables. Les circuits photoniques peuvent être fabriqués à partir de technologies issues de l’industrie des semi-conducteurs tout en conservant une grande flexibilité architecturale. Cette combinaison de maturité industrielle, de programmabilité et de potentiel de passage à l’échelle fait de la photonique une plateforme de choix pour le machine learning quantique.
Des tâches quantiques et classiques sur une puce photonique
À l’aide de ce réservoir photonique programmable, nous avons mis en œuvre plusieurs tâches de traitement de l’information quantique, notamment la tomographie d’états quantiques et la mesure de l’intrication via la négativité.
Ces deux approches permettent d’étudier la structure des états quantiques, dont la complexité augmente rapidement avec la taille des systèmes considérés.
La tomographie quantique consiste à reconstruire l’état d’un système à partir de données de mesure. Lorsque les systèmes quantiques gagnent en taille et en complexité, cette opération devient particulièrement coûteuse en ressources. Nos résultats montrent qu’un processeur basé sur un réservoir quantique peut constituer une approche efficace pour caractériser des états quantiques sur une plateforme photonique intégrée.
Nous avons également utilisé ce même processeur pour des expériences de classification de données classiques. Les deux approches sont pertinentes: d’une part, certaines applications comme la détection de l’intrication nécessitent naturellement des modèles quantiques. De l’autre, la plupart des cas d’usages industriels restent aujourd’hui des problèmes classiques, et comprendre sous quelles conditions les modèles quantiques seraient plus adaptés pour résoudre ces problèmes constitue donc une question centrale pour le domaine.
Tomographie d’états quantiques
Réduire l’impact des imperfections expérimentales
Comme toute plateforme quantique expérimentale, notre système est soumis à différentes sources d’imperfections : bruit, variations de fabrication ou dérives expérimentales.
Pour améliorer la robustesse du processeur, nous avons développé une méthode de mitigation “hardware-aware” qui intègre directement les imperfections observées expérimentalement dans le processus d’optimisation du modèle linéaire simple qui suit le réservoir.
Concrètement, cette approche s’apparente à une forme de “data augmentation”. Elle permet au modèle de mieux s’adapter aux conditions expérimentales réelles et d’améliorer la robustesse de l’algorithme.
Pourquoi ces travaux sont importants
Le machine learning quantique est un domaine en pleine effervescence. La démonstration d’un avantage quantique pratique pour le machine learning reste aujourd’hui une question ouverte et l’un des enjeux majeurs du secteur.
Dans ce contexte, les processeurs quantiques photoniques programmables deviennent des outils de choix pour explorer de nouvelles approches d’apprentissage hybride quantique-classique ainsi que des méthodes innovantes de traitement de l’information quantique.
Nos travaux contribuent à plusieurs axes de recherche majeurs :
- le machine learning hybride quantique-classique ;
- la caractérisation des états quantiques ;
- le développement de hardware quantique photonique capable de passer à l’échelle ;
- les méthodes d’optimisation “hardware-aware”.
Chez Quandela, nous explorons activement ces thématiques et considérons le quantum reservoir processing comme une approche particulièrement prometteuse. Cette approche fait écho à plusieurs domaines de recherche actifs en informatique classique, notamment le calcul neuromorphique.
À travers notre participation au projet européen QUONDENSATE (EU Pathfinder), nous contribuons à l’exploration de nouveaux modèles de calcul fondés sur les technologies quantiques et à la démonstration de leur potentiel sur un large éventail d’applications.
À retenir
- Nous présentons un processeur de quantum reservoir processing basé sur les QPU de Quandela, fonctionnant avec des photons uniques sur des puces photoniques programmables en silicium.
- Une même plateforme peut exécuter à la fois des tâches de traitement de l’information quantique et de machine learning avec des données classiques.
- Le processeur implémente avec succès la tomographie d’états quantiques ainsi que la détection d’intrication via la négativité de l’état.
- Une méthode de mitigation hardware-aware améliore la robustesse du système dans des conditions expérimentales réalistes.
- La photonique intégrée confirme son rôle de plateforme clé pour le développement du machine learning quantique à grande échelle.
