Merlin : Combler le fossé de la reproductibilité en apprentissage automatique quantique

Merlin est un framework communautaire destiné à la recherche systématique et reproductible en apprentissage automatique quantique — conçu pour combler le fossé entre les affirmations relatives au QML et le code fonctionnel. La croissance rapide du QML, les problèmes de reproductibilité et un fort biais en faveur des systèmes basés sur les portes laissent des questions cruciales sans réponse, en particulier dans le domaine de l’informatique quantique photonique. Dans cet article de blog, nous présentons la philosophie de conception de Merlin, son approche axée sur la photonique et le workflow d’évaluation comparative qui rend déjà possible des collaborations avec le monde académique et industriel.

Le problème de la reproductibilité

Si vous consultez la documentation sur le QML, vous tomberez souvent sur des affirmations catégoriques : précision améliorée, meilleure passage à l’échelle, voire des avantages quantiques. Mais transformer ces affirmations en code fonctionnel relève souvent d’une difficulté surprenante. Même lorsque des implémentations sont partagées, elles peuvent être incomplètes, non maintenues ou présenter de subtiles incohérences par rapport à la description donnée dans l’article. Cela reflète un défi plus large en matière de reproductibilité dans la recherche en IA (Henderson et al., 2018), amplifié ici par la complexité supplémentaire des systèmes quantiques.

Si les résultats ne peuvent être reproduits, ils ne sont pas fiables.

Un domaine méconnu : l’informatique quantique photonique en QML

Une autre limite du QML actuel réside dans son tropisme pour l’informatique quantique à base de portes. Bien que ce paradigme soit important, il éclipse souvent d’autres approches, en particulier l’informatique quantique photonique.

Malgré son potentiel, le QML photonique reste sous-représenté dans la documentation. Les algorithmes photoniques natifs sont rarement explorés ou évalués de manière systématique. Parallèlement, les recherches ne disposent pas d’outils unifiés pour tester des modèles sur différentes plateformes ou pour expérimenter des schémas hybrides quantiques-classiques de manière cohérente.

C’est une opportunité manquée.

Les systèmes photoniques offrent des avantages indéniables pour le QML :

• Ils figurent parmi les principaux candidats pour la démonstration de l’avantage quantique
• Ils explorent naturellement de grands espaces de Hilbert via des modes bosoniques
• Ils sont bien adaptés à certaines primitives d’apprentissage automatique

Pourquoi Merlin ?

Merlin a été conçu pour remédier à ces lacunes.

Ce n’est pas une solution miracle, mais un outil pratique destiné à une exploration systématique.

Le principe est simple :

nous devons tester de nombreux modèles — rapidement, rigoureusement et de manière reproductible,

Mais ce n’est pas tout ! La reproductibilité est essentielle, mais ce n’est qu’une première étape.

L’objectif final est la réplicabilité, ce qui signifie que nous voulons transposer les méthodes QML du monde des portes quantiques à l’informatique quantique photonique. Nous voulons aller au-delà des résultats existants et nous appuyer sur eux pour construire les prochains modèles QML.

Regardez le replay du webinaire

Vous souhaitez voir Merlin en action ? Nous avons présenté le framework en direct, en abordant sa philosophie, son architecture et ses premiers résultats.

Ce que Merlin permet de faire

Merlin fournit un cadre permettant de :

• Mettre en œuvre des modèles QML via une interface de type PyTorch
• Construire des pipelines hybrides quantiques-classiques
• Réaliser des tests de performance systématiques sur différents modèles et ensembles de données
• Se concentrer spécifiquement sur les workflows de l’informatique quantique photonique

Les systèmes photoniques revêtent ici une importance particulière car ils :

• Constituent les principaux candidats pour les expériences visant à démontrer l’avantage quantique
• Offrent une compatibilité naturelle avec certaines sous-routines d’apprentissage automatique
• Permettent de développer de nouvelles architectures de modèles hybrides

Workflow habituel dans Merlin

1. Partir d’une idée. Les expériences commencent généralement par un article, un cas d’usage concret, ou une nouvelle intuition théorique à explorer.
2. Ancrer le problème. Reconstruire les références, comparer avec des méthodes classiques solides, et clarifier ce qui pilote réellement la performance.
3. Adapter et implémenter. Traduire les modèles en architectures photoniques et les intégrer dans des pipelines hybrides quantique-classique.
4. Évaluer rigoureusement. Mesurer la précision, l’efficacité paramétrique, le passage à l’échelle, et les besoins en données.
5. Tester par ablation. Retirer ou remplacer le composant quantique pour évaluer sa contribution réelle.
6. Valider la reproductibilité. À chaque étape : le résultat est-il reproductible de manière fiable ?

Une approche différente du QML

Merlin n’est pas qu’un outil, c’est une façon de travailler.

Il aborde le QML de manière empirique plutôt que purement théorique, itérative plutôt que définitive, modulaire plutôt que monolithique.

Notre objectif est d’apporter au QML ce qui existe déjà dans le classique : une bibliothèque de composants réutilisables, testables et extensibles.

Les progrès du ML ne viennent pas d’une seule percée, mais de la combinaison d’idées. Par exemple, des décennies d’innovation se sont accumulées avant que les LLM deviennent aussi puissants qu’on les connaît aujourd’hui :

1948 : Probabilités et théorie de l’information (Shannon)

↓

1986 : Rétropropagation (apprentissage de réseaux profonds)

↓

2003–2013 : Plongement lexical (représentations sémantiques)

↓

2014 : Attention (focus dynamique)

↓

2017 : Transformers (auto-attention à grande échelle)

↓

2020+ : Lois d’échelle (progrès prévisibles)

Nous pensons que le QML évoluera de la même manière.

Un effort communautaire croissant

Ce n’est pas un projet fermé. En quelques mois seulement, nous avons reproduit près de trente articles, rendu accessible un ensemble de composants et formé des collaborations académiques et industrielles autour du QML. Comme le dit Sam Stanwyck (NVIDIA) :

« Des outils de simulation puissants sont essentiels pour développer de meilleurs algorithmes et accélérer le chemin vers un avantage quantique large. Merlin répond à un besoin critique de l’écosystème en ouvrant la porte à la communauté de recherche pour développer avec des circuits quantiques photoniques. »

La suite

Ce post est le point de départ d’une série explorant des articles de QML à travers la reproductibilité avec Merlin. Nous partagerons chaque mois les articles reproduits les plus prometteurs. Contactez-nous si vous souhaitez participer à cette initiative.

References

1. Blum, A., & Rivest, R. L. (1992). Training a 3-node neural network is NP-complete. Neural Networks, 5(1), 117–127.
2. Bowles, J., et al. (2025). Backpropagation for parameterized quantum circuits with structured architectures. (Preprint / to appear).
3. Cerezo, M., Arrasmith, A., Babbush, R., Benjamin, S. C., Endo, S., Fujii, K., McClean, J. R., Mitarai, K., Yuan, X., Cincio, L., & Coles, P. J. (2021). Variational quantum algorithms. Nature Reviews Physics, 3, 625–644.
4. Froese, T., et al. (2023). On the computational hardness of training shallow neural networks. (Preprint).
5. Henderson, P., Islam, R., Bachman, P., Pineau, J., Precup, D., & Meger, D. (2018). Deep reinforcement learning that matters. Proceedings of the AAAI Conference on Artificial Intelligence, 32(1).
6. Huang, H.-Y., Kueng, R., & Preskill, J. (2021). Information-theoretic bounds on quantum advantage in machine learning. Physical Review Letters, 126(19), 190505.
7. Larocca, M., et al. (2024). Diagnosing barren plateaus in quantum machine learning.
8. McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications, 9, 4812.
9. Mitarai, K., Negoro, M., Kitagawa, M., & Fujii, K. (2018). Quantum circuit learning. Physical Review A, 98(3), 032309.
10. Salavrakos, A., Maring, N., Emeriau, P.-E., and Mansfield, S. (2025). Photon-native quantum algorithms. Materials for Quantum Technology, vol. 5, no. 2, Art. no. 023001, IOP. doi:10.1088/2633-4356/adc531.
11. Schuld, M., Bergholm, V., Gogolin, C., Izaac, J., & Killoran, N. (2019). Evaluating analytic gradients on quantum hardware. Physical Review A, 99(3), 032331.