Podcasts

Podcast avec Santanu Ganguly - Cisco

7
Septembre
,
2021

Mon invité aujourd'hui est Santanu Ganguly, architecte système chez Cisco. Santanu a publié un nouveau livre sur l'apprentissage automatique quantique. Nous parlons de ce livre, des qubits volants, des défis liés à la mise en production de l'apprentissage automatique quantique et de bien d'autres choses encore.

Pour écouter d'autres épisodes, sélectionnez "podcasts" sur notre page "Insights".

La transcription complète se trouve ci-dessous

Yuval: Bonjour, Santanu. Merci de m'avoir rejoint aujourd'hui.

Santanu: Merci, Yuval. Merci de m'avoir reçu. Et surtout, merci beaucoup d'avoir prononcé mon nom correctement. Je vous en suis très reconnaissant.

Yuval: Avec plaisir. Qui êtes-vous et que faites-vous ?

Santanu: Je m'appelle Santanu Ganguly. Je travaille actuellement pour Cisco Systems au Royaume-Uni. L'une de mes fonctions chez Cisco Systems aujourd'hui est de faire partie de leur comité de pilotage pour la technologie quantique en interne, qui est l'un des projets internes. J'ai une formation en physique et en mathématiques. J'ai toujours été passionné par tout ce qui touche à la science, en particulier l'informatique quantique. Je travaille donc en étroite collaboration avec des projets du gouvernement britannique et certains organismes financiers d'entreprises au Royaume-Uni. C'est moi.

Yuval: Tout d'abord, je vous félicite pour votre nouveau livre sur l'apprentissage automatique quantique. Pourriez-vous m'en parler un peu ?

Santanu: Merci beaucoup. Oui. J'ai eu l'occasion de travailler sur ce sujet. Au départ, je pensais que ce serait facile à faire. Cela n'a pas été aussi facile que je l'imaginais. Le sujet est l'apprentissage machine quantique. Si j'ai choisi ce sujet, c'est parce que je suis très passionné par l'apprentissage automatique, au sens classique du terme, par ce qu'il fait. Et je suis encore plus passionné par l'informatique quantique. Et j'ai toujours été passionné par l'informatique quantique. J'ai une formation en mathématiques et en physique. Au cours des cinq, six ou sept dernières années, l'informatique quantique est devenue de plus en plus pertinente pour l'industrie et des organisations telles que Google, IBM, etc. ont commencé à injecter de l'argent dans la technologie et à produire des développements pertinents, ce qui m'a vraiment enthousiasmé.

Le livre traite donc des bases de l'apprentissage automatique quantique, des algorithmes impliqués et, plus important encore, d'une lacune qui, selon moi, existait dans la plupart des ouvrages consacrés à l'apprentissage automatique quantique, pour ainsi dire.

Ainsi, par exemple, il existe des volumes monumentaux écrits par Peter Wittek. Je pense qu'il a écrit le premier livre sur l'apprentissage automatique quantique en 2011. Il a été suivi par le volume monumental de Maria Schuld et Petruccione sur l'apprentissage supervisé dans l'apprentissage automatique quantique. Il s'agit également d'un excellent ouvrage. Il s'en est suivi une explosion d'algorithmes différents, de recherches différentes dans la littérature et les médias de recherche.

Cependant, l'une des choses qui m'a toujours échappé et qui m'a posé problème lorsque j'ai commencé à m'intéresser à ce domaine, c'est de savoir comment tous ces algorithmes, toutes ces théories, qui sont très nouvelles, en plein essor et très récentes, se traduisent dans le code. Lorsque j'ai commencé à me pencher sur la question, il est apparu que tous les algorithmes ne fonctionnaient pas efficacement sur toutes les plates-formes d'informatique quantique.

À l'heure actuelle, il existe plusieurs variantes de plateformes d'informatique quantique. D-Wave a lancé le premier ordinateur quantique disponible dans le commerce et utilise le recuit. IBM a sorti un qubit supraconducteur et utilise un modèle de porte. Rigetti a sorti des modèles de portes supraconductrices similaires. Xanadu et PsiQuantum travaillent sur des ordinateurs quantiques photoniques.

En revenant quelques années en arrière, plus j'étudiais ces algorithmes, plus il m'apparaissait que tous les algorithmes ne fonctionnaient pas efficacement sur toutes les plates-formes. Par exemple, il existe aujourd'hui des études qui affirment que certains problèmes NP difficiles, tels que Maxcut, peuvent fonctionner plus efficacement sur les ordinateurs de D-Wave utilisant QUBO, que sur les ordinateurs à modèle de porte utilisant des algorithmes d'optimisation approximative quantique, QAOA. Ce sont donc toutes ces variations et tous ces défis, lorsqu'il s'agit d'appliquer des algorithmes à des plates-formes, qui ont suscité mon intérêt pour l'écriture de ce livre.

Le livre couvre donc la plupart des principales bibliothèques d'informatique quantique qui existent aujourd'hui. Il traite de Google Cirq, de Rigetti PyQuil et de QVM. Il traite de Qiskit d'IBM. Il aborde également les plates-formes de D-Wave. Et pour évaluer efficacement si je fais les choses correctement ou non, j'ai collaboré avec D-Wave. Ils ont examiné le matériel que j'ai écrit à leur sujet dans le livre. Et j'ai obtenu leur accord pour aller de l'avant avant la publication. Je leur en suis très reconnaissant. C'est ce qui a déclenché mon intérêt : je voulais faire quelque chose qui donne aux lecteurs une option, un point d'entrée vers toutes les plateformes majeures et, je l'espère, une idée de quel algorithme fonctionne le mieux sur quel type de plateforme et comment les contourner. C'est donc ce qui a été à l'origine de ce projet. Je vous remercie de votre attention.

Yuval: Vous avez mentionné que certains algorithmes fonctionnent mieux sur certaines machines. Mais il y a une question encore plus importante. L'apprentissage automatique quantique est-il utile aujourd'hui ? Ou quand pensez-vous qu'il sera utile dans un environnement de production ?

Santanu: C'est une très bonne question. Ma réponse serait que l'apprentissage automatique quantique est certainement utile dans certains cas aujourd'hui. L'un d'entre eux est la découverte de médicaments et la modélisation de molécules. C'est un domaine qui fait l'objet de recherches. C'est un sujet d'actualité. Mais c'est aussi quelque chose qui a fonctionné. Je vais vous donner un exemple. L'université de Penn State, sous la direction du Dr Ghosh, a commencé à utiliser l'informatique quantique et l'apprentissage automatique pour étudier la modélisation d'un vaccin contre le virus COVID. C'est un exemple parmi d'autres.

L'autre exemple de recherche et d'utilisation de l'apprentissage automatique quantique est le secteur financier. Par exemple, dans l'analyse des risques financiers, dans l'optimisation des prix des portefeuilles financiers. Plusieurs travaux ont été publiés par Goldman Sachs et Chicago Quantum, qui étudient une version quantique de la finance.

La raison pour laquelle l'angle quantique est étudié est la pléthore de choix qui s'offrent à nous. Dans un environnement d'informatique quantique et d'apprentissage automatique, vous disposez de toutes sortes de choix probabilistes que vous avez normalement du mal à obtenir dans un environnement binaire. Il est donc utilisé et, espérons-le, au fur et à mesure que l'utilisation augmentera, nous en apprendrons de plus en plus sur la manière d'optimiser différentes applications avec différents algorithmes sur différentes plates-formes. Et nous nous améliorerons comme nous l'avons fait sur nos propres ordinateurs classiques. Quand j'étais enfant, un ordinateur classique était une grosse chose posée sur mon bureau. Aujourd'hui, il est dans ma poche, littéralement. Plus nous l'utilisons, plus nous devrions apprendre.

Yuval: Lorsque vous avez parlé d'ordinateurs différents, je suppose que vous voulez dire différents types d'architecture. PsiQuantum par rapport à Honeywell, et moins Rigetti par rapport à IBM, deux types d'ordinateurs basés sur des portes, c'est bien cela ?

Santanu: C'est exact. Tout à fait. Il existe différentes architectures. Il y a aussi d'autres aspects du calcul et de la communication pour l'apprentissage automatique. Disons que nous avons deux ordinateurs différents, des ordinateurs quantiques. Ces ordinateurs quantiques pourraient être deux IBM, un IBM et un Rigetti, un D-Wave et un Rigetti, peu importe. Comment ces deux ordinateurs communiquent-ils entre eux ? Cela n'a pas encore été fait. Encore une fois, il s'agit d'un vaste domaine de recherche dans lequel je suis impliqué, ainsi que beaucoup d'autres instituts de recherche, car cela soulève la question de savoir comment faire passer l'information d'un qubit à un niveau permettant de communiquer avec une autre plate-forme quantique. Il s'agit en particulier de l'optique.

Pour l'instant, c'est tout ce que nous savons. Nous pensons que l'optique devrait être le moyen de communication, mais nous disposons d'une plate-forme quantique supraconductrice à moins 273 degrés centigrades, près de zéro degré Kelvin. À partir de là, il faut faire passer l'information à un niveau optique pour pouvoir communiquer entre nous. Certains organismes de recherche, comme celui de l'université de Berkeley, travaillent depuis longtemps sur ce sujet. C'est ce qu'on appelle les qubits volants. En gros, on fait voler les qubits d'un niveau d'énergie à un autre pour commencer à les transporter à travers la barrière de communication. Donc oui, les différences architecturales jouent un rôle majeur, tout comme la science fondamentale et l'application que nous envisageons.

Yuval: Si je travaille dans une entreprise commerciale, que je veux faire de la recherche chimique ou de l'optimisation de portefeuille, et que je veux essayer l'apprentissage automatique, dois-je décider a-priori sur quelle architecture matérielle je vais l'exécuter ? Comment puis-je savoir si ce sera mieux sur D-Wave, IBM ou autre ?

Santanu: Pour l'instant, il y a deux façons de procéder. La première est une sorte de méthode approximative. Vous devinez en quelque sorte, d'accord, je vais exécuter un algorithme Maxcut, est-ce que cela va mieux fonctionner sur un D-Wave ou un IBM ? Puis vous l'essayez. C'est donc une façon de procéder. L'autre moyen est l'essai et l'erreur à l'aveugle. Comment résoudre ces différences entre les différentes plateformes et cette applicabilité ou plutôt cette efficacité des différents algorithmes sur les différentes plateformes, il pourrait y avoir, et je pense que les travaux sont en cours par l'intermédiaire de diverses startups.

Et si ce n'est pas le cas, s'il y a d'autres entreprises d'informatique quantique, où les gens pensent à construire des piles au-dessus de l'informatique quantique physique et du niveau de communication, où nous avons une sorte de niveau d'orchestration, qui rendra la couche physique sous-jacente invisible, pour ainsi dire. En d'autres termes, l'utilisateur ne se soucierait pas de savoir si la plateforme sur laquelle il programme est une IBM ou une D-Wave ou autre, tant qu'il sait ce qu'il veut, quel algorithme il veut utiliser, mes excuses, il le programme. La pile logicielle sous-jacente prend alors la meilleure plate-forme pour lui et lui permet de programmer.

C'est donc un sujet sur lequel les gens travaillent dans le cadre de la recherche, et il y a peut-être des start-ups, une ou deux, qui pourraient même avoir des solutions de première génération pour cela. Il pourrait donc s'agir d'un autre moyen d'aborder cette disparité dans l'architecture, une couche sous-jacente.

Yuval: Si nous regardons où nous en sommes aujourd'hui avec l'apprentissage automatique quantique et que nous avançons rapidement, nous nous demandons de quoi il a besoin. Que doit-il se passer pour qu'il devienne un outil vraiment utile au-delà d'un ou deux cas d'utilisation spécifiques ? L'une des choses que vous avez mentionnées est cette couche d'abstraction ou la capacité, comme le fait Classiq, de passer d'un modèle fonctionnel de haut niveau à un circuit quantique, de sorte que vous n'ayez pas à décider à l'avance du matériel que vous utilisez. La deuxième chose est évidemment une amélioration des caractéristiques de bruit et du nombre de qubits. Il est donc possible d'utiliser des modèles plus importants et des algorithmes plus longs. Y a-t-il quelque chose d'autre, une troisième ou une quatrième chose qui, selon vous, manque pour que l'apprentissage automatique quantique devienne courant ?

Santanu: Je ne dirais pas que c'est manquant, c'est probablement en cours de recherche, pas probablement, c'est certainement en cours de recherche en ce moment, et des gens y travaillent. Et c'est essentiellement la cohérence. Vous avez parlé d'erreurs, de disparités et d'une couche d'abstraction. Par ailleurs, tout ne sera pas optimisé ou utilement optimisé par l'informatique quantique ou l'apprentissage automatique. Par exemple, si vous utilisez PowerPoint sur le réseau, il est inutile de l'exécuter sur un canal quantique, car PowerPoint fonctionnerait peut-être beaucoup mieux sur un réseau classique. Il y aura donc, à l'avenir, et d'un point de vue futuriste, des applications spécifiques pour lesquelles l'apprentissage automatique sera utile.

Et pour revenir à votre question, pour y répondre, nous aurons besoin d'affiner le traitement des qubits de base. Actuellement, la façon dont les qubits physiques sont créés n'est pas parfaite. Il faut donc optimiser ce processus, et il est évident que nous aurons besoin d'un plus grand nombre de qubits. À l'heure actuelle, un ordinateur quantique réel compte environ 50 ou 53 qubits. Et la plupart des algorithmes testés le sont sur des simulateurs. Et si vous n'avez pas besoin de suffisamment de qubits, ils fonctionneront sur la plateforme réelle. Nous avons donc besoin de cette couche physique. Nous avons besoin de la couche d'abstraction.

L'autre option et l'autre défi sont évidemment l'extensibilité. Le problème doit donc être significatif. Et en termes de problème significatif, nous devons le mettre à l'échelle. Je vais vous donner un exemple. Vous avez peut-être vu sur Internet qu'une étude d'optimisation du trafic a été réalisée en Asie du Sud-Est. La ville choisie présentait d'énormes embouteillages. Ils ont ensuite réalisé une étude d'apprentissage automatique basée sur certaines contraintes, telles que la distance et la destination de travail des gens, le chemin à emprunter pour obtenir un trafic rationnel, et cetera, et cetera. Puis un modèle optimisé, qui est optimisé mathématiquement. Mais si vous regardez ce graphique, vous voyez que l'algorithme d'apprentissage automatique envoie les conducteurs d'un point à un autre de la ville, et non pas par l'un des chemins les plus rapides possibles. Certes, ils le font en fonction d'une contrainte de temps, mais combien de personnes connaissez-vous qui, si elles peuvent aller de la destination A à la destination B en cinq kilomètres, vont emprunter un rond-point de 20 kilomètres pour gagner 10 minutes ? Pas beaucoup.

Nous devons donc déterminer dans quelle mesure il est pratique de faire fonctionner ces choses. S'agit-il réellement d'une solution pratique au problème posé ? Et comment faire évoluer ces requêtes dans une plateforme de pointe. Dans un environnement financier, par exemple, vous pouvez recevoir des centaines de milliers de requêtes. Toutes ces requêtes seront-elles traitées efficacement par l'apprentissage automatique quantique ? Ou s'agit-il d'un rapport de 50/50 ? Une partie classique, une partie quantique ? Ce sont donc des domaines où nous avons besoin de plus de clarté. Et plus important encore, une fois la clarté obtenue, nous avons besoin d'une prise de décision en temps réel. Il devrait donc y avoir une couche, qu'elle soit régie par l'IA ou manuellement, qui dirait, d'accord, ceci est mieux servi par le quantique ou, c'est mieux servi par le classique - allez dans vos différentes directions, et voici un peu de magie. Voilà ce que j'en pense.

Yuval: Alors que nous approchons de la fin de notre conversation d'aujourd'hui, nous avons beaucoup parlé de l'apprentissage automatique quantique, mais il y a évidemment d'autres domaines dans l'informatique quantique, la distribution quantique de clés, et d'autres encore. Y a-t-il quelque chose de particulier qui vous a poussé à vous concentrer sur l'apprentissage automatique quantique ?

Santanu: Oui. Fondamentalement, l'informatique quantique présente un grand intérêt. La grande question qui se pose aujourd'hui en matière de sécurité est liée à l'informatique quantique. C'est également d'un grand intérêt. L'autre élément d'un grand intérêt est la correction quantique des erreurs. Certains aspects de la sécurité quantique et de la correction quantique des erreurs peuvent être traités par l'apprentissage automatique quantique : L'apprentissage par renforcement ou l'apprentissage supervisé ou non supervisé, un algorithme de ce type. Des recherches et des études sont en cours à ce sujet. Mon intérêt est donc spécifiquement lié à ces domaines et c'est là que l'apprentissage automatique est devenu intéressant parce qu'il peut en fait résoudre certaines questions sérieuses restées sans réponse dans l'informatique quantique telle qu'elle existe aujourd'hui.

Yuval: Santanu, où peut-on vous contacter pour en savoir plus sur votre travail ?

Santanu: Merci beaucoup. Je suis sur LinkedIn. Si l'on fait une recherche avec mon nom et Cisco après, je devrais apparaître. Ou quantum après cela, je devrais apparaître. N'hésitez pas à me contacter via LinkedIn. Je réponds généralement de manière proactive. Je serai très heureux de répondre à tous ceux qui ont des questions. Je vous remercie de votre attention.

Yuval: C'est excellent. J'ai beaucoup apprécié de parler avec vous. Merci beaucoup de m'avoir rejoint aujourd'hui.

Santanu: Merci beaucoup. De même. Ce fut un plaisir de parler avec vous. Ce fut un plaisir et un honneur. Merci de m'avoir reçu.


Mon invité aujourd'hui est Santanu Ganguly, architecte système chez Cisco. Santanu a publié un nouveau livre sur l'apprentissage automatique quantique. Nous parlons de ce livre, des qubits volants, des défis liés à la mise en production de l'apprentissage automatique quantique et de bien d'autres choses encore.

Pour écouter d'autres épisodes, sélectionnez "podcasts" sur notre page "Insights".

La transcription complète se trouve ci-dessous

Yuval: Bonjour, Santanu. Merci de m'avoir rejoint aujourd'hui.

Santanu: Merci, Yuval. Merci de m'avoir reçu. Et surtout, merci beaucoup d'avoir prononcé mon nom correctement. Je vous en suis très reconnaissant.

Yuval: Avec plaisir. Qui êtes-vous et que faites-vous ?

Santanu: Je m'appelle Santanu Ganguly. Je travaille actuellement pour Cisco Systems au Royaume-Uni. L'une de mes fonctions chez Cisco Systems aujourd'hui est de faire partie de leur comité de pilotage pour la technologie quantique en interne, qui est l'un des projets internes. J'ai une formation en physique et en mathématiques. J'ai toujours été passionné par tout ce qui touche à la science, en particulier l'informatique quantique. Je travaille donc en étroite collaboration avec des projets du gouvernement britannique et certains organismes financiers d'entreprises au Royaume-Uni. C'est moi.

Yuval: Tout d'abord, je vous félicite pour votre nouveau livre sur l'apprentissage automatique quantique. Pourriez-vous m'en parler un peu ?

Santanu: Merci beaucoup. Oui. J'ai eu l'occasion de travailler sur ce sujet. Au départ, je pensais que ce serait facile à faire. Cela n'a pas été aussi facile que je l'imaginais. Le sujet est l'apprentissage machine quantique. Si j'ai choisi ce sujet, c'est parce que je suis très passionné par l'apprentissage automatique, au sens classique du terme, par ce qu'il fait. Et je suis encore plus passionné par l'informatique quantique. Et j'ai toujours été passionné par l'informatique quantique. J'ai une formation en mathématiques et en physique. Au cours des cinq, six ou sept dernières années, l'informatique quantique est devenue de plus en plus pertinente pour l'industrie et des organisations telles que Google, IBM, etc. ont commencé à injecter de l'argent dans la technologie et à produire des développements pertinents, ce qui m'a vraiment enthousiasmé.

Le livre traite donc des bases de l'apprentissage automatique quantique, des algorithmes impliqués et, plus important encore, d'une lacune qui, selon moi, existait dans la plupart des ouvrages consacrés à l'apprentissage automatique quantique, pour ainsi dire.

Ainsi, par exemple, il existe des volumes monumentaux écrits par Peter Wittek. Je pense qu'il a écrit le premier livre sur l'apprentissage automatique quantique en 2011. Il a été suivi par le volume monumental de Maria Schuld et Petruccione sur l'apprentissage supervisé dans l'apprentissage automatique quantique. Il s'agit également d'un excellent ouvrage. Il s'en est suivi une explosion d'algorithmes différents, de recherches différentes dans la littérature et les médias de recherche.

Cependant, l'une des choses qui m'a toujours échappé et qui m'a posé problème lorsque j'ai commencé à m'intéresser à ce domaine, c'est de savoir comment tous ces algorithmes, toutes ces théories, qui sont très nouvelles, en plein essor et très récentes, se traduisent dans le code. Lorsque j'ai commencé à me pencher sur la question, il est apparu que tous les algorithmes ne fonctionnaient pas efficacement sur toutes les plates-formes d'informatique quantique.

À l'heure actuelle, il existe plusieurs variantes de plateformes d'informatique quantique. D-Wave a lancé le premier ordinateur quantique disponible dans le commerce et utilise le recuit. IBM a sorti un qubit supraconducteur et utilise un modèle de porte. Rigetti a sorti des modèles de portes supraconductrices similaires. Xanadu et PsiQuantum travaillent sur des ordinateurs quantiques photoniques.

En revenant quelques années en arrière, plus j'étudiais ces algorithmes, plus il m'apparaissait que tous les algorithmes ne fonctionnaient pas efficacement sur toutes les plates-formes. Par exemple, il existe aujourd'hui des études qui affirment que certains problèmes NP difficiles, tels que Maxcut, peuvent fonctionner plus efficacement sur les ordinateurs de D-Wave utilisant QUBO, que sur les ordinateurs à modèle de porte utilisant des algorithmes d'optimisation approximative quantique, QAOA. Ce sont donc toutes ces variations et tous ces défis, lorsqu'il s'agit d'appliquer des algorithmes à des plates-formes, qui ont suscité mon intérêt pour l'écriture de ce livre.

Le livre couvre donc la plupart des principales bibliothèques d'informatique quantique qui existent aujourd'hui. Il traite de Google Cirq, de Rigetti PyQuil et de QVM. Il traite de Qiskit d'IBM. Il aborde également les plates-formes de D-Wave. Et pour évaluer efficacement si je fais les choses correctement ou non, j'ai collaboré avec D-Wave. Ils ont examiné le matériel que j'ai écrit à leur sujet dans le livre. Et j'ai obtenu leur accord pour aller de l'avant avant la publication. Je leur en suis très reconnaissant. C'est ce qui a déclenché mon intérêt : je voulais faire quelque chose qui donne aux lecteurs une option, un point d'entrée vers toutes les plateformes majeures et, je l'espère, une idée de quel algorithme fonctionne le mieux sur quel type de plateforme et comment les contourner. C'est donc ce qui a été à l'origine de ce projet. Je vous remercie de votre attention.

Yuval: Vous avez mentionné que certains algorithmes fonctionnent mieux sur certaines machines. Mais il y a une question encore plus importante. L'apprentissage automatique quantique est-il utile aujourd'hui ? Ou quand pensez-vous qu'il sera utile dans un environnement de production ?

Santanu: C'est une très bonne question. Ma réponse serait que l'apprentissage automatique quantique est certainement utile dans certains cas aujourd'hui. L'un d'entre eux est la découverte de médicaments et la modélisation de molécules. C'est un domaine qui fait l'objet de recherches. C'est un sujet d'actualité. Mais c'est aussi quelque chose qui a fonctionné. Je vais vous donner un exemple. L'université de Penn State, sous la direction du Dr Ghosh, a commencé à utiliser l'informatique quantique et l'apprentissage automatique pour étudier la modélisation d'un vaccin contre le virus COVID. C'est un exemple parmi d'autres.

L'autre exemple de recherche et d'utilisation de l'apprentissage automatique quantique est le secteur financier. Par exemple, dans l'analyse des risques financiers, dans l'optimisation des prix des portefeuilles financiers. Plusieurs travaux ont été publiés par Goldman Sachs et Chicago Quantum, qui étudient une version quantique de la finance.

La raison pour laquelle l'angle quantique est étudié est la pléthore de choix qui s'offrent à nous. Dans un environnement d'informatique quantique et d'apprentissage automatique, vous disposez de toutes sortes de choix probabilistes que vous avez normalement du mal à obtenir dans un environnement binaire. Il est donc utilisé et, espérons-le, au fur et à mesure que l'utilisation augmentera, nous en apprendrons de plus en plus sur la manière d'optimiser différentes applications avec différents algorithmes sur différentes plates-formes. Et nous nous améliorerons comme nous l'avons fait sur nos propres ordinateurs classiques. Quand j'étais enfant, un ordinateur classique était une grosse chose posée sur mon bureau. Aujourd'hui, il est dans ma poche, littéralement. Plus nous l'utilisons, plus nous devrions apprendre.

Yuval: Lorsque vous avez parlé d'ordinateurs différents, je suppose que vous voulez dire différents types d'architecture. PsiQuantum par rapport à Honeywell, et moins Rigetti par rapport à IBM, deux types d'ordinateurs basés sur des portes, c'est bien cela ?

Santanu: C'est exact. Tout à fait. Il existe différentes architectures. Il y a aussi d'autres aspects du calcul et de la communication pour l'apprentissage automatique. Disons que nous avons deux ordinateurs différents, des ordinateurs quantiques. Ces ordinateurs quantiques pourraient être deux IBM, un IBM et un Rigetti, un D-Wave et un Rigetti, peu importe. Comment ces deux ordinateurs communiquent-ils entre eux ? Cela n'a pas encore été fait. Encore une fois, il s'agit d'un vaste domaine de recherche dans lequel je suis impliqué, ainsi que beaucoup d'autres instituts de recherche, car cela soulève la question de savoir comment faire passer l'information d'un qubit à un niveau permettant de communiquer avec une autre plate-forme quantique. Il s'agit en particulier de l'optique.

Pour l'instant, c'est tout ce que nous savons. Nous pensons que l'optique devrait être le moyen de communication, mais nous disposons d'une plate-forme quantique supraconductrice à moins 273 degrés centigrades, près de zéro degré Kelvin. À partir de là, il faut faire passer l'information à un niveau optique pour pouvoir communiquer entre nous. Certains organismes de recherche, comme celui de l'université de Berkeley, travaillent depuis longtemps sur ce sujet. C'est ce qu'on appelle les qubits volants. En gros, on fait voler les qubits d'un niveau d'énergie à un autre pour commencer à les transporter à travers la barrière de communication. Donc oui, les différences architecturales jouent un rôle majeur, tout comme la science fondamentale et l'application que nous envisageons.

Yuval: Si je travaille dans une entreprise commerciale, que je veux faire de la recherche chimique ou de l'optimisation de portefeuille, et que je veux essayer l'apprentissage automatique, dois-je décider a-priori sur quelle architecture matérielle je vais l'exécuter ? Comment puis-je savoir si ce sera mieux sur D-Wave, IBM ou autre ?

Santanu: Pour l'instant, il y a deux façons de procéder. La première est une sorte de méthode approximative. Vous devinez en quelque sorte, d'accord, je vais exécuter un algorithme Maxcut, est-ce que cela va mieux fonctionner sur un D-Wave ou un IBM ? Puis vous l'essayez. C'est donc une façon de procéder. L'autre moyen est l'essai et l'erreur à l'aveugle. Comment résoudre ces différences entre les différentes plateformes et cette applicabilité ou plutôt cette efficacité des différents algorithmes sur les différentes plateformes, il pourrait y avoir, et je pense que les travaux sont en cours par l'intermédiaire de diverses startups.

Et si ce n'est pas le cas, s'il y a d'autres entreprises d'informatique quantique, où les gens pensent à construire des piles au-dessus de l'informatique quantique physique et du niveau de communication, où nous avons une sorte de niveau d'orchestration, qui rendra la couche physique sous-jacente invisible, pour ainsi dire. En d'autres termes, l'utilisateur ne se soucierait pas de savoir si la plateforme sur laquelle il programme est une IBM ou une D-Wave ou autre, tant qu'il sait ce qu'il veut, quel algorithme il veut utiliser, mes excuses, il le programme. La pile logicielle sous-jacente prend alors la meilleure plate-forme pour lui et lui permet de programmer.

C'est donc un sujet sur lequel les gens travaillent dans le cadre de la recherche, et il y a peut-être des start-ups, une ou deux, qui pourraient même avoir des solutions de première génération pour cela. Il pourrait donc s'agir d'un autre moyen d'aborder cette disparité dans l'architecture, une couche sous-jacente.

Yuval: Si nous regardons où nous en sommes aujourd'hui avec l'apprentissage automatique quantique et que nous avançons rapidement, nous nous demandons de quoi il a besoin. Que doit-il se passer pour qu'il devienne un outil vraiment utile au-delà d'un ou deux cas d'utilisation spécifiques ? L'une des choses que vous avez mentionnées est cette couche d'abstraction ou la capacité, comme le fait Classiq, de passer d'un modèle fonctionnel de haut niveau à un circuit quantique, de sorte que vous n'ayez pas à décider à l'avance du matériel que vous utilisez. La deuxième chose est évidemment une amélioration des caractéristiques de bruit et du nombre de qubits. Il est donc possible d'utiliser des modèles plus importants et des algorithmes plus longs. Y a-t-il quelque chose d'autre, une troisième ou une quatrième chose qui, selon vous, manque pour que l'apprentissage automatique quantique devienne courant ?

Santanu: Je ne dirais pas que c'est manquant, c'est probablement en cours de recherche, pas probablement, c'est certainement en cours de recherche en ce moment, et des gens y travaillent. Et c'est essentiellement la cohérence. Vous avez parlé d'erreurs, de disparités et d'une couche d'abstraction. Par ailleurs, tout ne sera pas optimisé ou utilement optimisé par l'informatique quantique ou l'apprentissage automatique. Par exemple, si vous utilisez PowerPoint sur le réseau, il est inutile de l'exécuter sur un canal quantique, car PowerPoint fonctionnerait peut-être beaucoup mieux sur un réseau classique. Il y aura donc, à l'avenir, et d'un point de vue futuriste, des applications spécifiques pour lesquelles l'apprentissage automatique sera utile.

Et pour revenir à votre question, pour y répondre, nous aurons besoin d'affiner le traitement des qubits de base. Actuellement, la façon dont les qubits physiques sont créés n'est pas parfaite. Il faut donc optimiser ce processus, et il est évident que nous aurons besoin d'un plus grand nombre de qubits. À l'heure actuelle, un ordinateur quantique réel compte environ 50 ou 53 qubits. Et la plupart des algorithmes testés le sont sur des simulateurs. Et si vous n'avez pas besoin de suffisamment de qubits, ils fonctionneront sur la plateforme réelle. Nous avons donc besoin de cette couche physique. Nous avons besoin de la couche d'abstraction.

L'autre option et l'autre défi sont évidemment l'extensibilité. Le problème doit donc être significatif. Et en termes de problème significatif, nous devons le mettre à l'échelle. Je vais vous donner un exemple. Vous avez peut-être vu sur Internet qu'une étude d'optimisation du trafic a été réalisée en Asie du Sud-Est. La ville choisie présentait d'énormes embouteillages. Ils ont ensuite réalisé une étude d'apprentissage automatique basée sur certaines contraintes, telles que la distance et la destination de travail des gens, le chemin à emprunter pour obtenir un trafic rationnel, et cetera, et cetera. Puis un modèle optimisé, qui est optimisé mathématiquement. Mais si vous regardez ce graphique, vous voyez que l'algorithme d'apprentissage automatique envoie les conducteurs d'un point à un autre de la ville, et non pas par l'un des chemins les plus rapides possibles. Certes, ils le font en fonction d'une contrainte de temps, mais combien de personnes connaissez-vous qui, si elles peuvent aller de la destination A à la destination B en cinq kilomètres, vont emprunter un rond-point de 20 kilomètres pour gagner 10 minutes ? Pas beaucoup.

Nous devons donc déterminer dans quelle mesure il est pratique de faire fonctionner ces choses. S'agit-il réellement d'une solution pratique au problème posé ? Et comment faire évoluer ces requêtes dans une plateforme de pointe. Dans un environnement financier, par exemple, vous pouvez recevoir des centaines de milliers de requêtes. Toutes ces requêtes seront-elles traitées efficacement par l'apprentissage automatique quantique ? Ou s'agit-il d'un rapport de 50/50 ? Une partie classique, une partie quantique ? Ce sont donc des domaines où nous avons besoin de plus de clarté. Et plus important encore, une fois la clarté obtenue, nous avons besoin d'une prise de décision en temps réel. Il devrait donc y avoir une couche, qu'elle soit régie par l'IA ou manuellement, qui dirait, d'accord, ceci est mieux servi par le quantique ou, c'est mieux servi par le classique - allez dans vos différentes directions, et voici un peu de magie. Voilà ce que j'en pense.

Yuval: Alors que nous approchons de la fin de notre conversation d'aujourd'hui, nous avons beaucoup parlé de l'apprentissage automatique quantique, mais il y a évidemment d'autres domaines dans l'informatique quantique, la distribution quantique de clés, et d'autres encore. Y a-t-il quelque chose de particulier qui vous a poussé à vous concentrer sur l'apprentissage automatique quantique ?

Santanu: Oui. Fondamentalement, l'informatique quantique présente un grand intérêt. La grande question qui se pose aujourd'hui en matière de sécurité est liée à l'informatique quantique. C'est également d'un grand intérêt. L'autre élément d'un grand intérêt est la correction quantique des erreurs. Certains aspects de la sécurité quantique et de la correction quantique des erreurs peuvent être traités par l'apprentissage automatique quantique : L'apprentissage par renforcement ou l'apprentissage supervisé ou non supervisé, un algorithme de ce type. Des recherches et des études sont en cours à ce sujet. Mon intérêt est donc spécifiquement lié à ces domaines et c'est là que l'apprentissage automatique est devenu intéressant parce qu'il peut en fait résoudre certaines questions sérieuses restées sans réponse dans l'informatique quantique telle qu'elle existe aujourd'hui.

Yuval: Santanu, où peut-on vous contacter pour en savoir plus sur votre travail ?

Santanu: Merci beaucoup. Je suis sur LinkedIn. Si l'on fait une recherche avec mon nom et Cisco après, je devrais apparaître. Ou quantum après cela, je devrais apparaître. N'hésitez pas à me contacter via LinkedIn. Je réponds généralement de manière proactive. Je serai très heureux de répondre à tous ceux qui ont des questions. Je vous remercie de votre attention.

Yuval: C'est excellent. J'ai beaucoup apprécié de parler avec vous. Merci beaucoup de m'avoir rejoint aujourd'hui.

Santanu: Merci beaucoup. De même. Ce fut un plaisir de parler avec vous. Ce fut un plaisir et un honneur. Merci de m'avoir reçu.


A propos de "The Qubit Guy's Podcast" (Le podcast du gars de Qubit)

Animé par The Qubit Guy (Yuval Boger, notre directeur marketing), le podcast accueille des leaders d'opinion de l'informatique quantique pour discuter de questions commerciales et techniques qui ont un impact sur l'écosystème de l'informatique quantique. Nos invités fournissent des informations intéressantes sur les logiciels et algorithmes d'ordinateurs quantiques, le matériel informatique quantique, les applications clés de l'informatique quantique, les études de marché de l'industrie quantique et bien plus encore.

Si vous souhaitez proposer un invité pour le podcast, veuillez nous contacter.

Créez des logiciels quantiques sans contraintes

contactez-nous