Articles

Que signifie l'informatique quantique pour l'IA ?

2
Juin
,
2022

Que signifie l'informatique quantique pour l'IA ?

L'informatique quantique et son application à l'IA ont fait des progrès spectaculaires ces dernières années - de l'expérience de suprématie quantique de Google aux activités du marché public et aux annonces de feuilles de route de produits - et ont suscité un enthousiasme justifié doublé d'une certaine prudence dans la communauté de l'apprentissage automatique et de l'IA. Les ordinateurs quantiques aideront-ils l'IA et inaugureront-ils une révolution de l'apprentissage machine quantique (QML) ? Dans quel délai cela se produira-t-il ? Que doivent faire les dirigeants prévoyants pour planifier ce jour de manière responsable ?

Pourquoi les ordinateurs quantiques sont-ils intéressants ?

Les ordinateurs quantiques utilisent des qubits (bits quantiques) au lieu de bits ordinaires. Bien que les qubits soient beaucoup plus difficiles à produire, à stabiliser et à mettre à l'échelle aujourd'hui, ils apportent deux capacités intrinsèquement uniques qui découlent de la mécanique quantique : la superposition et l'enchevêtrement. La superposition permet à un qubit de contenir plusieurs valeurs à la fois (avec des probabilités différentes). L'intrication permet d'interconnecter plusieurs qubits d'une manière qui élargit la dimensionnalité du problème. Alors que 10 bits classiques peuvent contenir une seule valeur parmi les 1024 valeurs possibles à un moment donné, 10 qubits peuvent contenir ces 1024 valeurs simultanément. Un ordinateur quantique de 50 qubits peut contenir et traiter plus d'un quadrillion de valeurs en même temps, alors qu'un ordinateur classique ne peut traiter qu'une seule de ces valeurs à un moment donné. À titre indicatif, un quadrillion correspond à environ 50 fois le nombre de globules rouges dans le corps humain. 

Les ordinateurs quantiques sont programmés différemment des ordinateurs classiques. Le code quantique ressemble à une conception électronique : il relie les qubits aux portes quantiques qui fonctionnent sur eux. Lorsque les algorithmes sont codés de manière appropriée en "langage quantique", les ordinateurs quantiques peuvent potentiellement générer une amélioration spectaculaire et exponentielle de la vitesse par rapport à leurs homologues classiques. Les ordinateurs quantiques à 50 qubits sont aujourd'hui une réalité, et lorsque des ordinateurs quantiques avec des centaines ou même des milliers de qubits seront en ligne, l'augmentation exponentielle de la capacité laissera rapidement les ordinateurs classiques dans la poussière.

Si nous parvenons à surmonter la difficulté de créer des ordinateurs quantiques, les scientifiques des données pourront utiliser cette accélération spectaculaire pour trouver de nouvelles idées dans les algorithmes d'IA/ML et faire progresser l'IA vers de nouveaux sommets. En bref, les ordinateurs quantiques ont le potentiel de révolutionner l'IA. L'IA quantique est possible et les ordinateurs quantiques peuvent être utilisés pour l'IA, mais les organisations doivent être conscientes des pièges et des limites, comme décrit ci-dessous.

Quels sont les avantages de l'utilisation de l'informatique quantique pour l'IA ?

Les ordinateurs quantiques ne sont pas faciles à utiliser, mais ils offrent des avantages considérables pour les applications d'intelligence artificielle et d'apprentissage automatique :

Heuristique quantique

Les heuristiques de l'informatique quantique se comportent différemment des heuristiques classiques. De nombreux algorithmes classiques d'apprentissage automatique et d'IA se sont révélés empiriquement efficaces, mais il n'existe pas de preuve théorique de leur efficacité. Un ingénieur en intelligence artificielle et en apprentissage automatique curieux aurait tout intérêt à essayer l'heuristique quantique. Les ordinateurs quantiques pourraient-ils produire de meilleurs résultats ? Ils pourraient peut-être réussir dans les cas où l'heuristique classique ne répond pas aux attentes. Les ordinateurs quantiques pourraient constituer une nouvelle flèche dans le carquois métaphorique.

Les ordinateurs quantiques peuvent représenter les données de manière compacte

Les ordinateurs quantiques peuvent charger des données de manière exponentiellement plus compacte. Non seulement la propriété de superposition des qubits leur permet de contenir plusieurs valeurs simultanément, mais ces valeurs peuvent se voir attribuer des poids différents. De nombreux logiciels d'intelligence artificielle et d'apprentissage automatique explorent des solutions dans un espace multidimensionnel, et il pourrait donc être plus facile de modéliser ces grands espaces et d'y charger des données sur des ordinateurs quantiques. En effet, il pourrait être possible de modéliser certains problèmes sur des ordinateurs quantiques qui ne pourraient pas être modélisés sur des ordinateurs classiques.

Les ordinateurs quantiques offrent une accélération algorithmique

L'algorithme Harrow, Hassidim, Lloyd (HHL) est l'un des algorithmes les plus populaires de l'informatique quantique. Il offre une accélération exponentielle prouvée dans la résolution des systèmes d'équations linéaires. Les systèmes d'équations linéaires sont largement utilisés dans la régression linéaire par les moindres carrés et les processus gaussiens, et les résoudre exponentiellement plus vite que les ordinateurs classiques est très précieux.

Un autre algorithme quantique populaire est la recherche Grover, qui permet d'effectuer des recherches efficaces dans des ensembles de données non structurées, avec une accélération prouvée par rapport aux recherches classiques. Par exemple, si un algorithme de recherche classique termine la recherche sur un ensemble de données donné en un certain temps, ce temps sera multiplié par quatre si la taille de l'ensemble de données est multipliée par quatre. En revanche, le temps nécessaire pour effectuer une recherche Grover doublerait - au lieu d'être multiplié par quatre - à chaque fois que la taille de l'ensemble de données serait multipliée par quatre.

Ce ne sont là que deux exemples d'algorithmes quantiques qui offrent une accélération. La vitesse exacte varie d'un algorithme quantique à l'autre, mais le fait que certains algorithmes puissent s'exécuter beaucoup plus rapidement sur des ordinateurs quantiques permet d'espérer que certaines opérations algorithmiques passent de l'impraticable à la pratique.

Les ordinateurs quantiques peuvent découvrir de nouveaux modèles de données

Les ordinateurs quantiques produisent de nouveaux types de modèles de données. On peut donc espérer identifier ces modèles en utilisant des algorithmes inversés (c'est-à-dire des algorithmes qui ont fait l'objet d'une rétro-ingénierie en observant leur comportement).

Les ordinateurs quantiques peuvent-ils être utilisés parallèlement aux ordinateurs classiques pour l'IA ?

Dans quelques années, lorsque nous disposerons d'ordinateurs quantiques dotés de nombreux qubits de haute qualité, certaines tâches seront encore mieux exécutées par des ordinateurs classiques. C'est pourquoi, même aujourd'hui, alors que les ordinateurs quantiques sont loin d'être parfaits, de nombreuses entreprises explorent la possibilité d'utiliser à la fois des ordinateurs quantiques et des ordinateurs classiques. Cette catégorie d'algorithmes est appelée "algorithmes hybrides classiques/quantiques".

Algorithmes hybrides de calcul quantique : pourquoi sont-ils intéressants aujourd'hui ?

Les ordinateurs quantiques sont formidables, mais ils ne sont pas la solution à tout. L'une des raisons en est que les ordinateurs classiques pourraient être meilleurs pour certaines tâches, telles que la lecture de données à partir d'un stockage externe, la communication sur les réseaux existants, ou simplement l'exécution de l'infinie variété de programmes qui fonctionnent suffisamment bien sur les ordinateurs classiques. Dans ces cas, on peut s'appuyer sur l'analogie CPU/GPU. Le GPU (unité de traitement graphique) est un coprocesseur très utile pour une unité centrale générale. De même, une unité de traitement quantique (QPU) pourrait être un processeur fantastique à côté d'une unité centrale classique.

Aujourd'hui, les ordinateurs quantiques ne sont pas aussi stables que nous le souhaiterions. Que ce soit en raison de changements de température, de vibrations ou d'interférences externes, les ordinateurs quantiques sont limités dans la durée de leurs calculs. C'est pourquoi les spécialistes de l'information quantique modifient les algorithmes - parfois de manière très importante - pour qu'ils fonctionnent de manière hybride. Le VQE (Variational Quantum Eigensolver) et le QAOA (Quantum Approximate OptimizationAlgorighm) sont des exemples d'algorithmes quantiques hybrides. Ces algorithmes fonctionnent dans une boucle "générer/solver", qui ressemble à ce qui suit :

Comme vous pouvez le voir, une partie des calculs (blocs jaunes) est effectuée à l'aide d'ordinateurs classiques et une autre partie (blocs verts) à l'aide de l'ordinateur quantique.

Existe-t-il des logiciels quantiques hybrides pour l'IA ?

Oui. Les hybrides d'intelligence artificielle à base d'informatique quantique sont de plus en plus populaires, et notre plateforme offre des possibilités similaires de créer des circuits hybrides. Des progiciels d'apprentissage tels que Google Tensorflow ont publié des extensions d'informatique quantique afin de permettre l'utilisation d'ordinateurs quantiques parallèlement aux combinaisons existantes de CPU/GPU. Selon Google, ces extensions offrent les fonctions clés suivantes :

  • Préparez un ensemble de données quantiques. L'ensemble de données doit être encodé dans des tenseurs (tableau multidimensionnel de nombres correspondant au nombre de qubits). Les qubits doivent être initialisés à des valeurs spécifiques, et cette initialisation se fait également par la création d'un circuit quantique. 
  • Évaluer un modèle de réseau neuronal quantique - Le chercheur peut prototyper un réseau neuronal quantique. Les modèles quantiques sont souvent paramétrés (comme c'est le cas des algorithmes d'optimisation quantique tels que QAOA et VQE). L'objectif du modèle est d'effectuer des calculs quantiques afin d'extraire des informations cachées dans un état typiquement intriqué, en les rendant accessibles à des mesures locales et à un post-traitement classique.
  • Mesure - à la fin d'un circuit de traitement quantique, des mesures (également appelées échantillonnage) doivent être effectuées. Les mesures convertissent l'état des qubits en nombres classiques que le code classique peut ensuite utiliser pour optimiser le circuit quantique. Comme les qubits se trouvent souvent dans une superposition d'états, plusieurs mesures doivent être effectuées pour obtenir une valeur approximative d'un qubit. Pour un exemple simpliste, considérons un qubit unique qui a une probabilité de 80 % d'être dans l'état "0" et de 20 % d'être dans l'état "1". Une seule mesure donnera "0" ou "1", mais ce n'est que si nous effectuons des centaines de milliers de mesures que nous pourrons constater que dans environ 80 % des mesures, nous obtenons un "0".
  • Évaluer un modèle de réseau neuronal classique - Une fois la mesure effectuée, elle peut être utilisée dans le cadre d'un post-traitement classique. Les réseaux neuronaux profonds classiques peuvent être appliqués pour distiller des corrélations entre les attentes mesurées.
  • Évaluer la fonction de coût - La fonction de coût peut être basée sur la précision avec laquelle le modèle effectue la tâche de classification ou sur tout autre critère que l'utilisateur souhaite maximiser ou minimiser.
  • Mise à jour des paramètres du modèle - Après avoir évalué la fonction de coût, les paramètres libres du pipeline doivent être mis à jour afin d'optimiser le coût. 

L'ensemble de ce processus est décrit dans le diagramme suivant :

Ci-dessus : Aperçu abstrait de haut niveau des étapes de calcul impliquées dans le pipeline de bout en bout pour l'inférence et l'apprentissage d'un modèle discriminant hybride quantique-classique pour les données quantiques dans TensorFlow quantum.

Ordinateurs quantiques pour l'IA : quelles sont les limites ?

Cependant, parallèlement à la promesse passionnante de l'informatique quantique pour l'IA, il faut être conscient des réalités et des limites actuelles de l'informatique quantique.

Quelles sont les principales limites de l'informatique quantique en ce qui concerne l'IA ?

Les ordinateurs quantiques offrent aujourd'hui un nombre limité de qubits

Les ordinateurs actuels ne disposent que d'un nombre limité de qubits. Bien que le nombre de qubits ne soit pas la seule mesure de la capacité des ordinateurs quantiques (d'autres mesures importantes comprennent le temps de cohérence, la fidélité des qubits et la connectivité), il s'agit d'une bonne première approximation. C'est un peu comme si l'on utilisait les chevaux-vapeur comme approximation de la capacité d'une voiture. Pratiquement tout programme quantique utilisant 50 qubits ou moins peut être simulé sur un ordinateur classique (qui est moins cher, plus accessible et plus facile à utiliser). Mais à mesure que les ordinateurs quantiques prennent de l'ampleur et deviennent plus performants, il ne sera plus possible de simuler des circuits quantiques sophistiqués sur des ordinateurs classiques. Ils devront être exécutés sur du matériel quantique réel. Les feuilles de route de sociétés comme IBM, Honeywell et bien d'autres prévoient des centaines, voire des milliers de qubits dans les années à venir, ce qui creusera l'écart de performance en faveur des ordinateurs quantiques.

La programmation d'un ordinateur quantique est difficile

La programmation quantique exige un mode de pensée différent de celui de la programmation classique. La plupart des environnements de développement quantique actuels fonctionnent au niveau des portes, ce qui signifie que les programmeurs doivent spécifier presque manuellement le "câblage" entre les qubits et les portes quantiques qui effectuent des actions sur eux. À un certain niveau, cela ressemble au processus de création de circuits électroniques : les fils se connectent à des portes logiques qui, à leur tour, se connectent à d'autres portes logiques. Si cette approche manuelle peut être pratique pour une poignée de qubits, elle n'est pas adaptée à des centaines de milliers d'entre eux. Heureusement, des plateformes de programmation telles que Classiq, qui fournissent des abstractions de plus haut niveau, deviennent disponibles, permettant aux ingénieurs en IA de spécifier la fonctionnalité souhaitée à un haut niveau d'abstraction, puis de laisser un programme informatique synthétiser un circuit quantique à partir de cette fonctionnalité.

Les talents compétents dans le domaine quantique sont difficiles à trouver

La programmation d'un ordinateur quantique suppose aujourd'hui un haut niveau d'expertise, essentiellement des connaissances de niveau doctoral en science de l'information quantique. Alors que les universités multiplient les programmes d'enseignement sur la quantique, il est difficile de trouver des ingénieurs en logiciels quantiques qualifiés et expérimentés. Bien que l'externalisation du développement quantique soit une option, de nombreuses organisations estiment que le quantique est une technologie stratégique et qu'il est important de développer des compétences internes. Il s'agit également d'un domaine où les nouvelles plateformes de développement rendent le quantique plus accessible aux experts de domaines spécifiques (tels que ceux de la finance, de la logistique, des sciences des matériaux et, bien sûr, de l'IA et de l'apprentissage automatique) sans exiger une compréhension approfondie de la physique quantique. En l'absence de solutions appropriées pour les talents ou de meilleurs environnements de programmation, il sera difficile de réaliser le potentiel de l'informatique quantique pour l'IA.

Les ordinateurs quantiques sont incompatibles entre eux

Les ordinateurs quantiques de différents fabricants ne sont pas compatibles. Ils n'utilisent pas exactement les mêmes portes (un peu comme les jeux d'instructions disponibles). Ils n'ont pas le même nombre de qubits. Les qubits ne sont pas connectés les uns aux autres de la même manière. Cela pose un ensemble de problèmes entièrement nouveaux par rapport à ceux auxquels nous sommes habitués dans les ordinateurs classiques. Par exemple, les responsables informatiques peuvent supposer sans risque que le code fonctionnant sur un ordinateur portable Lenovo fonctionnera sur un ordinateur portable Dell, mais ils ne peuvent pas faire les mêmes suppositions pour les ordinateurs quantiques. Les clients nous disent régulièrement qu'ils ne sont pas encore prêts à s'engager auprès d'un fournisseur de matériel parce qu'ils ne savent pas qui sortira vainqueur de la course au matériel. C'est pourquoi les entreprises recherchent souvent des plateformes de développement qui harmonisent ou abstraient le matériel et facilitent le portage des algorithmes d'un ordinateur à l'autre. En outre, les entreprises préfèrent souvent utiliser des fournisseurs de cloud quantique (tels qu'Amazon Braket ou Azure Quantum) car ces fournisseurs proposent plusieurs types d'ordinateurs quantiques et facilitent grandement l'expérimentation.

Quel est l'avenir de l'informatique quantique pour l'intelligence artificielle ?

Les clients comprennent que l'informatique quantique peut avoir un impact stratégique sur leur activité, mais ils sont conscients qu'il faudra peut-être quelques années pour que cet impact se concrétise. Cela dit, les entreprises comprennent qu'il est temps de faire les premiers pas dans le monde quantique, de développer une expertise interne, d'identifier les premiers cas d'utilisation et de réaliser de courtes preuves de concept, afin de ne pas rester à la traîne de ceux qui ont maîtrisé l'apprentissage automatique quantique et l'IA lorsque le matériel et les logiciels seront à la hauteur de l'immense promesse de l'informatique quantique.

Les ordinateurs quantiques sont promis à un bel avenir aux côtés des ordinateurs classiques pour faire progresser l'intelligence artificielle. À l'avenir, il est possible que les ordinateurs quantiques puissent être utilisés pour effectuer la plupart des opérations d'apprentissage et d'inférence de l'intelligence artificielle, mais les utilisateurs doivent être conscients des limites actuelles et futures et préparer un ensemble d'outils de développement approprié pour atteindre leurs objectifs.

Vous voulez commencer ? Améliorez votre parcours quantique avec notre plateforme de conception d'algorithmes quantiques.

 

 

 

Que signifie l'informatique quantique pour l'IA ?

L'informatique quantique et son application à l'IA ont fait des progrès spectaculaires ces dernières années - de l'expérience de suprématie quantique de Google aux activités du marché public et aux annonces de feuilles de route de produits - et ont suscité un enthousiasme justifié doublé d'une certaine prudence dans la communauté de l'apprentissage automatique et de l'IA. Les ordinateurs quantiques aideront-ils l'IA et inaugureront-ils une révolution de l'apprentissage machine quantique (QML) ? Dans quel délai cela se produira-t-il ? Que doivent faire les dirigeants prévoyants pour planifier ce jour de manière responsable ?

Pourquoi les ordinateurs quantiques sont-ils intéressants ?

Les ordinateurs quantiques utilisent des qubits (bits quantiques) au lieu de bits ordinaires. Bien que les qubits soient beaucoup plus difficiles à produire, à stabiliser et à mettre à l'échelle aujourd'hui, ils apportent deux capacités intrinsèquement uniques qui découlent de la mécanique quantique : la superposition et l'enchevêtrement. La superposition permet à un qubit de contenir plusieurs valeurs à la fois (avec des probabilités différentes). L'intrication permet d'interconnecter plusieurs qubits d'une manière qui élargit la dimensionnalité du problème. Alors que 10 bits classiques peuvent contenir une seule valeur parmi les 1024 valeurs possibles à un moment donné, 10 qubits peuvent contenir ces 1024 valeurs simultanément. Un ordinateur quantique de 50 qubits peut contenir et traiter plus d'un quadrillion de valeurs en même temps, alors qu'un ordinateur classique ne peut traiter qu'une seule de ces valeurs à un moment donné. À titre indicatif, un quadrillion correspond à environ 50 fois le nombre de globules rouges dans le corps humain. 

Les ordinateurs quantiques sont programmés différemment des ordinateurs classiques. Le code quantique ressemble à une conception électronique : il relie les qubits aux portes quantiques qui fonctionnent sur eux. Lorsque les algorithmes sont codés de manière appropriée en "langage quantique", les ordinateurs quantiques peuvent potentiellement générer une amélioration spectaculaire et exponentielle de la vitesse par rapport à leurs homologues classiques. Les ordinateurs quantiques à 50 qubits sont aujourd'hui une réalité, et lorsque des ordinateurs quantiques avec des centaines ou même des milliers de qubits seront en ligne, l'augmentation exponentielle de la capacité laissera rapidement les ordinateurs classiques dans la poussière.

Si nous parvenons à surmonter la difficulté de créer des ordinateurs quantiques, les scientifiques des données pourront utiliser cette accélération spectaculaire pour trouver de nouvelles idées dans les algorithmes d'IA/ML et faire progresser l'IA vers de nouveaux sommets. En bref, les ordinateurs quantiques ont le potentiel de révolutionner l'IA. L'IA quantique est possible et les ordinateurs quantiques peuvent être utilisés pour l'IA, mais les organisations doivent être conscientes des pièges et des limites, comme décrit ci-dessous.

Quels sont les avantages de l'utilisation de l'informatique quantique pour l'IA ?

Les ordinateurs quantiques ne sont pas faciles à utiliser, mais ils offrent des avantages considérables pour les applications d'intelligence artificielle et d'apprentissage automatique :

Heuristique quantique

Les heuristiques de l'informatique quantique se comportent différemment des heuristiques classiques. De nombreux algorithmes classiques d'apprentissage automatique et d'IA se sont révélés empiriquement efficaces, mais il n'existe pas de preuve théorique de leur efficacité. Un ingénieur en intelligence artificielle et en apprentissage automatique curieux aurait tout intérêt à essayer l'heuristique quantique. Les ordinateurs quantiques pourraient-ils produire de meilleurs résultats ? Ils pourraient peut-être réussir dans les cas où l'heuristique classique ne répond pas aux attentes. Les ordinateurs quantiques pourraient constituer une nouvelle flèche dans le carquois métaphorique.

Les ordinateurs quantiques peuvent représenter les données de manière compacte

Les ordinateurs quantiques peuvent charger des données de manière exponentiellement plus compacte. Non seulement la propriété de superposition des qubits leur permet de contenir plusieurs valeurs simultanément, mais ces valeurs peuvent se voir attribuer des poids différents. De nombreux logiciels d'intelligence artificielle et d'apprentissage automatique explorent des solutions dans un espace multidimensionnel, et il pourrait donc être plus facile de modéliser ces grands espaces et d'y charger des données sur des ordinateurs quantiques. En effet, il pourrait être possible de modéliser certains problèmes sur des ordinateurs quantiques qui ne pourraient pas être modélisés sur des ordinateurs classiques.

Les ordinateurs quantiques offrent une accélération algorithmique

L'algorithme Harrow, Hassidim, Lloyd (HHL) est l'un des algorithmes les plus populaires de l'informatique quantique. Il offre une accélération exponentielle prouvée dans la résolution des systèmes d'équations linéaires. Les systèmes d'équations linéaires sont largement utilisés dans la régression linéaire par les moindres carrés et les processus gaussiens, et les résoudre exponentiellement plus vite que les ordinateurs classiques est très précieux.

Un autre algorithme quantique populaire est la recherche Grover, qui permet d'effectuer des recherches efficaces dans des ensembles de données non structurées, avec une accélération prouvée par rapport aux recherches classiques. Par exemple, si un algorithme de recherche classique termine la recherche sur un ensemble de données donné en un certain temps, ce temps sera multiplié par quatre si la taille de l'ensemble de données est multipliée par quatre. En revanche, le temps nécessaire pour effectuer une recherche Grover doublerait - au lieu d'être multiplié par quatre - à chaque fois que la taille de l'ensemble de données serait multipliée par quatre.

Ce ne sont là que deux exemples d'algorithmes quantiques qui offrent une accélération. La vitesse exacte varie d'un algorithme quantique à l'autre, mais le fait que certains algorithmes puissent s'exécuter beaucoup plus rapidement sur des ordinateurs quantiques permet d'espérer que certaines opérations algorithmiques passent de l'impraticable à la pratique.

Les ordinateurs quantiques peuvent découvrir de nouveaux modèles de données

Les ordinateurs quantiques produisent de nouveaux types de modèles de données. On peut donc espérer identifier ces modèles en utilisant des algorithmes inversés (c'est-à-dire des algorithmes qui ont fait l'objet d'une rétro-ingénierie en observant leur comportement).

Les ordinateurs quantiques peuvent-ils être utilisés parallèlement aux ordinateurs classiques pour l'IA ?

Dans quelques années, lorsque nous disposerons d'ordinateurs quantiques dotés de nombreux qubits de haute qualité, certaines tâches seront encore mieux exécutées par des ordinateurs classiques. C'est pourquoi, même aujourd'hui, alors que les ordinateurs quantiques sont loin d'être parfaits, de nombreuses entreprises explorent la possibilité d'utiliser à la fois des ordinateurs quantiques et des ordinateurs classiques. Cette catégorie d'algorithmes est appelée "algorithmes hybrides classiques/quantiques".

Algorithmes hybrides de calcul quantique : pourquoi sont-ils intéressants aujourd'hui ?

Les ordinateurs quantiques sont formidables, mais ils ne sont pas la solution à tout. L'une des raisons en est que les ordinateurs classiques pourraient être meilleurs pour certaines tâches, telles que la lecture de données à partir d'un stockage externe, la communication sur les réseaux existants, ou simplement l'exécution de l'infinie variété de programmes qui fonctionnent suffisamment bien sur les ordinateurs classiques. Dans ces cas, on peut s'appuyer sur l'analogie CPU/GPU. Le GPU (unité de traitement graphique) est un coprocesseur très utile pour une unité centrale générale. De même, une unité de traitement quantique (QPU) pourrait être un processeur fantastique à côté d'une unité centrale classique.

Aujourd'hui, les ordinateurs quantiques ne sont pas aussi stables que nous le souhaiterions. Que ce soit en raison de changements de température, de vibrations ou d'interférences externes, les ordinateurs quantiques sont limités dans la durée de leurs calculs. C'est pourquoi les spécialistes de l'information quantique modifient les algorithmes - parfois de manière très importante - pour qu'ils fonctionnent de manière hybride. Le VQE (Variational Quantum Eigensolver) et le QAOA (Quantum Approximate OptimizationAlgorighm) sont des exemples d'algorithmes quantiques hybrides. Ces algorithmes fonctionnent dans une boucle "générer/solver", qui ressemble à ce qui suit :

Comme vous pouvez le voir, une partie des calculs (blocs jaunes) est effectuée à l'aide d'ordinateurs classiques et une autre partie (blocs verts) à l'aide de l'ordinateur quantique.

Existe-t-il des logiciels quantiques hybrides pour l'IA ?

Oui. Les hybrides d'intelligence artificielle à base d'informatique quantique sont de plus en plus populaires, et notre plateforme offre des possibilités similaires de créer des circuits hybrides. Des progiciels d'apprentissage tels que Google Tensorflow ont publié des extensions d'informatique quantique afin de permettre l'utilisation d'ordinateurs quantiques parallèlement aux combinaisons existantes de CPU/GPU. Selon Google, ces extensions offrent les fonctions clés suivantes :

  • Préparez un ensemble de données quantiques. L'ensemble de données doit être encodé dans des tenseurs (tableau multidimensionnel de nombres correspondant au nombre de qubits). Les qubits doivent être initialisés à des valeurs spécifiques, et cette initialisation se fait également par la création d'un circuit quantique. 
  • Évaluer un modèle de réseau neuronal quantique - Le chercheur peut prototyper un réseau neuronal quantique. Les modèles quantiques sont souvent paramétrés (comme c'est le cas des algorithmes d'optimisation quantique tels que QAOA et VQE). L'objectif du modèle est d'effectuer des calculs quantiques afin d'extraire des informations cachées dans un état typiquement intriqué, en les rendant accessibles à des mesures locales et à un post-traitement classique.
  • Mesure - à la fin d'un circuit de traitement quantique, des mesures (également appelées échantillonnage) doivent être effectuées. Les mesures convertissent l'état des qubits en nombres classiques que le code classique peut ensuite utiliser pour optimiser le circuit quantique. Comme les qubits se trouvent souvent dans une superposition d'états, plusieurs mesures doivent être effectuées pour obtenir une valeur approximative d'un qubit. Pour un exemple simpliste, considérons un qubit unique qui a une probabilité de 80 % d'être dans l'état "0" et de 20 % d'être dans l'état "1". Une seule mesure donnera "0" ou "1", mais ce n'est que si nous effectuons des centaines de milliers de mesures que nous pourrons constater que dans environ 80 % des mesures, nous obtenons un "0".
  • Évaluer un modèle de réseau neuronal classique - Une fois la mesure effectuée, elle peut être utilisée dans le cadre d'un post-traitement classique. Les réseaux neuronaux profonds classiques peuvent être appliqués pour distiller des corrélations entre les attentes mesurées.
  • Évaluer la fonction de coût - La fonction de coût peut être basée sur la précision avec laquelle le modèle effectue la tâche de classification ou sur tout autre critère que l'utilisateur souhaite maximiser ou minimiser.
  • Mise à jour des paramètres du modèle - Après avoir évalué la fonction de coût, les paramètres libres du pipeline doivent être mis à jour afin d'optimiser le coût. 

L'ensemble de ce processus est décrit dans le diagramme suivant :

Ci-dessus : Aperçu abstrait de haut niveau des étapes de calcul impliquées dans le pipeline de bout en bout pour l'inférence et l'apprentissage d'un modèle discriminant hybride quantique-classique pour les données quantiques dans TensorFlow quantum.

Ordinateurs quantiques pour l'IA : quelles sont les limites ?

Cependant, parallèlement à la promesse passionnante de l'informatique quantique pour l'IA, il faut être conscient des réalités et des limites actuelles de l'informatique quantique.

Quelles sont les principales limites de l'informatique quantique en ce qui concerne l'IA ?

Les ordinateurs quantiques offrent aujourd'hui un nombre limité de qubits

Les ordinateurs actuels ne disposent que d'un nombre limité de qubits. Bien que le nombre de qubits ne soit pas la seule mesure de la capacité des ordinateurs quantiques (d'autres mesures importantes comprennent le temps de cohérence, la fidélité des qubits et la connectivité), il s'agit d'une bonne première approximation. C'est un peu comme si l'on utilisait les chevaux-vapeur comme approximation de la capacité d'une voiture. Pratiquement tout programme quantique utilisant 50 qubits ou moins peut être simulé sur un ordinateur classique (qui est moins cher, plus accessible et plus facile à utiliser). Mais à mesure que les ordinateurs quantiques prennent de l'ampleur et deviennent plus performants, il ne sera plus possible de simuler des circuits quantiques sophistiqués sur des ordinateurs classiques. Ils devront être exécutés sur du matériel quantique réel. Les feuilles de route de sociétés comme IBM, Honeywell et bien d'autres prévoient des centaines, voire des milliers de qubits dans les années à venir, ce qui creusera l'écart de performance en faveur des ordinateurs quantiques.

La programmation d'un ordinateur quantique est difficile

La programmation quantique exige un mode de pensée différent de celui de la programmation classique. La plupart des environnements de développement quantique actuels fonctionnent au niveau des portes, ce qui signifie que les programmeurs doivent spécifier presque manuellement le "câblage" entre les qubits et les portes quantiques qui effectuent des actions sur eux. À un certain niveau, cela ressemble au processus de création de circuits électroniques : les fils se connectent à des portes logiques qui, à leur tour, se connectent à d'autres portes logiques. Si cette approche manuelle peut être pratique pour une poignée de qubits, elle n'est pas adaptée à des centaines de milliers d'entre eux. Heureusement, des plateformes de programmation telles que Classiq, qui fournissent des abstractions de plus haut niveau, deviennent disponibles, permettant aux ingénieurs en IA de spécifier la fonctionnalité souhaitée à un haut niveau d'abstraction, puis de laisser un programme informatique synthétiser un circuit quantique à partir de cette fonctionnalité.

Les talents compétents dans le domaine quantique sont difficiles à trouver

La programmation d'un ordinateur quantique suppose aujourd'hui un haut niveau d'expertise, essentiellement des connaissances de niveau doctoral en science de l'information quantique. Alors que les universités multiplient les programmes d'enseignement sur la quantique, il est difficile de trouver des ingénieurs en logiciels quantiques qualifiés et expérimentés. Bien que l'externalisation du développement quantique soit une option, de nombreuses organisations estiment que le quantique est une technologie stratégique et qu'il est important de développer des compétences internes. Il s'agit également d'un domaine où les nouvelles plateformes de développement rendent le quantique plus accessible aux experts de domaines spécifiques (tels que ceux de la finance, de la logistique, des sciences des matériaux et, bien sûr, de l'IA et de l'apprentissage automatique) sans exiger une compréhension approfondie de la physique quantique. En l'absence de solutions appropriées pour les talents ou de meilleurs environnements de programmation, il sera difficile de réaliser le potentiel de l'informatique quantique pour l'IA.

Les ordinateurs quantiques sont incompatibles entre eux

Les ordinateurs quantiques de différents fabricants ne sont pas compatibles. Ils n'utilisent pas exactement les mêmes portes (un peu comme les jeux d'instructions disponibles). Ils n'ont pas le même nombre de qubits. Les qubits ne sont pas connectés les uns aux autres de la même manière. Cela pose un ensemble de problèmes entièrement nouveaux par rapport à ceux auxquels nous sommes habitués dans les ordinateurs classiques. Par exemple, les responsables informatiques peuvent supposer sans risque que le code fonctionnant sur un ordinateur portable Lenovo fonctionnera sur un ordinateur portable Dell, mais ils ne peuvent pas faire les mêmes suppositions pour les ordinateurs quantiques. Les clients nous disent régulièrement qu'ils ne sont pas encore prêts à s'engager auprès d'un fournisseur de matériel parce qu'ils ne savent pas qui sortira vainqueur de la course au matériel. C'est pourquoi les entreprises recherchent souvent des plateformes de développement qui harmonisent ou abstraient le matériel et facilitent le portage des algorithmes d'un ordinateur à l'autre. En outre, les entreprises préfèrent souvent utiliser des fournisseurs de cloud quantique (tels qu'Amazon Braket ou Azure Quantum) car ces fournisseurs proposent plusieurs types d'ordinateurs quantiques et facilitent grandement l'expérimentation.

Quel est l'avenir de l'informatique quantique pour l'intelligence artificielle ?

Les clients comprennent que l'informatique quantique peut avoir un impact stratégique sur leur activité, mais ils sont conscients qu'il faudra peut-être quelques années pour que cet impact se concrétise. Cela dit, les entreprises comprennent qu'il est temps de faire les premiers pas dans le monde quantique, de développer une expertise interne, d'identifier les premiers cas d'utilisation et de réaliser de courtes preuves de concept, afin de ne pas rester à la traîne de ceux qui ont maîtrisé l'apprentissage automatique quantique et l'IA lorsque le matériel et les logiciels seront à la hauteur de l'immense promesse de l'informatique quantique.

Les ordinateurs quantiques sont promis à un bel avenir aux côtés des ordinateurs classiques pour faire progresser l'intelligence artificielle. À l'avenir, il est possible que les ordinateurs quantiques puissent être utilisés pour effectuer la plupart des opérations d'apprentissage et d'inférence de l'intelligence artificielle, mais les utilisateurs doivent être conscients des limites actuelles et futures et préparer un ensemble d'outils de développement approprié pour atteindre leurs objectifs.

Vous voulez commencer ? Améliorez votre parcours quantique avec notre plateforme de conception d'algorithmes quantiques.

 

 

 

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.

Voir aussi

Aucun élément trouvé.

Créez des logiciels quantiques sans contraintes

contactez-nous