zapp2photo - stock.adobe.com
IBM fait une démo d'informatique quantique appliquée à l'Intelligence Artificielle
En collaboration avec le MIT et l'université d'Oxford, les chercheurs d'IBM ont examiné comment l'informatique quantique pouvait accélérer la classification des données dans un exemple précis de Machine Learning.
Le MIT (Massachusetts Institute of Technology), les universités d'Oxford, ainsi que des chercheurs de la division Q d'IBM ont publié un article qui détaille une expérience pour montrer comment l'informatique quantique pourrait accélérer l'apprentissage statistique.
L'article, publié dans la revue scientifique internationale Nature, décrit comment les ordinateurs quantiques pourraient surpasser les ordinateurs traditionnels pour la « cartographie des caractéristiques » ou « Feature Mapping ». Il s'agit d'une composante du Machine Learning qui désassemble les données pour avoir accès à des détails plus fins.
La technique consiste à examiner les données connues pour identifier des caractéristiques dans le jeu de données, comme les différences entre l'image d'un chat et celle d'un chien. Dans un échange avec nos collègues de Computer Weekly (groupe TechTarget également propriétaire du MagIT) Kristan Temme, chercheur chez IBM, explique concernant cette publication que : « Le Feature Mapping prend une donnée brute et énumère toutes les caractéristiques qu'elle possède ».
Pour certains types d'analyse, les ressources de calcul nécessaires au Feature Mapping croissent de façon exponentielle avec la taille du problème, ce qui rend difficile sa résolution sur un ordinateur traditionnel. Mais cette caractéristique en fait un candidat idéal pour un traitement par l'informatique quantique, avance Kristan Temme.
« Il y a une convergence naturelle entre les deux », résume-t-il. « Vous pouvez appliquer un circuit quantique à un feature map qui serait difficile à faire avec du Machine Learning classique sur des ordinateurs traditionnels ».
Il ajoute que si certains feature map fonctionnent bien sur ces ordinateurs traditionnels, d'autres fonctionneront mieux sur un ordinateur quantique. Conséquence, « nous voulons être en mesure d'identifier ceux qui ne peuvent pas être classés avec les outils traditionnels ».
Au cours de l'expérience, Kristan Temme explique que les chercheurs ont choisi un feature map difficile à traiter et qu'ils ont sélectionné un jeu de données connues que l'algorithme serait capable d'identifier parfaitement. L'algorithme de Machine Learning a ensuite été testé sur un ordinateur quantique pour vérifier qu'il donnait bien les résultats prévus.
Toujours selon Kristan Temme, les chercheurs doivent aujourd'hui identifier d'autres feature map qui pourraient bénéficier de l'informatique quantique. Pour faciliter cette exploration, l'ensemble du code et l'accès à l'expérience ont été publiés en open source sur GitHub.
L'ordinateur quantique pour exécuter l'expérience est également accessible gratuitement via IBM Q - en tant que service cloud (QaaS).
