La combinaison de l’IA et de la technologie quantique existe en fait depuis une trentaine d’années. Au début des années 1990, Elizabeth Behrman, professeure de physique, cherchait déjà des moyens de faire fonctionner les deux technologies de pointe ensemble. A cette époque, le monde scientifique pensait encore que les deux étaient comme l’eau et le feu. Aujourd’hui, il est évident d’appliquer les principes de l’IA et de la technologie quantique l’un à l’autre.
Kwantumalgoritmen
A lire également : Fyre : de la start-up prometteuse au festival de la catastrophe
Un algorithme est simplement un ensemble d’instructions que vous devez suivre pour résoudre un certain problème. Chaque étape de l’ensemble des instructions peut être exécutée sur un ordinateur conventionnel.
Un algorithme quantique ne diffère pas beaucoup d’un « algorithme normal » à cet égard, puisqu’il s’agit d’un algorithme spécial que vous pouvez exécuter sur un ordinateur quantique.
A lire aussi : L'empreinte écologique des pneus des voitures électriques
Bien qu’en théorie tous les algorithmes classiques puissent être calculés sur un ordinateur quantique, le terme algorithme quantique est généralement utilisé pour les algorithmes qui manifestent naturellement certaines propriétés quantiques telles que l’accumulation ou l’intrication.
L’algorithme de Shor
L’algorithme Shor est l’un des algorithmes quantiques les plus connus, et est utilisé pour calculer rapidement les nombres premiers d’un nombre quelconque.
Il y a aussi l’algorithme de Grover, qui est souvent utilisé dans des contextes data-scientifiques. Cet algorithme est utilisé pour rechercher une base de données non structurée ou une liste non ordonnée. Les deux algorithmes calculent également les zones à problèmes exponentiellement plus rapidement que les algorithmes conventionnels, ce qui les rend extrêmement adaptés aux ordinateurs quantiques.
Pièces du puzzle
Aujourd’hui, les ordinateurs quantiques ont peu d’applications commerciales. Ils pourraient être utilisés dans les voyages spatiaux, pour l’invention de nouveaux médicaments et dans les simulations financières, mais à ce jour, il n’existe pas d’application quantique.
Il y a plusieurs raisons à cela, mais la plus importante est que les bits quantiques doivent être stockés dans des conditions très froides et stériles afin de conserver leurs propriétés quantiques.
Selon Johannes Otterbach, physicien chez Rigetti Computing, une start-up quantique à Berkeley, en Californie, l’intelligence artificielle et la technologie quantique s’assemblent comme les pièces d’un puzzle. « Il existe une possibilité naturelle de combinaison entre la nature statistique intrinsèque de l’informatique quantique et l’intelligence artificielle.
Selon George Musser de Quanta Magazine, Google, Microsoft, IBM et d’autres géants de la technologie sont maintenant aussi fortement engagés dans l’apprentissage des machines quantiques.
Réseaux de neurones
La tâche principale d’un réseau neuronal, qu’il soit conventionnel ou quantique, est de reconnaître les modèles. Un réseau neuronal s’inspire du cerveau humain et est une grille de neurones différents.
Les neurones sont disposés en différentes couches. Un premier calque accepte une certaine entrée telle que les pixels d’une image. Les intercalaires sont concernés par la création de combinaisons d’entrée telles que la représentation de certaines structures telles que les formes géométriques d’une certaine image. Le tout dernier calque produit alors la sortie, qui est une représentation précise du fichier image.
Dans un réseau neuronal, il est très important que les algorithmes ne soient pas définis à l’avance, mais qu’ils soient continuellement ajustés en fonction des boucles de rétroaction. Le réseau neuronal, par exemple, reçoit un certain nombre d’images que l’on peut appeler « chat » ou « chiot ».
Le réseau neuronal ajoute une étiquette pour chaque image et vérifie deux fois si l’étiquette est réellement correcte. Si ce n’était pas le cas, le réseau neuronal s’ajuste légèrement. Au début, le réseau neuronal parie un peu, mais ensuite le travail de devinette de ce réseau neuronal devient de plus en plus précis.
Au bout d’un certain temps, il connaît tous les animaux domestiques qu’il a besoin de connaître. Un réseau neuronal solide peut avoir plusieurs milliards de connexions les unes aux autres ; toutes ces connexions doivent être ajustées et affinées si nécessaire.
« L’apprentissage quantique profond »
Sur un ordinateur conventionnel, toutes ces connexions sont représentées par une gigantesque matrice de nombres ; l’exécution du réseau neuronal signifie également que vous devrez exécuter l’algèbre de matrice. (Oui, j’avais aussi peur, mais heureusement vous avez des ordinateurs pour cela.) De tels calculs sont généralement effectués sur une unité de traitement graphique, un processeur qui est plus adapté au traitement des réseaux neuronaux.
C’est là que réside le grand avantage des ordinateurs quantiques ; ils sont capables de traiter ces matrices neurales à la vitesse de l’éclair. Les ordinateurs quantiques peuvent traiter de grandes matrices et des vecteurs exponentiellement plus rapidement que les ordinateurs conventionnels. L’IA peut donc grandement bénéficier de la technologie quantique.
Ceci est en fait dû aux propriétés particulières de la mécanique quantique. Avec les ordinateurs conventionnels, un bit peut être 0 ou 1. Avec la technologie quantique, un bit quantique ou qubit est 0 et 1 en même temps. Deux qubits ont donc quatre formes possibles dans lesquelles ils peuvent se présenter : 0/0, 1/1, 0/1 et 1/0. Chacun de ces qubits a un certain « poids » qui peut être utilisé pour représenter un neurone dans un réseau neuronal.
Si vous ajoutez un troisième qubit, vous pouvez même représenter huit neurones, et avec un quatrième qubit 16, et ainsi de suite. Le débit augmente de façon exponentielle à mesure que vous ajoutez des qubits, ce qui n’est pas le cas avec les ordinateurs conventionnels.
Au début de cette année, Dario Gil de l’équipe de recherche en IA d’IBM a déjà présenté des résultats prometteurs à EmTech Digital. L’équipe d’IBM avait mené une simple expérience de classification sur un ordinateur quantique. De tels tests sont souvent effectués à des fins d’apprentissage machine et d’apprentissage approfondi, mais cette expérience était très spéciale parce qu’IBM n’avait pas au départ entrelacé les qubits.
L’expérience consistait à diviser différents points de la même couleur en groupes similaires. La première fois que l’expérience a été menée, le réseau quantique a dû enregistrer un taux d’erreur de cinq pour cent.
La deuxième fois qu’IBM a fait l’expérience, il a fait les qubits entrelacés. Cela leur a donné un taux d’erreur de 2,5 %, soit la moitié de leur première tentative. Cela suggère encore une fois le grand potentiel des ordinateurs quantiques pour l’IA et en particulier pour l’apprentissage profond.
