Les réseaux quantiques révèlent l'intelligence en essaim
Plusieurs réseaux quantiques mal entraînés sont plus performants ensemble qu'un seul réseau bien entraîné. Ce principe peut probablement être appliqué à de nombreuses architectures quantiques typiques.
Les oiseaux et les poissons le font. Tout comme les abeilles, les fourmis et les termites. Ils forment des essaims et profitent du fait qu'ils sont plus forts, plus intelligents et plus rapides en groupe. Mais une telle intelligence d'essaim peut-elle être appliquée aux réseaux quantiques ? C'est la question que s'est posée une équipe dirigée par Tanjung Krisnanda de l'Université technologique de Nanyang à Singapour, et elle a trouvé la réponse : Oui, plusieurs réseaux quantiques mal entraînés sont plus performants ensemble qu'un seul réseau bien entraîné. Il présente ses résultats dans le dernier numéro de la revue "Physical Review Applied".
En sciences sociales, l'intelligence collective est le fait qu'une décision ou un résultat pris collectivement par plusieurs personnes est supérieur à la performance d'un seul expert. Ce principe est appliqué aux prévisions économiques, à la prise de décision en matière de politique publique, au diagnostic médical et au conseil scientifique. L'"apprentissage par ensembles" en informatique classique s'en inspire. Il s'agit de l'idée qu'une combinaison de différents algorithmes d'apprentissage peut être meilleure qu'un algorithme seul.
Lorsque les réseaux neuronaux artificiels contiennent des systèmes quantiques comme nœuds, ils sont appelés réseaux quantiques neuronaux. Dans ce cas, les chercheurs ont utilisé un réseau de réservoir quantique (QRN) spécial qui exploite la nature non linéaire des interactions quantiques. Chaque entrée influence la réaction suivante.
L'entrée est constituée de deux qubits qui interagissent avec le QRN pendant un certain temps, de sorte que les informations sur l'entrée sont intégrées dans l'état du QRN. En lisant les nœuds du QRN et en traitant le résultat à l'aide d'une couche de sortie entraînée, les scientifiques sont en mesure de reconstruire complètement l'état de l'entrée (tomographie) ou de détecter si les qubits d'entrée sont intriqués. "En supposant que la somme des passages d'entraînement est la même dans les deux cas, nous montrons que le résultat collectif de l'essaim estime mieux les états d'entrée que l'expert", notent les auteurs. Cette conclusion s'applique également à la tâche de détection de l'enchevêtrement.
Pour pouvoir comparer l'expert et le collectif, les scientifiques s'étaient imposé que le nombre total de passages d'entraînement soit identique pour les deux systèmes. Mais si l'on assouplit cette restriction, écrivent-ils, l'augmentation de la taille de l'essaim offre même la possibilité de réduire le taux d'erreur à volonté. Il s'agit là d'une condition essentielle pour pouvoir utiliser l'apprentissage automatique de manière fiable dans des applications réelles. "Nous pensons que nos résultats peuvent être généralisés à de nombreuses architectures quantiques typiques et à des tâches d'apprentissage automatique avec des quanta."
Spektrum der Wissenschaft
Nous sommes partenaires de Spectre des Sciences et souhaitons vous rendre les informations fondées plus accessibles. Suivez Spectre des Sciences si vous aimez ses articles.
[[small:]]
Image : Shutterstock
Des experts de la science et de la recherche rendent compte des dernières découvertes dans leur domaine – de manière compétente, authentique et compréhensible.