Premiers efforts sur la voie de l'apprentissage automatique quantique fiable

Toutes celles et tous ceux qui ramassent des champignons savent qu'il est préférable de séparer les champignons vénéneux des autres. Sans parler de ce qui se passerait si quelqu'un mangeait les champignons vénéneux. Dans de tels «problèmes de classification», qui nous obligent à distinguer certains objets les uns des autres et à affecter les objets que nous recherchons à certaines classes au moyen de caractéristiques, les ordinateurs peuvent déjà apporter une aide utile aux humain·es.

Les méthodes intelligentes d'apprentissage automatique peuvent reconnaître des modèles ou des objets et les extraire automatiquement d'ensembles de données. Par exemple, elles peuvent sélectionner dans une base de données de photos les images de champignons non toxiques. En particulier avec des ensembles de données très vastes et complexes, l'apprentissage automatique peut fournir des résultats précieux que les humain·es ne seraient pas en mesure de trouver, ou seulement avec beaucoup plus de temps. Cependant, pour certaines tâches de calcul, même les ordinateurs les plus rapides disponibles aujourd'hui atteignent leurs limites. C'est là qu'intervient la grande promesse des ordinateurs quantiques: un jour, ils effectueront également des calculs ultrarapides que les ordinateurs classiques ne peuvent pas résoudre dans un laps de temps utile.

La raison de cette «suprématie quantique» réside dans la physique: les ordinateurs quantiques calculent et traitent les informations en exploitant certains états et interactions qui se produisent au sein des atomes ou des molécules ou entre les particules élémentaires.

Le fait que les états quantiques puissent se superposer et s'enchevêtrer crée une base qui permet aux ordinateurs quantiques d'accéder à un ensemble fondamentalement plus riche de logiques de traitement. Par exemple, contrairement aux ordinateurs classiques, les ordinateurs quantiques ne calculent pas avec des codes binaires ou des bits, qui traitent l'information uniquement sous la forme de 0 ou de 1, mais avec des bits quantiques ou qubits, qui correspondent aux états quantiques des particules. La différence essentielle est que les qubits peuvent réaliser non seulement un état - 0 ou 1 - par étape de calcul, mais aussi un état dans lequel les deux se superposent. Ces méthodes plus générales de traitement de l'information permettent à leur tour d'accélérer considérablement le calcul de certains problèmes.

Traduire la sagesse classique dans le domaine quantique

Ces avantages de vitesse de l'informatique quantique sont également une opportunité pour les applications d'apprentissage automatique - après tout, les ordinateurs quantiques pourraient calculer les énormes quantités de données dont les méthodes d'apprentissage automatique ont besoin pour améliorer la précision de leurs résultats beaucoup plus rapidement que les ordinateurs classiques.

Toutefois, pour exploiter réellement le potentiel de l'informatique quantique, il faut adapter les méthodes classiques d'apprentissage automatique aux particularités des ordinateurs quantiques. Par exemple, les algorithmes, c'est-à-dire les règles de calcul mathématiques qui décrivent comment un ordinateur classique résout un certain problème, doivent être formulés différemment pour les ordinateurs quantiques. Le développement d'«algorithmes quantiques» performants pour l'apprentissage automatique n'est pas entièrement trivial, car il reste quelques obstacles à surmonter.

D'une part, cela est dû au matériel quantique: à l'ETH Zurich, les chercheur·ses disposent actuellement d'ordinateurs quantiques qui fonctionnent avec jusqu'à 17 qubits. Cependant, si les ordinateurs quantiques doivent un jour réaliser leur plein potentiel, ils pourraient avoir besoin de milliers, voire de centaines de milliers de qubits.

Le bruit quantique et l'inévitabilité des erreurs

L'un des défis auxquels sont confrontés les ordinateurs quantiques concerne leur vulnérabilité aux erreurs. Les ordinateurs quantiques actuels fonctionnent avec un niveau très élevé de «bruit», comme on appelle les erreurs ou les perturbations dans le jargon technique. Pour l'American Physical Society, ce bruit est «le principal obstacle à la mise à l'échelle des ordinateurs quantiques». Il n'existe pas de solution globale pour corriger et atténuer les erreurs: on n'a pas encore trouvé le moyen de produire du matériel quantique exempt d'erreurs, et les ordinateurs quantiques de 50 à 100 qubits sont trop petits pour mettre en œuvre des logiciels ou des algorithmes de correction.

Dans une certaine mesure, il faut s'accommoder du fait que les erreurs dans le calcul quantique sont en principe inévitables, car les états quantiques sur lesquels reposent les étapes concrètes du calcul ne peuvent être distingués et quantifiés que par des probabilités. Ce que l'on peut obtenir, en revanche, ce sont des procédures qui limitent l'ampleur du bruit et des perturbations à un point tel que les calculs fournissent néanmoins des résultats fiables. Les informaticien·nes qualifient de «robuste» une méthode de calcul qui fonctionne de manière fiable et, dans ce contexte, parlent également de la nécessaire «tolérance aux erreurs».

C'est exactement ce que le groupe de recherche dirigé par Ce Zhang, professeur d'informatique de l'ETH Zurich et membre du Centre d'IA de l'ETH Zurich, a récemment exploré, en quelque sorte «accidentellement» au cours d'une tentative de raisonnement sur la robustesse des distributions classiques dans le but de construire de meilleurs systèmes et plateformes d'apprentissage automatique. Avec le professeur Nana Liu de l'Université Jiao Tong de Shanghai et la professeure Bo Li de l'Université de l'Illinois à Urbana, il·les ont développé une nouvelle approche. Celle-ci leur permet de prouver les conditions de robustesse de certains modèles d'apprentissage automatique basés sur le calcul quantique, pour lesquels la fiabilité du calcul quantique et l'exactitude du résultat sont garanties. Les chercheur·ses ont publié leur approche, qui est l'une des premières du genre, dans la revue scientifique «npj Quantum Information».

Protection contre les erreurs et les pirates informatiques

«Lorsque nous avons réalisé que les algorithmes quantiques, comme les algorithmes classiques, sont sujets à des erreurs et à des perturbations, nous nous sommes demandé comment estimer ces sources d'erreurs et de perturbations pour certaines tâches d'apprentissage automatique, et comment garantir la robustesse et la fiabilité de la méthode choisie», explique Zhikuan Zhao, postdoc dans le groupe de Ce Zhang. «Si nous le savons, nous pouvons faire confiance aux résultats de calcul, même s'ils sont bruyants».

Les chercheur·ses ont étudié cette question en prenant comme exemple les algorithmes de classification quantique - après tout, les erreurs dans les tâches de classification sont délicates car elles peuvent affecter le monde réel, par exemple si des champignons vénéneux étaient classés comme non toxiques. Plus important encore, en utilisant la théorie des tests d'hypothèses quantiques - inspirée par les travaux récents d'autres chercheur·ses sur l'application des tests d'hypothèses dans le cadre classique - qui permet de distinguer les états quantiques, les chercheur·ses de l'ETH Zurich ont déterminé un seuil au-dessus duquel les affectations de l'algorithme de classification quantique sont garanties correctes et ses prédictions robustes.

Avec leur méthode de robustesse, les chercheur·ses peuvent même vérifier si la classification d'une entrée erronée et bruyante donne le même résultat qu'une entrée propre et sans bruit. À partir de leurs découvertes, les chercheur·ses ont également mis au point un schéma de protection qui peut être utilisé pour spécifier la tolérance d'erreur d'un calcul, qu'une erreur ait une cause naturelle ou qu'elle résulte d'une manipulation due à un piratage. Leur concept de robustesse fonctionne aussi bien pour les attaques de piratage que pour les erreurs naturelles.

«La méthode peut également être appliquée à une classe plus large d'algorithmes quantiques», explique Maurice Weber, doctorant auprès de Ce Zhang et premier auteur de la publication. Comme l'impact des erreurs dans l'informatique quantique augmente avec la taille du système, lui et Zhikuan Zhao mènent actuellement des recherches sur ce problème. «Nous sommes optimistes quant au fait que nos conditions de robustesse se révéleront utiles, par exemple, en conjonction avec des algorithmes quantiques conçus pour mieux comprendre la structure électronique des molécules.»