L’augmentation exceptionnelle de la puissance informatique est susceptible de faire évoluer le machine learning. Elle ne bouleverse pourtant pas le concept.

L’apparition de l’ordinateur quantique fait certainement entrer dans une nouvelle période l’informatique. En effet, il permettra d’augmenter à 100 % la puissance de calcul à chaque nouveau quantum bit. Il permettra d’effectuer en quelques secondes seulement des calculs que les supercalculateurs classiques auraient faits en des milliers d’années. Il faut pourtant créer des qubits assez stables pour y arriver, ce qui est encore loin d’être faits. Les géants du net tels que Microsoft, Amazon, Google et IBM s’y mettent déjà en développant des algorithmes optimisés pour cette nouvelle architecture. L’intelligence artificielle occupe une place d’honneur parmi ces applications.

Avec la puissance de l’informatique quantique, il sera possible d’entraîner des modèles de machine learning via de colossales bases d’apprentissage selon le responsable d’une enseigne reconnue dans le domaine. En effet, un algorithme quantique basé sur une méthode probabiliste pourrait reconnaître des connexions difficiles à identifier auparavant. Selon un autre expert, un modèle de traitement automatique du langage tel que GPT 3 inclut déjà 175 milliards de paramètres d’apprentissage. Il serait ainsi possible de passer à une autre étape sur la traduction complexe ou d’analyse de sentiments.

Des trillions de paramètres
Il en est de même pour la vision par ordinateur. Dans ce cas-ci, les réseaux de neurones à convolution seront susceptibles de compulser des trillions de paramètres en bénéficiant surtout de réseaux réentrants. C’est le cas de la reconnaissance de formes et de scène comme ce qui se passe dans le véhicule autonome. Celle-ci sera plus fine et plus précise à un niveau inimaginable. Combinée à la taille de la mémoire quantique, elle permettra d’accélérer la vitesse d’apprentissage, un avantage énorme.

Les infrastructures quantiques seraient-elles susceptibles d’engendrer d’autres types de structures d’apprentissage, outre le recours aux modèles d’IA déjà existants ? Il n’y a pas d’avantages à tirer du recours à la complexité quantique pour concevoir un nouveau genre de réseau de neurones. Pour cause, les poids n’y seront pas pris comme des valeurs réelles, mais des valeurs en superposition. Les chercheurs comme les industriels se sont mis d’accord là-dessus.

Pour ce qui est des modèles de machine learning déjà en place, ils pourront facilement être appliqués à un environnement quantique stable disposant d’un nombre minimal de qubits. Selon un expert, la plupart des travaux de recherche diffusés dessus ont comme objectif la conversion des algorithmes d’apprentissage actuels pour qu’ils puissent fonctionner sur des environnements quantiques. C’est le cas des GAN ou Réseaux Antagonistes Génératifs ou des SVM, les Support Vector Machine. Pour ces derniers, les fonctions à noyau : linéaire, angulaire, hyperbolique, gaussienne, exponentielle peuvent résoudre les problèmes de :

classification,
régression,
détection d’anomalie dans l’espace 2D ou 3D.
Plus volumineuses sont ainsi les caractéristiques, plus coûteux sera le calcul, car nécessite une machine plus puissante. On a donc intérêt à changer ces fonctions en algorithmes quantiques pour effectuer rapidement ce calcul.

Outre, l’informatique quantique permet aussi de déterminer dans un court laps de temps les hyperparamètres d’un modèle dans un espace en 3 dimensions en parallélisant les calculs en 3D.

De par les 1ers résultats obtenus sur les algorithmes quantiques, il en ressort qu’ils arrivent à détecter des parterns dans des données bruitées, alors que les algorithmes habituels n’y arrivent pas. Si on prend en exemple la production du Boson de Higgs qui est très fine, l’Organisation européenne pour la recherche nucléaire ou le CERN se sert des SVM quantiques. Ceux-ci détectent les microévènements révélateurs dans les volumineuses données et qui sont produits par l’accélérateur de particules du laboratoire européen pour la physique des particules. Ces Support Vector Machine produisent une classification du signal, du bruit de fond, etc. Ce sont des SVM quantiques qui fournissent le même résultat que les classificateurs conçus par le CERN openlab en utilisant des méthodes habituelles. Cela promet de de belles progressions au fil de l’avancée de la recherche dans le hardware quantique, selon toujours un spécialiste.

L’Intelligence Artificielle NISQ
L’informatique quantique permet ainsi d’accélérer la recherche dans de nombreux domaines tels que :

l’analyse génétique,
la prédiction de la structure des protéines et découverte de nouveaux traitements,
l’optimisation logistique,
le moteur de recommandation de produits,
la détection des fraudes,
la chimie,
le développement de nouveaux métiers, etc.
Dans le secteur industriel, Airbus et EDF se sont également investis dans la recherche en informatique quantique. En finance, Barclays, Golman Sachs et JP Morgan ont fait de même. Ils souhaitent surtout profiter du machine learning quantique pour arriver à concevoir des modèles de prédiction plus solides ou peaufiner le scoring d’actifs ou de crédits.

Dans l’attente de l’avènement de machines quantiques stables, les 1ers systèmes Noisy Intermediate-Scale Quantum ou NISQ devraient apparaître en 2023. Ce sont des machines quantiques qui comptent 50 à plusieurs centaines de qubits, mais qui ne sont stables que quelques moments. Elles ne sont donc pas indiquées pour certaines opérations. Les SVM ne seront pas par exemple fonctionnels en mode NISQ, contrairement au reinforcement learning, plus encourageant. Les réseaux de neurones, quant à eux, requerront des centaines à des millions de qubits pour être opérationnels dans ce monde. En effet, le coût d’encodage est quadratique si comparé au nombre de paramètres à travailler. Cependant, le deep learning quantique pourrait être plus robuste au bruit des systèmes NISQ dans la reconnaissance d’images. Les premières IA quantiques présenteront de ce fait certaines contraintes comme tel est le cas la plupart du temps en informatique.