Les approches d’inspiration quantique d’aujourd’hui pour le retour sur investissement

L’informatique quantique va changer le monde – l’industrie l’a à juste titre accepté comme un fait. Cependant, jusqu’à ce que ce soit le cas, nous devons faire face à certaines limitations des machines de l’ère quantique à échelle intermédiaire bruyante (NISQ) que nous avons aujourd’hui. De nombreux cas d’utilisation nous permettent de montrer aux clients comment résoudre des problèmes commerciaux complexes avec de vrais ordinateurs quantiques NISQ. Pourtant, nous devons souvent accepter qu’il faudra un certain temps avant que nous ayons suffisamment de qubits d’une fidélité suffisamment élevée pour démontrer un véritable avantage comparable. Des machines tolérantes aux pannes arrivent, mais les organisations doivent être prêtes à investir dans l’apprentissage du codage pour elles, puis, selon le cas d’utilisation, à attendre jusqu’à quelques années pour mettre une solution en production. Le retour sur investissement devient un jeu d’attente.

Et s’il existait un moyen d’obtenir un retour sur investissement aujourd’hui tout en formant la main-d’œuvre pour demain ? Entrer approches d’inspiration quantique. Ces algorithmes, techniques et même du matériel sont conçus sur la base des principes de la physique quantique ou de l’informatique quantique (ou les deux), mais fonctionnent sur des systèmes classiques et évolutifs. Si cela ressemble à une contradiction, supportez-moi un moment; tout aura un sens.

Des solutions d’inspiration quantique peut former des grands modèles de langage (LLM) plus rapidement et à moindre coût, fournir une explication lors de la prise de décisions de crédit et aider à détecter les défauts dans les lignes de production. Ils peuvent accomplir tous les types d’optimisation et effectuer des prévisions impressionnantes. Nous pensons qu’ils vont secouer rapidement l’industrie cette année.

Algorithmes d’inspiration quantique

Le cœur des cas d’utilisation de l’informatique quantique est la résolution d’un problème classique à l’aide d’un algorithme quantique sur du matériel quantique. Par exemple, si une entreprise gère la détection des fraudes avec une classification binaire dans l’apprentissage automatique avec une machine à vecteurs de support (SVM), elle essaierait de résoudre le même problème sur une machine basée sur une porte quantique exécutant une SVM quantique (QSVM). Mais lorsqu’il manque de qubits utilisables en raison de limites matérielles, il n’a plus la possibilité d’ajouter des paramètres ou d’améliorer le modèle. Il faut alors se contenter d’une extrapolation pour déterminer combien de qubits seront nécessaires à l’avenir pour obtenir un avantage potentiel par rapport au SVM classique. Avec un algorithme d’inspiration quantique, il est souvent possible de sauter cette dernière étape. Si l’on s’en tient à l’exemple du SVM, il existe en fait un SVM d’inspiration quantique (QISVM). Ce dernier fonctionne sur du matériel classique, qui est souvent déployable à n’importe quel niveau de ressources nécessaires sur le cloud. Les QISVM existent depuis 2019.

Encore un prometteur apprentissage automatique approche utilise des réseaux de neurones convolutionnels d’inspiration quantique (QICNN). Depuis 2021, il y a eu des exemples de la façon dont ceux-ci peuvent surpasser les CNN classiques dans certains cas. Ce travail s’appuie sur des neurones d’inspiration quantique antérieurs à partir de simples réseaux à rétroaction. Les CNN, souvent utilisés pour la reconnaissance ou la classification d’images, attirent moins l’attention de nos jours. Les LLM comme GPT font la une des journaux et sont plutôt basés sur des transformateurs. Cependant, les LLM peuvent utiliser les CNN comme outils. Oui, l’IA utilise maintenant des outils !

D’autres algorithmes et cas d’utilisation s’aventurent dans l’optimisation. Le type le plus courant est le recuit d’inspiration quantique. Avec un véritable recuit quantique, il est possible de cartographier un problème comme le vendeur itinérant ou une optimisation de portefeuille sur des qubits réels et d’utiliser l’effet tunnel quantique pour trouver l’état ou la réponse d’énergie la plus basse. Considérez cette approche comme l’examen de tous les sommets et vallées des États-Unis. On pourrait les parcourir en voiture pour trouver le point le plus bas, mais il serait beaucoup plus rapide de traverser ces collines. Des recuits comme ceux construits par D-Wave permettre ce type de tunnel. Avec le recuit d’inspiration quantique, on ne peut pas tunneliser comme avec un vrai recuit mais on peut utiliser les fluctuations thermiques pour sauter rapidement, le tout sur du matériel classique. Cela fonctionne bien pour certains problèmes et pas pour d’autres, donc des essais et des erreurs sont impliqués.

Réseaux tensoriels inspirés de la physique quantique

Un tenseur est un objet mathématique qui peut représenter des données multidimensionnelles complexes. Pour créer un réseau de tenseurs, factorisez un grand tenseur en un réseau de tenseurs plus petits, réduisant ainsi le nombre de paramètres et la complexité de calcul. Les tenseurs sont reliés par des liens qui représentent les relations entre les sous-ensembles de données. Les réseaux de tenseurs sont inspirés de la physique quantique, pas de l’informatique quantique. Les réseaux peuvent modéliser des états quantiques, y compris représenter l’intrication sous forme de diagrammes graphiques.

Les réseaux tensoriels deviennent populaires en raison de leur utilisation dans l’apprentissage automatique. Ils peuvent travailler avec des données complexes et effectuer une réduction de dimensionnalité et une extraction de caractéristiques. Pensez à un calcul plus rapide et moins cher pour le ML ou Simulations de Monte-Carlo. Notamment, ils peuvent apporter des avantages en termes de coûts et de performances aux méthodes actuellement coûteuses de formation des LLM.

Recuits numériques

Un recuit numérique est une puce qui résout les types de problèmes d’optimisation combinatoire abordés ci-dessus, mais le fait en émulant le recuit quantique avec des techniques matérielles et logicielles classiques. Ces dispositifs présentent des avantages par rapport aux ordinateurs conventionnels et quantiques car ils peuvent gérer des problèmes à grande échelle avec des milliers de variables et de contraintes sans nécessiter de techniques complexes de codage ou de décomposition. Un recuit numérique peut également fonctionner à température ambiante et consommer moins d’énergie que les ordinateurs quantiques qui nécessitent un refroidissement cryogénique et des circuits supraconducteurs.

Alors que nous nous dirigeons vers un avantage quantique démontrable, nous nous attendons à des approches inspirées par le quantique pour résoudre les problèmes commerciaux réels avec un avantage aujourd’hui.

Lisez les résultats de notre nouvelle enquête mondiale auprès des dirigeants de l’informatique : Le bras de fer entre innovation et dette technique.

En savoir plus sur notre solutions technologiques émergentes.

Connectez-vous avec l’auteur

Konstantinos Karagiannis
Directeur, Services d’informatique quantique