« Notre objectif est d’accélérer l’étude de l’apprentissage automatique quantique », avance Loïc Henriet de Pasqal

A l’occasion du Sommet pour l’IA qui se déroule jusqu’au 11 février à Paris, Pasqal organise la deuxième édition de son défi Blaise Pascal, un hackathon portant sur la combinaison de l’IA et du calcul quantique pour l’innovation soutenable. Quel est votre objectif concret ?

Notre objectif est d’accélérer l’étude de l’apprentissage automatique quantique, ou QML (quantum machine learning), en faisant usage de la technologie de Pasqal. Le QML est un domaine de recherche relativement récent, qui a émergé en 2017/2018 dans la communauté académique.

Mais ce terme masque plusieurs acceptions. Pour nous, il s’agit de la convergence du calcul quantique et de l’IA, de ce que le premier peut apporter à la seconde… Car l’IA intervient aussi dans la manière dont nous opérons nos processeurs quantiques (QPU), mais ce n’est pas le sujet dans le cas présent.

Les dossiers que nous avons reçus ont été jugés sur des critères techniques mais aussi sur l’aspect environnemental. Les technologies quantiques ont en effet parfois mauvaise réputation, à cause des problèmes de cybersécurité, entre autres, qu’elles pourraient causer. On souhaite faire passer le message qu’elles peuvent être bénéfiques dans une démarche de soutenabilité.

Comment le calcul quantique peut-il aider l’IA ? Constaterait-on un gain en vitesse, en précision… ?

On considère que des problèmes de nature quantique se prêteraient naturellement au QML : découverte de médicaments ou de matériaux, prévision des propriétés d’une molécule, etc.

L’utilisation d’un QPU pourrait améliorer la précision de la solution, davantage que la rapidité d’exécution – les QPU étant relativement lents pour le moment - ou le nombre de données qu’on peut traiter. Le modèle d’IA serait affiné grâce à la prise en compte de corrélations différentes entre les données.

Le QML interviendrait-il durant l’apprentissage ou l’inférence de l’IA ?

Plusieurs voies sont explorées car c’est une question qui n’est pas encore tranchée par les chercheurs. Pour notre part, nous avons intégré dans le flux de travail (workflow) un modèle de QML, qui détermine si un composé moléculaire est toxique ou non, à la fois durant l’apprentissage et durant l’inférence.

D’autres algorithmes développés par des groupes de recherche académiques ou des entreprises se concentrent sur l’inférence, par exemple.

De nouveaux algorithmes sont-ils nécessaires ou peut-on adapter des algorithmes existants ?

Notre approche est d’adapter des algorithmes existants. Nous intégrons une routine de calcul quantique au sein d’un flux de calcul classique. C’est du calcul hybride, qui ne requiert pas de remplacer l’intégralité de la chaîne de calcul classique, déjà bien optimisée.

Pour donner quelques exemples en interne, nous développons un algorithme QML qui détermine la coloration optimale d’un graphe, ce qui correspond à la meilleure allocation de fréquences sur un réseau télécom.

On peut aussi générer des données grâce à la dynamique quantique d’un QPU et ces données peuvent servir à l’entraînement d’un modèle d’IA générative qui proposera des nouveaux matériaux.

Les finalistes de votre défi pourront-ils utiliser de véritables machines quantiques de Pasqal ?

Les premières phases se dérouleront sur nos émulateurs et les projets les plus prometteurs auront accès à des QPU de Pasqal. L’idée est pouvoir mettre en pratique ces algorithmes sur nos machines actuelles, de type NISQ (noisy intermediate-scale quantum, les machines « bruitées » actuelles qui commettent encore beaucoup d’erreurs, ndlr), et d’obtenir des premiers résultats concrets.

C’est la raison pour laquelle on utilisera nos machines en mode analogique, soit la meilleure façon d'utiliser nos machines actuelles, avant l'incorporation dans le futur de code de correction d'erreurs.

Dans quelle mesure les machines de Pasqal sont-elles adaptées au QML ?

Chaque technologie de calcul quantique a ses forces et ses faiblesses. La nôtre comporte beaucoup de qubits et permet d’encoder nativement des données structurées sous formes de graphes.

Mais il faut quoi qu’il en soit concevoir l’algorithme qui tire le meilleur parti de notre architecture. S’il est vrai que nos ordinateurs sont frugaux d’un point de vue énergétique, ce n’est qu’une partie de l’équation : seul un gain sur une métrique d’intérêt du problème, même s’il n’est que de 1 à 2%, permet d’avoir un impact positif sur la soutenabilité.