Par rapport aux ordinateurs classiques, les ordinateurs quantiques peuvent résoudre des problèmes complexes en parallèle et donc plus rapidement, mais ils sont aussi plus vulnérables aux erreurs. Les chercheurs de la ZHAW montrent comment utiliser de manière ciblée les points forts des ordinateurs quantiques à l’aide d’une approche hybride.
Les ordinateurs quantiques ne connaissent pas seulement l’état 0 et 1, mais peuvent représenter plusieurs états entre 0 et 1 grâce à ce que l’on appelle des qubits - de manière analogue aux bits des ordinateurs classiques - et calculer ainsi simultanément de nombreux résultats possibles. Les qubits sont toutefois sujets à des erreurs, dues par exemple à des influences extérieures telles que des variations de température ou des rayonnements électromagnétiques. Mais des erreurs de calcul peuvent également résulter de processus internes, car les qubits ne restent que peu de temps dans un état stable. Il faut donc des algorithmes aussi petits que possible pour que les ordinateurs quantiques puissent calculer les résultats le plus rapidement possible avant que les qubits ne deviennent instables.
Jusqu’à présent, il existe surtout des travaux théoriques sur la manière dont ces avantages des ordinateurs quantiques peuvent être utilisés dans le domaine du Quantum Machine Learning. Cette technologie informatique n’a toutefois guère été appliquée dans la pratique jusqu’à présent. Les chercheurs de la ZHAW ont choisi pour la première fois une nouvelle méthode qui permet d’obtenir des résultats plus précis pour les ordinateurs quantiques dans le cas de problèmes complexes. "Nous avons utilisé une approche hybride pour implémenter la partie la plus complexe d’un algorithme dans un ordinateur quantique, tout en laissant un ordinateur classique calculer la partie restante", explique Kurt Stockinger, chercheur à la ZHAW. L’algorithme de machine learning utilisé est utilisé pour la classification d’objets. Comme les ordinateurs quantiques sont surtout puissants pour les calculs très complexes, mais n’offrent aucun avantage par rapport aux ordinateurs classiques pour les tâches simples, une combinaison des deux systèmes pourrait effectivement être une solution efficace.
Les chercheurs de la ZHAW ont mené leurs expériences avec cinq jeux de données au total et ont fait calculer les calculs par des ordinateurs quantiques et classiques, puis ont comparé les résultats entre eux. Pour ce faire, ils ont utilisé la possibilité de se connecter directement à un ordinateur quantique d’IBM. Ils ont ainsi pu simuler le calcul et le faire effectuer concrètement par un ordinateur quantique. L’approche a été testée entre autres sur l’ensemble de données appelé iris, qui contient des informations sur les fleurs et est utilisé pour classer les différentes espèces de fleurs. Et effectivement, la méthode hybride a permis d’obtenir des résultats plus précis. "Nous avons ainsi pu montrer que les problèmes classiques de machine learning peuvent être mieux résolus par l’approche hybride qu’avec des ordinateurs classiques", résume Stockinger à propos du résultat.
Les chercheurs de la ZHAW ont également utilisé des réseaux neuronaux, car ceux-ci sont capables de reconnaître des modèles complexes sur plusieurs couches au sein de grandes quantités de données. L’équipe de Kurt Stockinger et Rudi Füchslin a utilisé un jeu de données météorologiques avec de nombreux paramètres interdépendants tels que l’humidité, la pression atmosphérique ou la température et les a transmis à un réseau neuronal pour obtenir au final le résultat "pluie" ou "soleil". "Nous avons implémenté une certaine couche de ce réseau dans l’ordinateur quantique. Il est ainsi possible de calculer et de visualiser simultanément plusieurs dépendances. Cela permet de faire des prévisions météorologiques beaucoup plus précises", explique Stockinger pour décrire l’avantage de la méthode. "Toutefois, la recherche n’en est encore qu’à ses débuts, car il faut continuer à étudier comment les réseaux neuronaux peuvent être implémentés le plus efficacement possible dans un ordinateur quantique".
"Nous sommes maintenant passés de la théorie à l’application. Ainsi, la technologie devient maintenant intéressante pour les entreprises", explique Stockinger. De nombreuses entreprises montrent déjà un grand intérêt pour les avantages de l’informatique quantique, notamment en ce qui concerne les possibilités dans la technologie de sécurité. "Les banques en particulier s’intéressent de près à cette technologie, car leurs méthodes de cryptage pourraient être décryptées par des ordinateurs quantiques", explique le chercheur de la ZHAW. La technologie peut également être utilisée dans de nombreux autres domaines, comme le développement de matériaux ou de médicaments nouveaux et améliorés. "Ce sont les mêmes domaines d’application que le Machine Learning, à la différence près que les ordinateurs quantiques peuvent fournir des résultats plus rapides et plus précis", résume Kurt Stockinger.
