- Accueil
- Laboratoire
- Présentation
- Actualités
- Protocole d’apprentissage automatique quantique à variables continues : doter la lumière quantique d’une mémoire
Protocole d’apprentissage automatique quantique à variables continues : doter la lumière quantique d’une mémoire
En combinant l’expertise du LKB (Laboratoire Kastler Brossel) à Paris et de l’IFISC (Instituto de Física Interdisciplinar y Sistemas Complejos) à Palma de Majorque, cette collaboration apporte de nouveaux résultats expérimentaux et numériques en apprentissage automatique quantique.
Des marchés financiers aux données climatiques en passant par l’activité cérébrale, de nombreux problèmes du monde réel reposent sur la prédiction de séries temporelles complexes.
Dans ce travail, publié dans Nature Photonics, nous démontrons expérimentalement un calculateur à réservoir basé sur un système photonique quantique et doté de mémoire.
Le reservoir computing est un cadre puissant pour traiter des données dépendant du temps avec un entraînement minimal. Au lieu d’entraîner un grand réseau, on exploite la dynamique naturelle d’un réseau physique complexe, nommé le réservoir, et l’on n’entraîne que la couche de sortie. Dans notre cas, le réservoir est un état quantique multimode de la lumière, où l’intrication est distribuée sur plusieurs bandes de fréquence. La plateforme expérimentale a été développée dans le cadre du projet ERC COQCOoN (Continuous Variable Quantum Complex Networks), attribué à V. Parigi, et bénéficie du soutien du programme PEPR OQuLus (Ordinateurs quantique à base de lumière en variables discrètes et continues). Le cadre théorique a été développé à l’IFISC, au sein des groupes de R. Zambrini.
Nous opérons dans le cadre des variables continues, où l’information est portée par les quadratures du champ optique et lue à l’aide de détecteurs cohérents fonctionnant à température ambiante. L’encodage peut être réalisé en modulant phase et amplitude des différentes composantes spectrales du laser de pompe dans le processus optique non-linéaire qui génère des corrélations quantiques entre les différentes bandes de fréquence. En introduisant, dans le contrôle de la pompe, une rétroaction des signaux mesurés pour l’élément précédent de la série nous dotons le réservoir d’une mémoire à décroissance progressive (« fading memory »), garantissant que les entrées passées influencent les états futurs, un élément indispensable pour l’apprentissage de séries temporels.
Fait important, l’exploitation de la structure multimode intriquée de la lumière améliore à la fois la capacité de mémoire et la puissance expressive du système, appelée « expressivité », qui représente le nombre d’informations pouvant être traitées simultanément par le système. Cette amélioration permet à notre réservoir quantique d’apprendre des séries temporelles complexes avec moins d’erreurs que les architectures classiques avec le même nombre d’éléments.
En particulier, nous montrons expérimentalement que l’expressivité croît quadratiquement avec le nombre de composantes fréquentielles mesurées, en accord avec nos travaux théoriques antérieurs, dans lesquels nous avions prédit une telle loi quadratique pour des états quantiques présentant des distributions de probabilité gaussiennes des quadratures.
Même avant d’atteindre le régime des distributions non gaussiennes des quadratures, connues pour libérer la puissance de calcul dans le régime quantique, ce travail ouvre une voie concrète vers un apprentissage pratique bénéficiant d’un avantage quantique.
Pour en savoir plus :
