« Utilisateur:Jmahamba/Apprentissage automatique quantique » : différence entre les versions
Créé en traduisant la page « Quantum machine learning » |
(Aucune différence)
|
Version du 29 octobre 2023 à 19:31
L'apprentissage machine quantique combine l'informatique quantique et l'apprentissage automatique pour améliorer les algorithmes, en tirant parti de propriétés quantiques uniques telles que la superposition et l'intrication pour résoudre efficacement les problèmes. [1] [2] [3] [4] [5] [6] [7] [8]
L'utilisation la plus courante de ce terme fait référence aux algorithmes d'apprentissage automatique destinés à l'analyse de données classiques exécutés sur un ordinateur quantique, c'est-à-dire l'apprentissage automatique amélioré par la quantique. Alors que les algorithmes d'apprentissage automatique sont utilisés pour traiter d'énormes quantités de données, l'apprentissage automatique quantique utilise des qubits, des opérations quantiques ou des systèmes quantiques spécialisés pour améliorer la vitesse de calcul et le stockage de données effectués par des algorithmes dans un programme. Cela inclut des méthodes hybrides qui combinent à la fois les traitements classique et quantique, où des sous-routines difficiles à implémenter sont externalisées vers un dispositif quantique. Ces routines peuvent être plus complexes par nature et être exécutées plus rapidement sur un ordinateur quantique. De plus, les algorithmes quantiques peuvent être utilisés pour analyser des états quantiques au lieu de données classiques. [9] [10]
Au-delà de l'informatique quantique, le terme "apprentissage automatique quantique" est également associé à des méthodes d'apprentissage automatique classiques appliquées aux données générées à partir d'expériences quantiques (c'est-à-dire l'apprentissage automatique de systèmes quantiques), telles que l'apprentissage des transitions de phase d'un système quantique ou la création de nouvelles expériences quantiques.
L'apprentissage automatique quantique s'étend également à une branche de recherche qui explore les similitudes méthodologiques et structurelles entre certains systèmes physiques et les systèmes d'apprentissage, en particulier les réseaux de neurones. Par exemple, certaines techniques mathématiques et numériques issues de la physique quantique sont applicables à l'apprentissage profond classique, et vice versa. [11] [12]
De plus, les chercheurs examinent des notions plus abstraites de la théorie de l'apprentissage en ce qui concerne l'information quantique, parfois appelée "théorie de l'apprentissage quantique".
- Ventura, « Quantum Associative Memory », Information Sciences, vol. 124, nos 1–4, , p. 273–296 (DOI 10.1016/S0020-0255(99)00101-2, arXiv quant-ph/9807053, S2CID 7232952)
- Trugenberger, « Probabilistic Quantum Memories », Physical Review Letters, vol. 87, no 6, , p. 067901 (PMID 11497863, DOI 10.1103/PhysRevLett.87.067901, Bibcode 2001PhRvL..87f7901T, arXiv quant-ph/0012100, S2CID 23325931)
- Trugenberger, « Quantum Pattern Recognition », Quantum Information Processing, vol. 1, no 6, , p. 471–493 (DOI 10.1023/A:1024022632303, S2CID 1928001)
- Trugenberger, « Phase Transitions in Quantum Pattern Recognition », Physical Review Letters, vol. 89, no 27, , p. 277903 (ISSN 0031-9007, PMID 12513243, DOI 10.1103/physrevlett.89.277903, Bibcode 2002PhRvL..89A7903T, arXiv quant-ph/0204115, S2CID 33065081, lire en ligne)
- Biamonte, Wittek, Nicola et Rebentrost, « Quantum machine learning », Nature, vol. 549, no 7671, , p. 195–202 (PMID 28905917, DOI 10.1038/nature23474, Bibcode 2017Natur.549..195B, arXiv 1611.09347, S2CID 64536201)
- Maria Schuld et Francesco Petruccione, Supervised Learning with Quantum Computers, coll. « Quantum Science and Technology », (ISBN 978-3-319-96423-2, DOI 10.1007/978-3-319-96424-9)
- Schuld, Sinayskiy et Petruccione, « An introduction to quantum machine learning », Contemporary Physics, vol. 56, no 2, , p. 172–185 (DOI 10.1080/00107514.2014.964942, Bibcode 2015ConPh..56..172S, arXiv 1409.3097, S2CID 119263556, CiteSeerx 10.1.1.740.5622)
- Peter Wittek, Quantum Machine Learning: What Quantum Computing Means to Data Mining, Academic Press, (ISBN 978-0-12-800953-6, lire en ligne)
- Yu, Albarran-Arriagada, Retamal et Wang, « Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning », Advanced Quantum Technologies, vol. 2, nos 7–8, , p. 1800074 (DOI 10.1002/qute.201800074, arXiv 1808.09241, S2CID 85529734)
- Ghosh, Opala, Matuszewski et Paterek, « Quantum reservoir processing », npj Quantum Information, vol. 5, , p. 35 (DOI 10.1038/s41534-019-0149-8, Bibcode 2019npjQI...5...35G, arXiv 1811.10335, S2CID 119197635)
- Huggins, Patel, Whaley et Stoudenmire, « Towards Quantum Machine Learning with Tensor Networks », Quantum Science and Technology, vol. 4, no 2, , p. 024001 (DOI 10.1088/2058-9565/aaea94, arXiv 1803.11537, S2CID 4531946)
- Carleo, Nomura et Imada, « Constructing exact representations of quantum many-body systems with deep neural networks », Nature Communications, vol. 9, no 1, , p. 5322 (PMID 30552316, PMCID 6294148, DOI 10.1038/s41467-018-07520-3, Bibcode 2018NatCo...9.5322C, arXiv 1802.09558)
- (en) Esma Aïmeur, Gilles Brassard et Sébastien Gambs, Advances in Artificial Intelligence, vol. 4013, coll. « Lecture Notes in Computer Science », , 431–442 (ISBN 978-3-540-34628-9, DOI 10.1007/11766247_37), « Machine Learning in a Quantum World »
- Dunjko, Taylor et Briegel, « Quantum-Enhanced Machine Learning », Physical Review Letters, vol. 117, no 13, , p. 130501 (PMID 27715099, DOI 10.1103/PhysRevLett.117.130501, Bibcode 2016PhRvL.117m0501D, arXiv 1610.08251, S2CID 12698722)