Le professeur Peter Wittek *est l’un des pionniers du machine learning accéléré par le calcul quantique, les systèmes de mécanique quantiques à plusieurs corps, l’optimisation et le machine learning. Il est l’auteur du livre Quantum Machine Learning: What Quantum Computing Means to Data Mining.

Dans cet entretien, Peter Wittek livre sa vision du machine learning accéléré par le calcul quantique.

Propos recueillis par Alain Chancé

Quelle est votre vision du machine learning accéléré par le calcul quantique pour les dix prochaines années?

Avant l’arrivée, dans peut-être 20 ans, des ordinateurs quantiques universels à tolérance de pannes, le calcul quantique sera basé sur des processeurs quantiques bruyants. Heureusement, le machine learning aime aussi le bruit. Dans les dix prochaines années, le quantum machine learning sera la plus grande application du calcul quantique.

Nous utilisons déjà une variété de GPU’s (Graphics Processing Units) pour faire tourner des réseaux d’apprentissage profonds. Ces dernières années, des circuits intégrés destinés à des applications spécifiques comme les puces neuromorphiques et les unités de calcul tensoriel ont été ajoutés au mélange de hardware d’intelligence artificielle (IA). Les ordinateurs quantiques feront partie de ce mélange hétérogène. En fait, je pense que pour faire avancer l’IA, nous devons ajouter du hardware quantique au mélange d’architectures.

Les ordinateurs quantiques peuvent dynamiser les modèles graphiques probabilistes, les réseaux Bayésiens et les champs aléatoires de Markov en remplaçant les chaînes de Markov dans les méthodes de Monte Carlo, et ils pourraient donc aussi améliorer les machines de Boltzmann et de Helmholtz. Par ailleurs, ils excellent en optimisation discrète ce qui est important en apprentissage d’ensemble et en meta learning, c’est à dire apprendre à apprendre. Ce sont les applications les plus fondamentales aujourd’hui pour résoudre des problèmes quantiques non natifs, avec des données classiques en entrée, des données classiques en sortie et un processus quantique au milieu.

Quelles sont les priorités les plus importantes en ce moment?

La priorité est de faire de la pédagogie auprès du public, expliquer que l’accélération exponentielle n’est pas pour bientôt, éduquer les collégiens et former tout un nouvel ensemble de développeurs sur ordinateurs quantiques. Nous avons, en effet, un cruel besoin d’experts en calcul quantique, car ils sont rares.

Une autre priorité est de réaliser des progrès avec le hardware. Actuellement, il y a quatre paradigmes, qui sont tous des processeurs quantiques bruyants pouvant progresser de façon significative :

  1. Le modèle de calcul à portes logiques quantiques. Actuellement le plus gros processeur a environ 70 qubits et il y a un grand nombre de programmes de recherche : IBM, Google, Intel, Microsoft, Rigetti, SQC, et IonQ. Ce paradigme est la généralisation du calcul digital : au lieu d’avoir des portes logiques qui opèrent sur des bits, nous avons des portes logiques unitaires qui opèrent sur des qubits, transformant des états quantiques en états quantiques.
  2. Le recuit quantique. L’ordinateur D-Wave 2000QTM a 2,048 qubits. Ce paradigme utilise un phénomène de physique quantique pour résoudre des problèmes d’optimisation, mais il marche aussi bien pour l’échantillonnage de certaines familles de distribution de probabilités.
  3. Le modèle à portes logiques quantiques à variables continues qui utilise des qumodes au lieu de qubits. Xanadu conçoit et intègre des puces optiques au silicium qui mettent en œuvre des qumodes. Contrairement au qubit, qui est une superposition de valeurs zéro et un, un qumode est une superposition de valeurs réelles.
  4. La simulation quantique, une des plus grandes construites à ce jour, est celle de l’équipe Harvard-MIT 51-Qubit Quantum Simulator. Elle est programmée en capturant avec des lasers et en arrangeant dans un ordre spécifique des atomes de rubidium refroidis près du zéro absolu, puis en laissant la mécanique quantique faire les calculs nécessaires. Les simulateurs quantiques étaient la motivation initiale derrière le calcul quantique et nous pouvons les considérer comme des circuits intégrés à application spécifique du monde quantique.

Dans le calcul numérique, il y a actuellement peu de fournisseurs. Intel domine le marché des processeurs des PCs, et le deuxième et unique concurrent, AMD est loin derrière.

La troisième priorité est d’éviter de créer des monopoles dans le calcul quantique. Actuellement, en Amérique du Nord, il y a plusieurs entreprises dans deux pays sur le marché du calcul quantique. L’Union Européenne va se réveiller. Des chercheurs aux Pays-Bas collaborent avec Intel. L’Australie et la France ont un accord de partenariat entre Silicon Quantum Computing à Sydney (SQC) et le Commissariat à l’Energie Atomique et aux Energies Alternatives (CEA) pour développer le premier circuit intégré quantique en silicium commercialisé. 

Quelles sont les applications pratiques du quantum machine learning?

Une application quantique native est le calcul de chimie quantique. Pour l’industrie financière, les applications les plus importantes sont l’échantillonnage quantique et l’optimisation discrète.

La première consiste à mesurer un système quantique. Il s’agit essentiellement d’extraire un échantillon d’une probabilité de distribution. Les premiers dispositifs quantiques pourraient remplacer les chaînes de Markov dans les méthodes de Monte Carlo avec des applications dans l’évaluation des actifs financiers et l’évaluation du prix des options. Plusieurs institutions financières du Canada sont enthousiasmées par l’exploration de ce domaine.

La seconde, l’optimisation discrète est un problème classique en finance, notamment lorsqu’il s’agit d’optimiser le rendement d’un portefeuille d’actifs financiers. Or, les méthodes d’apprentissage superficielles sont typiquement imprécises. Prenons un exemple très éloigné de l’industrie financière : initialement des méthodes d’apprentissage profondes ont été utilisées pour découvrir le boson de Higgs, un défi de calcul et de reconnaissance de modèle. L’an dernier, des chercheurs sont parvenus à appliquer une méthode d’apprentissage superficielle pour redécouvrir le boson de Higgs en utilisant une approche de recuit quantique appliquée au machine learning, « Quantum annealing for machine learning (QAML) ». Cela leur a permis d’extraire une compréhension de la physique [1]. Si vous appliquez cela à l’industrie financière, vous pourriez aboutir à davantage de modèles compréhensibles pour une variété d’applications.

Avec qui collaborez-vous?

Je collabore avec une large variété d’institutions académiques et industrielles. Mon réseau académique s’étend sur six continents incluant l’Afrique, l’Asie et l’Amérique Latine.

Je collabore aussi avec un grand nombre de fournisseurs de hardware, principalement avec D-Wave, Rigetti et Xanadu et l’équipe dont je fais partie a des contacts avec beaucoup d’autres.

En tant que directeur académique de l’un des premiers incubateurs au monde de Quantum Machine Learning, je vois chaque année près de 25 entreprises qui suivent ce programme, parmi elles Adaptive Finance Technologies, basée à Toronto, qui est un précurseur des technologies de Quantum Machine Learning dans les domaines des services financiers et de la gestion des investissements.

Nous continuons aussi à créer des liens avec les sociétés intéressées par le calcul quantique comme les banques, les constructeurs automobiles et les compagnies pharmaceutiques.

* Peter Wittek a suivi une formation de mathématicien et d’informaticien et il a obtenu son PhD de la National University of Singapore.

Il assume des responsabilités dans plusieurs programmes académiques et de recherche :

  • Professeur adjoint de l’Université de Toronto menant des travaux sur l’accélération du machine learning par le calcul quantique et des applications d’algorithmes d’apprentissage de haute performance dans la physique quantique.
  • Directeur académique du Quantum Machine Learning Program de Creative Destruction Lab un programme d’amorçage d’entreprises basées sur la science et extrêmement évolutives.
  • Affilié de Vector Institute for Artificial Intelligence un leader dans le domaine de la transformation en intelligence artificielle qui excelle dans l’apprentissage automatique et l’apprentissage profond.
  • Affilié du Perimeter Institute for Theoretical Physics un centre à la pointe de la recherche scientifique, de la formation et d’action éducative dans les fondements de la physique théorique.
  1. Mott, J. Job, J. R. Vlimant, D. A. Lidar, and M. Spiropulu, “Solving a Higgs optimization problem with quantum annealing for machine learning”, Nature 550, 375 (2017), https://doi.org/10.1038/nature24047