Il est de plus en plus clair que les ordinateurs quantiques n’auront pas un seul moment où ils deviendront nettement supérieurs au matériel classique. Au lieu de cela, nous sommes susceptibles de les voir devenir utiles pour un ensemble restreint de problèmes, puis s’étendre progressivement à partir de là à une gamme croissante de calculs. La question devient évidemment celle de savoir où l’utilité sera vue en premier.
La startup d’informatique quantique Rigetti a désormais un livre blanc qui identifie, au moins théoriquement, un cas où le matériel quantique devrait offrir un avantage. Et c’est en fait utile : remplacer un réseau de neurones utilisé pour analyser les données météorologiques.
Quel temps fait-il?
Le problème que les gens de Rigetti ont examiné consiste à prendre un ensemble partiel de données météorologiques et à en déduire à quoi ressemble le reste. De nombreuses régions de la planète manquent d’une bonne couverture, et nous n’obtenons donc que des informations partielles sur les conditions locales. Et, si nous avons des choses comme des avions commerciaux qui traversent ces régions éloignées, nous voudrons souvent une image plus complète des conditions là-bas.
Pour gérer cela, les gens ont formé des réseaux de neurones sur des régions où nous disposons de données météorologiques plus complètes. Une fois entraîné, le système pouvait être alimenté en données partielles et déduire ce que le reste était susceptible d’être. Par exemple, le système entraîné peut créer une carte radar météorologique probable en utilisant des éléments tels que des images de nuages satellitaires et des données sur les éclairs.
C’est exactement le genre de chose que les réseaux de neurones font bien : reconnaître des modèles et déduire des corrélations.
Ce qui a attiré l’attention de l’équipe Rigetti, c’est le fait que les réseaux de neurones s’adaptent également bien aux processeurs quantiques. Dans un réseau de neurones typique, une couche de “neurones” effectue des opérations avant de transmettre ses résultats à la couche suivante. Le réseau « apprend » en modifiant la force des connexions entre les unités des différentes couches. Sur un processeur quantique, chaque qubit peut effectuer l’équivalent d’une opération. Les qubits partagent également des connexions entre eux, et la force de la connexion peut être ajustée. Ainsi, il est possible d’implémenter et d’entraîner un réseau de neurones sur un processeur quantique.
Ça pourrait être mieux
De manière pratique, certains chercheurs de Google ont élaboré une métrique qui permet de comparer les IA mises en œuvre sur du matériel classique et quantique. Et Rigetti a construit un processeur quantique de 32 qubits, il a donc la capacité de faire la comparaison. Et, sur la base de cette métrique, il existe au moins certains cas où un système quantique devrait surpasser un système classique.
Cependant, la nature exacte de ces cas reste incertaine. Ainsi, les chercheurs ont expérimenté plusieurs façons d’utiliser leur processeur quantique dans le cadre d’un système mixte quantique/classique. Ils ont constaté que le système était plus ou moins efficace pour différents aspects des données météorologiques. Par exemple, lors de l’utilisation du processeur quantique pour reconstruire les données de foudre, ils ont découvert qu’il faisait un meilleur travail à des altitudes plus basses mais était généralement comparable au réseau de neurones classique.
Dans un test séparé, ils ont simplement remplacé le réseau de neurones par des qubits. Pour les données de foudre, la version quantique a surpassé la version classique. Les rôles ont été inversés, cependant, lorsqu’il a été testé par rapport aux données satellitaires, où les systèmes classiques étaient plus précis.
Il est important de souligner qu’à aucun moment le système quantique n’a montré un réel avantage en termes de performances par rapport aux méthodes existantes pour exécuter ce type d’analyse météorologique ; la conclusion importante ici est l’indication qu’une meilleure performance est possible. Comme le notent les chercheurs de Rigetti eux-mêmes, « ces résultats sont la première preuve que les données du monde réel [machine-learning] les problèmes – ici des données météorologiques de grande dimension – peuvent avoir une structure théoriquement compatible avec l’avantage quantique. »
Leur capacité à effectuer des parties de l’analyse sur du matériel quantique avec des résultats décents montre qu’il n’y a pas non plus d’obstacle à l’intégration de méthodes quantiques dans ce type d’analyse. Bien que ce ne soit pas le genre de percée qui a tendance à attirer l’attention, c’est le genre de travail acharné qui sera nécessaire pour que l’informatique quantique soit à la hauteur de son potentiel.
