IBM a créé des algorithmes quantiques permettant d’effectuer du Machine Learning sur des ordinateurs quantiques pour créer des intelligences artificielles bien plus performantes que celles créées avec des ordinateurs classiques…
Le » Feature Mapping » consiste à désassembler les informations pour accéder à des aspects plus » fins » de ces données. Actuellement, le Machine Learning permet déjà de procéder ainsi, par exemple en prenant les pixels d’une image pour les placer dans une grille en fonction de leur couleur. Les algorithmes permettent ensuite de cartographier les valeurs de couleur de façon non linéaire et de décomposer les données en fonction de leurs caractéristiques les plus utiles.
Cependant, grâce aux ordinateurs quantiques, les chercheurs d’IBM ont découvert un moyen de rendre le Machine Learning largement plus performant pour le » feature mapping « . Dans un papier publié sur arXiv, l’équipe de chercheurs annonce avoir créé un » algorithme quantique » permettant aux ordinateurs quantiques d’effectuer du Machine Learning dans une envergure nouvelle.
Pour rappel, les ordinateurs quantiques tirent profit de l’étrange capacité des particules subatomiques à exister dans plus d’un état à la fois. Grâce à la façon dont ces particules se comportent, les opérations peuvent être effectuées plus rapidement que sur les ordinateurs classiques, tout en consommant moins d’énergie.
En effet, contrairement aux bits des ordinateurs classiques qui ne peuvent exister que dans deux états (1 ou 0), les bits quantiques (qubits) des ordinateurs quantiques peuvent exister dans n’importe quelle superposition de ces deux valeurs et donc stocker davantage d’informations.
Ainsi, les nouveaux algorithmes quantiques d’IBM permettent de séparer les aspects et les caractéristiques des données dans un degré encore plus importants qu’avec un algorithme de Machine Learning classique. De fait, les données pourront être classifiées avec plus de précision et les systèmes de Machine Learning seront plus efficaces.
IBM fait passer le Machine Learning dans la dimension quantique
L’objectif est donc d’utiliser les ordinateurs quantiques pour créer de nouveaux classifieurs capables de générer des cartes de données plus sophistiquées. Ce faisant, les chercheurs seront capables de développer des intelligences artificielles plus efficaces pouvant par exemple identifier des patterns invisibles pour les ordinateurs classiques.
Pour l’heure, IBM précise que ces nouveaux algorithmes n’ont pas encore permis de surpasser les performances des machines classiques sur les ordinateurs quantiques. Cependant, ceci est principalement lié au fait que les ordinateurs quantiques sont encore limités par les contraintes matérielles actuelles.
En effet, les ordinateurs quantiques actuels ont une capacité de calcul limitée à seulement deux qubits. Or, cette capacité de calcul peut être simulée sur les ordinateurs classiques. Il faudra donc attendre que des ordinateurs quantiques plus performants voient le jour pour que les algorithmes IBM permettent d’atteindre » l’avantage quantique « .
En attendant, ces nouveaux algorithmes sont disponibles en open-source via la bibliothèque Qiskit Aqua à cette adresse. Les développeurs, chercheurs et autres experts peuvent s’en servir à leur guise dès à présent.
- Partager l'article :