physique quantique big data

Physique quantique et Big Data : le futur de la Data Science ?

Analyse de données par des ordinateurs surpuissants, transferts sécurisés par l’intrication quantique… découvrez les différentes façons dont la physique quantique va transformer le Big Data et l’intelligence artificielle au fil des années à venir…

À l’heure actuelle, les ordinateurs permettent d’analyser des ensembles de données massifs. Cependant, ce processus est lent, cher, énergivore et limité par la capacité de stockage.

L’innovation technologique s’en trouve fortement freinée. Dans un futur proche, la physique quantique pourrait permettre de surmonter ces obstacles

Physique quantique et Machine Learning

Le professeur de physique Rupak Chatterjee du Stevens Institute of Technology développe des systèmes quantiques pour le Big Data, et plus précisément pour les algorithmes de Machine Learning.

Comme il le souligne, pour accélérer l’analyse Big Data, il ne suffit pas d’utiliser davantage de hardware. Par exemple, deux PC ne seront pas nécessairement deux fois plus rapides qu’un seul.

En revanche, les ordinateurs quantiques, basés sur la physique quantique plutôt que sur la physique classique, apportent plusieurs avantages par rapport à un ordinateur traditionnel. Ils sont plus rapides, offrent davantage de capacité de stockage, et peuvent prendre en charge des problèmes hautement complexes.

Pour cause, les particules sous-jacentes au système quantique, comme les photons et les électrons, sont atomiquement petits. Ils permettent donc de stocker davantage de données dans un espace physique restreint.

Par ailleurs, le principe de superposition propre à la physique quantique permet à une unité basique d’information d’exister dans plusieurs états à la fois. Un ordinateur quantique peut donc héberger et représenter des volumes de données plus larges simultanément. Plutôt que de stocker les bits de données dans un seul état, sous forme binaire (1 ou 0), le système quantique peut conserver ces deux états simultanément.

Les deux états peuvent ensuite être manipulés simultanément grâce au concept de  » parallélisme quantique « . Ils peuvent être calculés et analysés en même temps, en parallèle, ce qui permet d’accélérer prodigieusement le processus.

Enfin, le phénomène d’intrication quantique fait que l’état d’une particule ou d’un bit de donnée est inextricablement lié aux autres choses avec lesquelles il interagit. Ce phénomène augmente la complexité des calculs, et permet de découvrir des relations dans des structures hautement complexes.

C’est la raison pour laquelle les ordinateurs quantiques peuvent être exploités pour résoudre des problèmes trop complexes pour un ordinateur classique. Les algorithmes quantiques permettent d’accélérer le Machine Learning, et plus précisément la découverte de patterns dans les ensembles de données complexes.

En collaboration avec Ting Yu, un autre professeur de physique, Chatterjee a développé une approche quantique aux algorithmes de machine à vecteur de support en utilisant l’optique quantique : l’interaction entre des photos de lumière et la matière.

Un algorithme de type machine à vecteur de support est une catégorie de modèle d’apprentissage supervisé permettant de classifier les données entrées en deux choix préexistants. Pour chaque nouvelle information, le modèle tente de prédire comment les classifier en se basant sur ses connaissances acquises en classifiant les précédentes.

Ces algorithmes permettent de séparer les données en se basant sur certaines caractéristiques en catégories binaires. Par exemple, est-ce qu’il va pleuvoir ? Oui, ou non. Toutefois, en intégrant ces données à un système quantique photonique, il est possible de réaliser des calculs plus complexes plus rapidement.

Dans le cadre d’un autre projet, Rupak Chatterjee a utilisé des processeurs superconducteurs pour développer et tester des algorithmes de clustering de type K-moyennes quantiques. Un algorithme de clustering permet de regrouper les données selon leurs caractéristiques communes plutôt que de les classer dans des catégories binaires.

Ce type d’algorithme est très utile pour prédire les réponses à une question ouverte, sur un modèle d’apprentissage non supervisé. On peut aussi l’utiliser pour la segmentation des clients ou l’identification et la prédiction de phénomènes régionaux comme la criminalité, la propagation d’une maladie ou la criminalité.

En remplaçant la formule de distance euclidienne traditionnelle par une formule de distance quantique, Chaterjee est parvenu à développer un algorithme délivrant des résultats plus rapides avec une précision accrue pour les données du cluster.

Les expériences de Rupak Chatterjee démontrent le potentiel révolutionnaire de la physique quantique pour le Machine Learning. Les résultats de ces deux projets ont été publiés dans la revue Quantum Information & Computation.

Physique quantique et mégadonnées

L’humanité génère toujours plus de données. Ces données sont de plus en plus complexes, diverses, et il est actuellement impossible de toutes les traiter, de les gérer et de les comprendre.

Les systèmes de Machine Learning sont d’un précieux secours pour analyser l’information, mais ne suffisent pas. Les systèmes analytiques les plus puissants sont basés sur la topologie : la branche des mathématiques étudiant les propriétés d’objets géométriques préservées par déformation, comme un élastique que l’on peut tendre sans le rompre.

Les systèmes topologiques sont particulièrement utiles pour analyser les connexions dans les réseaux complexes, comme le câblage interne du cerveau ou les interconnexions globales de l’Internet. Malheureusement, même les superordinateurs les plus puissants ne peuvent résoudre les problèmes les plus complexes.

Cependant, les chercheurs du MIT, de l’Université de Waterloo et de l’Université de Californie du Sud ont développé une nouvelle approche reposant sur la physique et l’informatique quantique. Les fruits de leurs travaux ont été publiés dans le journal Nature Communication.

La topologie algébrique est au coeur de cette nouvelle approche. Son objectif est de réduire l’impact des distorsions inévitables survenant quand quelqu’un collecte des données au sujet du monde réel.

Dans une description topologique, les caractéristiques basiques des données sont considérées comme identiques, peu importe à quel point elles sont étirées, compressées ou distordues. Ces attributs topologiques fondamentaux sont importants pour tenter de reconstruire les patterns sous-jacentes du monde réel que les données sont censées représenter.

Cette approche convient pour n’importe quel type d’ensemble de données, mais elle demande trop de ressources pour les ordinateurs conventionnels. C’est sur ce point que les mécaniques quantiques changent la donne.

Si l’on prend l’exemple d’un ensemble de données à 300 points, l’analyse de toutes les caractéristiques topologiques nécessiterait un ordinateur de la taille de l’univers. Il faudrait en effet 2 puissance 300 unités de traitement (à peu près le nombre de particules dans l’univers).

Or, avec un ordinateur quantique, 300 bits quantiques sont suffisants. Une telle machine pourrait voir le jour au cours des prochaines années.

Cette approche pourrait s’avérer utile pour de nombreux cas de figure. Elle pourrait par exemple permettre de comprendre les interconnexions du cerveau, en l’appliquant à des ensembles de données en provenance d’électroencéphalogrammes ou d’IRM. Ceci permettrait de révéler les connexions entre les neurones.

Elle pourrait aussi être appliquée à l’économie mondiale ou aux réseaux sociaux. La physique quantique va permettre de révéler tout le potentiel du Big Data, jusqu’à présent freiné par les limites des ordinateurs traditionnels…

L’intrication quantique pour sécuriser les transferts de données

Il ne fait aucun doute que l’informatique quantique aura un fort impact sur le Big Data et plus généralement la puissance informatique au cours des années à venir. Toutefois, il existe un autre élément de la théorie quantique qui pourrait entraîner encore plus de changement.

Pour rappel, les bits quantiques ou qubits peuvent avoir plusieurs états simultanément. Ceci permet aux ordinateurs quantiques de fonctionner plusieurs milliers de fois plus rapidement que les ordinateurs classiques.

Il est clair que cette augmentation de puissance exponentielle permettra d’accélérer les analyses Big Data. Mais ce n’est pas tout.

Le phénomène  » d’intrication quantique «  pourrait révolutionner le Big Data en protégeant les transferts de données des hackers et en accélérant la communication. Ce phénomène consiste à  » attacher  » deux particules ensemble, et les changements survenant sur l’une des particules ont le même effet sur l’autre.

Ceci peut survenir même si les particules sont séparées par une distance infinie. En pratique, le record connu est de 300 kilomètres. Il a été enregistré lors d’une expérience menée par le NTT Basic Research Laboratories de Kanagawa, au Japon. Des changements instantanés sont survenus sur les deux particules liées.

Les implications sont vastes pour le Big Data. En effet, ce phénomène pourrait être exploité pour transporter les données sans qu’il soit possible de les intercepter à moins d’avoir l’autre particule. Et cette technologie en est déjà à ses balbutiements.

La Chine a d’ores et déjà lancé un satellite impossible à pirater, reposant sur l’intrication quantique. Toutefois, pour l’heure, ce satellite n’est pas encore utilisé pour communiquer, mais pour développer de nouvelles méthodes de communications de messages protégés contre les hackers et pouvant atteindre une vitesse  » supérieure à celle de la lumière « .

D’ici quelques années, les communications reposant sur l’intrication quantique pourraient donc se généraliser. Par ailleurs, cette technologie pourrait aussi accélérer le développement et la démocratisation de l’informatique quantique.

Pour cause, les risques de sécurité comptent actuellement parmi les principaux problèmes de l’informatique quantique. Développer cette technologie revient à ouvrir la boite de Pandore, car il s’agit d’une épée à double tranchant.

Les ordinateurs quantiques seraient capables de contourner très rapidement les techniques actuelles de chiffrement, y compris les standards les plus récents. En revanche, si les données peuvent uniquement être communiquées entre deux particules dans le même état, cette menace n’est plus.

Les transferts de données pourront donc être totalement sécurisés. Il pourrait s’agir d’une véritable révolution pour le stockage de données.

En conclusion, la physique quantique va prochainement bouleverser le monde du Big Data. De nouvelles portes seront ouvertes, avec des analyses infiniment plus rapides qu’à l’heure actuelle

Pin It on Pinterest