Quand l’apprentissage automatique corriger les prévisions des ordinateurs quantiques !

Des chercheurs de l’Université d’Oxford viennent de créer un modèle d’apprentissage automatique capable d’adapter les ordinateurs quantiques à la réalité. Généralement, les données issues de ces derniers présentent des écarts par rapport à la réalité. Il s’agit d’une variabilité fonctionnelle causée par des imperfections à l’échelle nanométrique à l’intérieur des matériaux composant les dispositifs quantiques.

Cela signifie que des pièces apparemment identiques peuvent avoir des comportements différents. De ce fait, deux machines quantiques jumelles vont donner des résultats différents. Les chercheurs britanniques ont alors cherché le moyen d’adapter ces données de calcul au comportement réel de chaque matériau utilisé.

Ils ont décidé d’exploiter la puissance de l’apprentissage automatique pour surmonter ce défi. C’est ainsi que, pour la première fois, des scientifiques ont pu corriger les écarts entre le comportement attendu et réel des dispositifs quantiques.

Les dispositifs quantiques restent encore imprévisibles

Les ordinateurs quantiques sont intéressants dans la mesure où ils possèdent une puissance de calcul exceptionnelle. Ils sont assez performants pour réaliser des calculs complexes en très peu de temps. Ils sont utilisés pour trouver rapidement un médicament ou prédire facilement des tendances. Seulement, la technologie est toute nouvelle et présente encore de nombreux défauts. Pour ne citer que le désordre interne des matériaux qui crée des écarts entre les résultats prédits et observés.

Pour mieux expliquer ce phénomène, Natalia Ares, professeure à l’Université d’Oxford, a comparé les machines quantiques à un tunnel dans lequel on fait passer des balles de golf. Elle a expliqué que les balles peuvent ressortir à des vitesses qui ne correspondent pas aux prédictions en raison de la configuration particulière des tunnels.

LIRE AUSSI : OpenAI lance GPT Store, sa boutique dédiée aux chatbots IA !

L’apprentissage automatique corrigerait les écarts de calcul

Les chercheurs ont mis au point un modèle d’apprentissage automatique capable de déterminer indirectement les caractéristiques de ce désordre. Rappelons qu’il n’existe, à ce jour, aucun moyen de le mesurer directement afin de corriger les calculs. Le logiciel étudie la manière dont ce désordre affecte le flux d’électrons et modifie l’intensité du courant à travers les machines quantiques.

Les chercheurs ont alors mesuré le courant de sortie à différents niveaux de tensions. Ils ont ensuite calculé les différences entre les valeurs mesurées et celles attendues. Ils ont ainsi pu prédire comment le désordre interne pourrait affecter les mesures. Pour reprendre l’analogie du professeur Ares, cela reviendrait à tester la vitesse de la balle de golf en différents points du tunnel.

En plaçant une série de capteurs le long du tunnel, nous serions capables de prédire ses mouvements même si nous ne pouvons pas voir à l’intérieur. Suite à ces travaux, les chercheurs savent désormais quels sont les réglages de tension requis pour obtenir un régime de fonctionnement spécifique. Cette technologie pourrait, à l’avenir, aider à concevoir des matériaux optimaux pour fabriquer des dispositifs quantiques.

SOURCE : PHYS