Par Natasha Ali
Les chercheurs exploitent les ordinateurs quantiques pour faciliter la recherche en chimie et en physique.
L'Institut Vector a récemment organisé un atelier d'une journée pour présenter les dernières recherches en apprentissage automatique quantique. Avec des présentations de professeurs, d'étudiants de troisième cycle et de postdoctorants de l'Institut Vector, l'atelier a mis l'accent sur le potentiel actuel et futur de l'informatique quantique dans la recherche en chimie et en physique moléculaires.
Les intervenants, un mélange d'experts en informatique, en chimie et en physique, ont présenté des méthodes pour exploiter les ordinateurs quantiques afin de générer des simulations moléculaires et de tester les limites des modèles d'apprentissage automatique existants.
Domaine émergent, l'informatique quantique intègre l'apprentissage automatique aux concepts de la mécanique quantique, tels que les interactions moléculaires et le comportement des ondes lumineuses, afin de développer des « superordinateurs » aux performances bien supérieures à celles des ordinateurs classiques. Les ordinateurs quantiques peuvent traiter des algorithmes complexes, reconnaître des motifs dans de vastes ensembles de données et faire des prédictions sur l'espace physique. Ils peuvent aussi simuler des systèmes quantiques et des réactions chimiques.
L'informatique quantique dans les modèles d'apprentissage automatique génératifs
Parmi les conférenciers de l'atelier figurait Alán Aspuru-Guzik, membre du corps professoral de Vector, professeur de chimie et d'informatique à l'Université de Toronto et directeur du Consortium d'accélération. Ses recherches portent sur la fusion de la chimie quantique et de l'apprentissage automatique. Il s'intéresse aux applications de l'informatique quantique dans la simulation moléculaire et l'analyse des systèmes énergétiques.
Aspuru-Guzik a évoqué l'impact significatif de l'apprentissage automatique en optique quantique. Ce domaine prometteur étudie le comportement et les interactions des particules de lumière dans les systèmes physiques et jette un nouvel éclairage sur les états énergétiques moléculaires. Il a présenté un modèle génératif d'apprentissage machine capable d'extraire des données de simulations moléculaires et d'expériences optiques antérieures. Il a aussi démontré que les méthodes de calcul quantique amélioraient considérablement la compréhension du comportement de la lumière et des systèmes énergétiques. Ces modèles génératifs permettent un traitement plus efficace des algorithmes quantiques et des prédictions précises concernant le comportement des ondes lumineuses et les états énergétiques. Ces informations optiques peuvent ensuite être intégrées à des applications concrètes telles que la découverte de médicaments et le développement pharmaceutique.
S'interrogeant sur l'avenir de l'apprentissage automatique en optique quantique, Aspuru-Guzik a posé la question suivante : « Peut-on réaliser expérimentalement une expérience d'optique quantique conçue par ordinateur ? Pour aller plus loin, il a suggéré d’utiliser l’apprentissage machine pour développer des puces informatiques optiques quantiques et les programmer afin de produire des simulations moléculaires instantanées. L'objectif ultime est d'étendre les applications de l'informatique quantique et de transformer notre utilisation de l'IA au service de la science .
À l'instar d'Aspuru-Guzik, Nathan Wiebe, professeur adjoint au département d'informatique de l'Université de Toronto, a proposé un modèle de calcul quantique génératif permettant de prédire le comportement moléculaire. Ses recherches portent sur l'utilisation des réseaux neuronaux quantiques pour simuler les systèmes moléculaires et les interactions physiques. Lors de sa présentation, il a démontré l'importance de l'apprentissage automatique quantique génératif pour la prédiction du comportement moléculaire et des états énergétiques.
Wiebe a développé de vastes réseaux neuronaux quantiques, un ensemble de modèles génératifs intégrant la mécanique quantique et des algorithmes d'apprentissage automatique. Il a ensuite utilisé des ordinateurs quantiques pour entraîner ces modèles avec des données physiques (position et charge des électrons, localisation des atomes, états énergétiques, etc.). Cette approche a accéléré les performances des modèles génératifs quantiques et a permis d'obtenir des simulations optimisées des états quantiques. Wiebe a ainsi démontré que l'entraînement des réseaux neuronaux, combiné à l'informatique quantique, peut améliorer la précision des modèles génératifs et produire des simulations fidèles du comportement moléculaire.
L'avantage quantique dans l'apprentissage automatique quantique
Pour combler le fossé entre l'informatique classique et l'informatique quantique, Artur Izmaylov, professeur de chimie théorique au Département des sciences physiques et environnementales de l'Université de Toronto Scarborough, a proposé une approche visant à exploiter pleinement le potentiel des ordinateurs quantiques en recherche chimique. Il a présenté des algorithmes d'informatique quantique capables d'améliorer les modèles algébriques classiques. Ses recherches, axées sur les systèmes « classiquement difficiles » et « quantiquement faciles », mettent en évidence l' avantage de l'informatique quantique dans l'apprentissage automatique.
En examinant des modèles de calcul pour les états d'énergie et la mécanique quantique, Izmaylov a identifié certains défis liés aux fonctions algébriques, comme l'optimisation des erreurs et le coût. Il a aussi montré comment les ordinateurs quantiques peuvent être utilisés pour stocker des données quantiques et analyser des fonctions grâce à des algorithmes quantiques. « L'idée », a-t-il dit, « est d'intégrer les avantages de la physique quantique à la chimie quantique. »
Bien qu'encore à ses débuts, l'apprentissage automatique quantique, selon les conférenciers du jour, jouera un rôle déterminant dans la recherche en chimie quantique. Il permettra une meilleure compréhension de l'espace physique, accélérera les processus expérimentaux et réduira les coûts de recherche. Il a aussi le potentiel de transformer le fonctionnement des industries, ce qui contribue à la mission de Vector, qui vise à faire du Canada un chef de file en matière d'adoption et d'intégration de l'IA.
Sources
McClean, Jarrod et Huang, Hsin-Yuan. (2022). L'avantage quantique dans l'apprentissage par l'expérimentation . Blogue Google . https://ai.googleblog.com/2022/06/quantum-advantage-in-learning-from.html
Taylor, Graham. (2022). Le Canada peut devenir un chef de file en IA pour la science. Vector Institute . https://vectorinstitute.ai/canada-can-lead-in-ai-for-science/
