20 juillet 2023
Par Natasha Ali
Le Vector Institute a récemment organisé un atelier d’une journée entière pour présenter les recherches récentes en apprentissage automatique quantique. Avec des présentations de membres du corps professoral de Vector, d’étudiants diplômés et de chercheurs postdoctoraux, l’atelier mettait l’accent sur le potentiel actuel et futur de l’informatique quantique en chimie moléculaire et en recherche en physique.
Les conférenciers, un mélange d’experts en informatique, chimie et physique, ont présenté des moyens d’exploiter les ordinateurs quantiques pour générer des simulations moléculaires et tester les limites des modèles d’apprentissage automatique existants.
Domaine émergent, l’informatique quantique intègre l’apprentissage automatique avec des concepts de mécanique quantique, tels que les interactions moléculaires et le comportement des ondes lumineuses, afin de développer des « superordinateurs » performants à une efficacité bien supérieure à celle des ordinateurs classiques. Les ordinateurs quantiques peuvent traiter des algorithmes complexes, reconnaître des motifs dans de grands ensembles de données et faire des prédictions sur les espaces physiques. Ils peuvent aussi simuler des systèmes quantiques et des réactions chimiques.
Parmi les intervenants de l’atelier figurait Alán Aspuru-Guzik, membre du corps professoral de Vector, également professeur de chimie et d’informatique à l’Université de Toronto et directeur du Consortium d’accélération. Ses recherches fusionnent la chimie quantique avec l’apprentissage automatique. Il s’intéresse aux applications de l’informatique quantique en simulation moléculaire et en analyse des systèmes énergétiques.
Aspuru-Guzik a parlé de l’impact significatif de l’apprentissage automatique en optique quantique. Ce champ riche examine le comportement et les interactions des particules de lumière dans les systèmes physiques et fournit des informations sur les états d’énergie moléculaire. Il a dévoilé un modèle génératif d’apprentissage automatique capable d’extraire des données de simulations moléculaires et d’expériences d’optique antérieures. Il a également démontré que les méthodes d’informatique quantique amélioraient considérablement leur compréhension du comportement de la lumière et des systèmes énergétiques. Ces modèles génératifs peuvent traiter les algorithmes quantiques plus efficacement et faire des prédictions précises sur le comportement des ondes lumineuses et les états d’énergie. Cette information optique peut, à son tour, être intégrée dans des applications réelles telles que la découverte de médicaments et le développement pharmaceutique.
En abordant l’avenir de l’apprentissage automatique en optique quantique, Aspuru-Guzik a posé la question : « Pouvons-nous mettre en œuvre expérimentalement une expérience d’optique quantique rêvée par ordinateur? » Allant plus loin, il a suggéré l’idée d’utiliser l’apprentissage automatique pour développer des puces informatiques optiques quantiques et les programmer afin de produire des simulations moléculaires instantanées. L’objectif ultime est d’élargir les usages de l’informatique quantique et de transformer la façon dont nous exploitons l’IA pour 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 d’informatique quantique générative qui prédit le comportement moléculaire. Ses recherches portent sur l’utilisation des réseaux de neurones quantiques pour simuler des systèmes moléculaires et des interactions physiques. Dans sa présentation, il a démontré l’importance de l’apprentissage quantique génératif pour prédire le comportement moléculaire et les états d’énergie.
Wiebe a pu développer de vastes réseaux de neurones quantiques — un ensemble de modèles génératifs qui intègrent la mécanique quantique avec des algorithmes d’apprentissage automatique. Il a ensuite utilisé des ordinateurs quantiques pour entraîner ces modèles avec des données physiques (par exemple, la position et la charge des électrons, la position des atomes, les états d’énergie). Cette approche a accéléré la performance des modèles génératifs quantiques et a permis des simulations optimisées des états de la mécanique quantique. En fin de compte, Wiebe a prouvé que l’entraînement par réseaux neuronaux, combiné à l’informatique quantique, peut améliorer la précision des modèles génératifs et produire des simulations précises du comportement moléculaire.
Quant à 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 pour exploiter tout le potentiel des ordinateurs quantiques dans la recherche en chimie. Izmaylov a discuté des algorithmes de calcul quantique capables d’améliorer les modèles algébriques classiques. Ses recherches portaient sur les « systèmes classiquement difficiles et quantiques faciles » afin de souligner davantage l’avantage quantique de l’apprentissage automatique.
En examinant les modèles computationnels pour les états d’énergie et la mécanique quantique, Izmaylov a identifié certains des défis associés aux fonctions algébriques, tels que l’optimisation des erreurs et le coût. Il a aussi souligné 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’apporter l’avantage quantique à la chimie quantique. »
Bien que ce soit encore à ses débuts, les intervenants de la journée prédisent que l’apprentissage automatique quantique sera un élément clé de la recherche en chimie quantique, offrant une meilleure compréhension de l’espace physique, accélérant les processus expérimentaux et réduisant les coûts de recherche. Elle a aussi le potentiel de transformer le fonctionnement des industries, ce qui contribue ultimement à la mission de Vector d’établir le Canada comme un chef de file en matière d’adoption et d’intégration de l’IA.
McClean, Jarrod et Huang, Hsin-Yuan. (2022). Avantage quantique dans l’apprentissage à partir des expériences. Google Blog. https://ai.googleblog.com/2022/06/quantum-advantage-in-learning-from.html
Taylor, Graham. (2022). Le Canada peut être un leader en IA pour la science. Institut Vector. https://vectorinstitute.ai/canada-can-lead-in-ai-for-science/
