20 juillet 2023
Par Natasha Ali
L'Institut Vecteur a récemment organisé un atelier d'une journée pour présenter les recherches récentes dans le domaine de l'apprentissage automatique quantique. Avec des présentations de membres de la faculté Vector, d'étudiants diplômés et de boursiers postdoctoraux, 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 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 aux concepts de la mécanique quantique, tels que les interactions moléculaires et le comportement des ondes lumineuses, afin de mettre au point des "superordinateurs" dont l'efficacité est bien supérieure à celle des ordinateurs classiques. Les ordinateurs quantiques peuvent traiter des algorithmes complexes, reconnaître des modèles dans de grands ensembles de données et faire des prédictions sur des espaces physiques. Ils peuvent également simuler des systèmes quantiques et des réactions chimiques.
Parmi les intervenants de l'atelier figurait Alán Aspuru-Guzik, membre de la faculté Vecteur, qui est également professeur de chimie et d'informatique à l'université de Toronto et directeur du Consortium d'accélération. Ses recherches associent la chimie quantique à 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 parlé de l'impact significatif de l'apprentissage automatique dans le domaine de l'optique quantique. Ce domaine très riche étudie le comportement et les interactions des particules de lumière dans les systèmes physiques et fournit des informations sur les états énergétiques des molécules. 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 montré que les méthodes d'informatique quantique ont considérablement amélioré 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 énergétiques. Ces informations optiques peuvent, à leur tour, être intégrées dans des applications réelles telles que la découverte de médicaments et le développement pharmaceutique.
Abordant l'avenir de l'apprentissage automatique en optique quantique, M. Aspuru-Guzik a posé la question suivante : "Pouvons-nous mettre en œuvre de manière expérimentale une expérience d'optique quantique rêvée par ordinateur ? "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 d'optique quantique et les programmer pour produire des simulations moléculaires instantanées. L'objectif ultime est d'élargir les utilisations de l'informatique quantique et de transformer la manière dont nous exploitons l'IA pour la science.
Comme Aspuru-Guzik, Nathan Wiebe, professeur adjoint au département d'informatique de l'université de Toronto, a proposé un modèle génératif d'informatique quantique qui prédit le comportement moléculaire. Ses recherches portent sur l'utilisation de réseaux neuronaux quantiques pour simuler les systèmes moléculaires et les interactions physiques. Dans sa présentation, il a démontré l'importance de l'apprentissage automatique quantique génératif pour prédire le comportement moléculaire et les états énergétiques.
Wiebe a pu développer de vastes réseaux neuronaux quantiques, un ensemble de modèles génératifs qui intègrent la mécanique quantique à des algorithmes d'apprentissage automatique. Il a ensuite utilisé des ordinateurs quantiques pour entraîner ces modèles à l'aide de données physiques (par exemple, la position et la charge des électrons, l'emplacement des atomes, les états d'énergie). Cette approche a accéléré les performances des modèles génératifs quantiques et a permis d'optimiser les simulations des états de la mécanique quantique. En fin de compte, Wiebe a prouvé que l'entraînement par réseau neuronal, combiné à l'informatique quantique, peut améliorer la précision des modèles génératifs et produire des simulations précises du comportement moléculaire.
Pour ce qui est de 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 permettant d'exploiter pleinement le potentiel des ordinateurs quantiques dans la recherche en chimie. M. Izmaylov a parlé des algorithmes d'informatique quantique qui peuvent améliorer les modèles algébriques classiques. Sa recherche s'est concentrée sur les "systèmes difficiles sur le plan classique et faciles sur le plan quantique" afin de mettre davantage en évidence l'avantage quantique dans l'apprentissage automatique.
En examinant les modèles de calcul pour les états énergétiques 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 également montré comment les ordinateurs quantiques peuvent être utilisés pour stocker des données quantiques et analyser des fonctions à l'aide d'algorithmes quantiques : "L'idée est d'introduire l'avantage quantique dans la chimie quantique".
Bien qu'il en soit encore à ses débuts, les présentateurs de la journée prédisent que l'apprentissage automatique quantique jouera un rôle déterminant dans la recherche en chimie quantique, en permettant de mieux comprendre l'espace physique, d'accélérer les processus expérimentaux et de réduire les coûts de la recherche. Il a également le potentiel de transformer le mode de fonctionnement des industries, ce qui, en fin de compte, s'inscrit dans la mission de Vector qui consiste à faire du Canada un chef de file dans l'adoption et l'intégration de l'IA.
McClean, Jarrod & Huang, Hsin-Yuan. (2022). L'avantage quantique dans l'apprentissage à partir d'expériences. Google Blog. https://ai.googleblog.com/2022/06/quantum-advantage-in-learning-from.html
Taylor, Graham. (2022). Le Canada peut être un chef de file en matière d'IA pour la science. Institut Vecteur. https://vectorinstitute.ai/canada-can-lead-in-ai-for-science/
