Qiskit Machine Learning, un outil d'IBM qui permet aux développeurs d'ajouter de la puissance du calcul quantique à l'apprentissage automatique
pour améliorer les modèles d'apprentissage automatique

IBM accélère son rythme d'innovation dans le domaine de l'apprentissage automatique (ML - Machine learning) et donne désormais la possibilité aux développeurs et aux organisations de tirer parti des capacités des ordinateurs quantiques pour améliorer la qualité de leurs modèles d'apprentissage automatique. Pour cela, IBM lance deux nouveaux outils Qiskit Machine Learning et Torch Connector. Ce dernier permet aux utilisateurs d'intégrer des réseaux de neurones quantiques directement dans la bibliothèque d'apprentissage automatique PyTorch. IBM s'attend à ce que la communauté adopte massivement ces deux nouveaux logiciels.

Le ML pour stimuler l'apprentissage automatique

L'apprentissage automatique est une branche de l'intelligence artificielle (IA) qui est désormais largement utilisée dans presque tous les secteurs. Cette technologie est capable d'analyser des ensembles de données de plus en plus volumineux pour identifier des modèles et des relations et, finalement, découvrir la meilleure façon de calculer la réponse à un problème donné. Les développeurs veulent s'assurer que le logiciel produit le modèle le plus optimal possible, ce qui implique d'augmenter la quantité et d'améliorer la qualité des données d'apprentissage fournies au logiciel d'apprentissage automatique.

Nom : 1_IxCnGI1xnSrFeLmzrDwXQw.png
Affichages : 760
Taille : 88,8 Ko

Ce processus s'accompagne inévitablement de coûts plus élevés et de temps de formation beaucoup plus longs. Selon IBM, déléguer certaines parties du processus à un ordinateur quantique pourrait résoudre ces problèmes, en accélérant le temps nécessaire à l'apprentissage ou à l'évaluation d'un modèle ML, mais aussi en augmentant considérablement ce que l'on appelle l'espace des caractéristiques, c'est-à-dire la collection de caractéristiques utilisées pour caractériser les données fournies au modèle (par exemple, le "sexe" ou l'"âge" si le système est entraîné à reconnaître des modèles concernant les personnes).

La réponse de Big Blue a ce problème est : Qiskit Machine Learning (QML). « Aujourd'hui, nous annonçons la sortie de Qiskit Machine Learning. Ce nouveau module d'application s'appuie sur les fonctionnalités existantes de Qiskit pour créer et exécuter des circuits quantiques (paramétrés), évaluer des observables complexes, et aussi évaluer automatiquement les gradients correspondants par rapport aux paramètres du circuit », a écrit l'équipe de QML dans un billet de blogue mardi. Selon cette dernière, les ordinateurs classiques sont limités par la puissance de calcul requise par les grands espaces de fonctions.

Nom : kf.png
Affichages : 753
Taille : 45,3 Ko

Cependant, à l'avenir, les ordinateurs quantiques devraient, une fois que la technologie sera suffisamment mature, exceller dans la prise en charge de grands calculs en un temps réduit. L'informatique quantique n'en étant qu'à ses débuts, une partie importante des travaux relatifs à l'apprentissage automatique quantique sont théoriques et dépendent encore de la mise à l'échelle des dispositifs quantiques à l'avenir. Toutefois, un nombre croissant de chercheurs souhaitent néanmoins approfondir les possibilités que cette technologie pourrait un jour débloquer.

Comme l'a expliqué l'équipe chargée des applications de Qiskit, l'apprentissage automatique quantique devrait fonctionner en tandem avec l'informatique classique, avec des tâches de calcul lourdes exécutées sur des dispositifs quantiques pour améliorer des modèles conçus pour des applications classiques. « Ils peuvent faire partie d'un calcul complexe plus important, comme un réseau neuronal profond qui se compose de couches classiques et quantiques », a déclaré l'équipe. « Cela ouvre des possibilités infinies d'étudier la puissance potentielle des réseaux neuronaux quantiques pour un grand nombre d'applications », a-t-elle ajouté.

Qiskit Machine Learning et ses caractéristiques

« L'informatique quantique offre une autre voie potentielle pour augmenter la puissance des modèles d'apprentissage automatique, et la littérature correspondante se développe à un rythme incroyable », a déclaré l'équipe des applications Qiskit. « L'apprentissage automatique quantique propose de nouveaux types de modèles qui tirent parti des capacités uniques des ordinateurs quantiques pour, par exemple, travailler dans des espaces de caractéristiques de dimension exponentielle supérieure afin d'améliorer la précision des modèles », a ajouté l'équipe.

Nom : am.png
Affichages : 744
Taille : 83,7 Ko

Elle explique que Qiskit Machine Learning présente des modules de calcul fondamentaux, tels que les noyaux quantiques et les réseaux de neurones quantiques, utilisés dans différentes applications, notamment la classification et la régression. Elle estime que cette conception est très facile à utiliser et permet aux utilisateurs de prototyper rapidement un premier modèle sans connaissances approfondies en informatique quantique. D'autre part, Qiskit Machine Learning serait très flexible, et les utilisateurs peuvent facilement l'étendre pour soutenir la recherche de pointe sur l'apprentissage automatique quantique.

Qiskit Machine Learning fournit Quantum Kernel, un outil qui calcule les matrices de noyau pour un ensemble de données donné dans un framework quantique. Il s'agit de la première étape vers le mappage des données dans un espace de caractéristiques de dimensions exponentiellement plus élevées qui peut fournir une formation plus précise pour les modèles d'apprentissage automatique. Il contient également plusieurs implémentations de réseaux neuronaux quantiques, ainsi que des algorithmes d'apprentissage pour les former et les utiliser, afin que les développeurs puissent construire et tester leurs propres réseaux.

Nom : tn.png
Affichages : 735
Taille : 62,2 Ko

Outre les modèles fournis directement dans Qiskit Machine Learning, l'équipe a également présenté Torch Connector. Il permet aux développeurs d'intégrer directement leurs nouveaux réseaux de neurones quantiques directement dans la bibliothèque open source d'apprentissage automatique PyTorch. Développée par Facebook, la bibliothèque PyTorch est principalement utilisée pour des applications telles que la vision par ordinateur et le traitement du langage naturel. Grâce au framework de gradient de Qiskit, les gradients globaux calculés par PyTorch pendant la rétropropagation prennent aussi en compte les réseaux de neurones quantiques.

La conception flexible permettrait également de construire des connecteurs vers d'autres paquets à l'avenir. Selon IBM, une fois qu'ils auront construit un modèle d'apprentissage automatique quantique dans Qiskit, les développeurs pourront tester l'algorithme sur des ordinateurs classiques, mais aussi sur les systèmes quantiques basés sur le cloud d'IBM. La première version de Qiskit Machine Learning fournit une sélection initiale de modèles. Cependant, comme il s'agit d'une bibliothèque open source, l'équipe chargée des applications encourage les chercheurs et les développeurs à se mettre au travail pour commencer à enrichir le corpus de recherche.

Sources : Annonce d'IBM, Qiskit Machine Learning et PyTorch Connector, Ressources fournies par IBM

Et vous ?

Que pensez-vous de Qiskit Machine Learning et de PyTorch Connector ?

Voir aussi

IBM a atteint son plus grand volume quantique, passant de 32 à 64, depuis le début de l'année

IBM communique sa feuille de route pour ses prochains développements en informatique quantique, l'entreprise prévoit de créer un processeur quantique avec plus de 1000 qubits en 2023

Terra Quantum AG, une entreprise suisse, affirme que le chiffrement post-quantique présente des failles et présente son nouveau protocole de chiffrement

IBM crée un compilateur COBOL pour les systèmes GNU/Linux basé sur l'architecture x86, dont la disponibilité générale est annoncée pour le 16 avril