Des physiciens quantiques adoptent l’apprentissage automatique pour faire avancer la recherche et ses applications

On a assisté au cours des dernières années à une explosion de l’intérêt envers l’apprentissage automatique quantique pour accélérer les découvertes scientifiques dans un certain nombre de domaines, de l’informatique quantique à la mise au point de nouveaux matériaux et de médicaments.

Cet effort s’est intensifié en juillet, alors que des chercheurs de l’industrie et du milieu universitaire se sont réunis à l’Institut Périmètre pour une conférence d’une semaine intitulée Machine Learning for Quantum Design (Apprentissage automatique pour la conception de systèmes quantiques).

L’un des organisateurs, Roger Melko, affirme que la conférence a mis en lumière les progrès remarquables réalisés par les chercheurs en quelques années seulement, soit depuis la réunion précédente tenue à l’Institut Périmètre sur l’apprentissage automatique quantique.

« Nous avons eu cette première conférence sur l’apprentissage automatique quantique il y a 3 ans. À l’époque, nous avons surtout entendu des idées et propositions théoriques, dit-il. Maintenant, les scientifiques mettent en œuvre ces idées. Le domaine évolue rapidement, et le rythme de cette évolution s’accélère. » [traduction]

M. Melko est titulaire de la chaire de recherche du Canada en physique quantique computationnelle à N corps, à l’Université de Waterloo, et professeur associé à l’Institut Périmètre, où il dirige le laboratoire d’intelligence quantique.

Selon lui, le domaine progresse si rapidement que la seule manière pour les chercheurs de se maintenir à flot est de se réunir en personne lors de conférences. « Les articles sortent à un rythme si rapide qu’il est presque impossible de tous les lire. Les boîtes d’entrée de courriel de tous les chercheurs sont pleines au point où une réunion en personne est la seule manière de tisser de véritables liens et d’établir une communauté scientifique dans le domaine. C’est la meilleure manière de vraiment appendre. »

L’ironie de cette situation — des gens qui se réunissent pour « vraiment apprendre » comment faire apprendre des machines — n’échappe pas à M. Melko, mais il dit que ces recherches sont notamment motivées par la possibilité que certains problèmes ne puissent tout simplement pas être résolus par l’esprit humain seul : « Il se peut qu’il y ait des problèmes si difficiles que l’être humain soit fondamentalement limité dans sa capacité à les résoudre. » [traduction]

Le problème n’est pas une limite de l’intelligence humaine, mais plutôt le fait que certains casse-têtes scientifiques semblent avoir une complexité pratiquement illimitée.

Estelle Inack, boursière postdoctorale Francis-Kofi-Allotey à l’Institut Périmètre, a organisé la conférence avec Roger Melko. Elle dit que la motivation d’une grande partie de ces recherches est le problème posé par les énormes quantités de données.

« Nous cherchons à appliquer l’intelligence artificielle à la physique quantique, dit-elle, parce que certains problèmes de physique quantique ont des jeux de données d’une ampleur exponentielle. La fonction d’onde de la physique quantique grossit de manière exponentielle, et les techniques d’apprentissage automatique ont fait leurs preuves dans ce genre de situation. » [traduction]

Selon Lei Wang, pionnier de la physique des systèmes à N corps et professeur à l’Institut de physique théorique de l’Académie chinoise des sciences, ces liens entre la physique et l’informatique sont alimentés par deux choses.

La première est un ensemble d’outils mathématiques appelé réseaux de tenseurs. Les spécialistes de l’information quantique utilisent les réseaux de tenseurs pour comprendre l’intrication quantique.

Mais il se trouve que les réseaux de tenseurs ont des liens étroits avec les réseaux neuronaux. « Il y avait certains liens mathématiques explicites, poursuit M. Wang. Je crois que ces liens ont permis de faire des travaux magnifiques et utiles. » [traduction]

L’autre moteur des liens entre la physique et l’informatique est le calcul quantique et le pari de réaliser l’apprentissage automatique dans un circuit quantique au lieu d’utiliser des réseaux neuronaux. Là encore, les réseaux de tenseurs jouent un rôle important. « Ces liens font en sorte que tout cela devient comme un seul domaine. C’est pourquoi tous les physiciens qui s’intéressent aux systèmes à N corps, dit M. Wang, sont enthousiasmés. » [traduction]

Même si ces travaux n’en sont encore qu’à un stade initial, Lei Wang s’attend à ce que des problèmes de longue date soient résolus d’ici quelques années.

Paul Ginsparg, professeur à l’Université Cornell et l’un des orateurs à la conférence, a eu un point de vue unique sur la montée de l’apprentissage automatique. Il a pu suivre la progression de l’apprentissage profond et de l’apprentissage automatique à l’aide des articles publiés dans arXiv (prononcé comme le mot archive en anglais), le serveur gratuit préimpression qu’il a lui-même mis sur pied.

Le domaine a commencé à apparaître vers 2010 dans des articles d’informatique. Au début de 2015, il figurait dans une centaine d’articles d’informatique chaque mois. Au début de 2019, le site arXiv recevait 850 articles d’informatique par mois portant sur l’apprentissage profond et l’apprentissage automatique.

Pour ce qui est des articles de physique, l’apprentissage profond et l’apprentissage automatique ne sont pas aussi présents qu’en informatique, mais la progression de 2010 à 2019 est comparable. À la fin de 2018, plus de 100 articles de physique portaient sur l’apprentissage profond et l’apprentissage automatique.

M. Ginsparg a dit aux participants à la conférence qu’il s’agit d’une croissance phénoménale, susceptible d’annoncer des bouleversements à venir.

Les technologies changent souvent. Dans le cas de l’apprentissage automatique, chaque période de quelques années a vu la mise au point d’une nouvelle méthode. Les équipes de chercheurs peuvent partir à la dérive si elles ne surveillent pas la nouvelle vague qui pourrait s’en venir.

Par contre, pendant une pause, Paul Ginsparg a dit voir un danger plus profond si, au lieu de vraiment comprendre, nous nous tournons vers des ordinateurs pour obtenir des réponses.

Il donne comme exemple les équations de Maxwell : « On comprend vraiment un phénomène physique lorsque l’on peut en construire une représentation aussi incroyablement concise, utilisable ensuite pour prédire tout le reste.

« En matière d’apprentissage automatique, on pourrait aboutir à la situation où l’on aurait une immense boîte noire faisant des prédictions, mais où l’on n’aurait aucune compréhension d’un phénomène. » [traduction]

Une telle issue n’est toutefois pas certaine. On peut fort bien espérer que l’apprentissage automatique puisse faire le travail fastidieux conduisant les chercheurs à de véritables découvertes.

Pour Roger Melko, cela constitue une grande partie des promesses de l’apprentissage automatique quantique — la possibilité que des ordinateurs mis au point et perfectionnés grâce à l’ingéniosité humaine, puissent accélérer les découvertes dans des domaines ayant des répercussions importantes.

« Il y a 3 ans, dit-il, nous avons discuté de la possibilité d’utiliser des réseaux neuronaux pour mettre au point des matériaux et dispositifs quantiques, et maintenant cela se fait réellement. Certaines des choses dont nous rêvions il y a seulement 3 ans se réalisent maintenant. » [traduction]

Selon M. Melko, le secret du succès n’est pas du tout un secret : il faut de la collaboration — entre chercheurs, et entre la science et l’industrie —, même si les liens semblent ténus au départ.

« Un participant a décrit comment on peut utiliser la technologie des voitures autonomes pour préparer l’état d’un bit quantique individuel, dit-il. Il y a eu beaucoup de nouvelles possibilités de collaboration entre théoriciens et expérimentateurs. Je crois que c’est la voie la plus rapide que j’aie vue entre la théorie pure et des expériences en laboratoire. » [traduction]

– Avec des notes de Colin Hunter et de Stephanie Keating