Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Quantum many-body dynamics for combinatorial optimisation and machine learning

Constantin Dalyac

Published Oct 20, 2023• 0 citations
Publisher

Abstract

Dynamique quantique à N-corps pour l'optimisation combinatoire et le machine learning L'objectif de cette thèse est d'explorer et de qualifier l'utilisation de la dynamique quantique à N-corps pour résoudre des problèmes industriels difficiles et des tâches d'apprentissage automatique. En tant que collaboration entre des partenaires industriels et universitaires, cette thèse explore les capacités d'un dispositif à atome neutre pour résoudre des problèmes réels. Tout d'abord, nous examinons les problèmes d'optimisation combinatoire et montrons comment les atomes neutres peuvent naturellement encoder un célèbre problème d'optimisation combinatoire appelé le "Maximum Independent Set on Unit-Disk graphs". Ces problèmes apparaissent dans les défis industriels tels que le chargement intelligent des véhicules électriques. L'objectif est de comprendre pourquoi et comment on peut s'attendre à ce qu'une approche quantique résolve ce problème plus efficacement qu'une méthode classique. Les algorithmes que nous proposons sont testés sur un véritable à l'aide d'un ensemble de données provenant d'EDF, la compagnie française d'électricité. Nous explorons en outre l'utilisation d'atomes neutres en 3D pour résoudre des problèmes qui sont hors de portée des méthodes d'approximation classiques. Enfin, nous essayons d'améliorer notre intuition sur les types d'instances pour lesquelles une approche quantique peut (ou ne peut pas) donner de meilleurs résultats que les méthodes classiques. Dans la deuxième partie de cette thèse, nous explorons l'utilisation de la dynamique quantique dans le domaine de l'apprentissage automatique. En plus d'être une grande chaîne de mots à la mode, l'apprentissage automatique quantique (QML) a été de plus en plus étudié ces dernières années. Dans cette partie, nous proposons et mettons en œuvre un protocole quantique pour l'apprentissage automatique sur des ensembles de données de graphes, et nous montrons des résultats prometteurs en ce qui concerne la complexité de l'espace de caractéristiques associé. Enfin, nous explorons l'expressivité des modèles d'apprentissage automatique quantique et présentons des exemples où les méthodes classiques peuvent approximer efficacement les modèles d'apprentissage automatique quantique.

DOI
10.70675/d8d31cecza123z48adz86b7ze8a30aaa7c58

Related papers

Noise and trainability in quantum machine learning

Valentin Heyraud

Bruit et capacité d'apprentissage en apprentissage automatique quantique Cette thèse est consacrée à l'exploration de l'interface entre l'informatique quantique et l'apprentissage automatique, en mettant l'accent sur les effets du bruit et de la décohérence. Dans la première partie, nous étudions l'utilisation de systèmes quantiques ouverts pour la réalisation de tâches classiques de reconnaissance des formes. En particulier, nous nous intéressons à l'impact du bruit sur les machines à noyau quantique dans une configuration de calcul à réservoir. Les modèles que nous considérons sont basés sur l'utilisation d'un système quantique de grande taille et non contrôlé, un réservoir, qui est excité par un signal d'entrée à traiter. Des mesures sont ensuite effectuées sur le système et une combinaison linéaire des résultats est optimisée afin de réaliser la tâche souhaitée. Dans le cadre théorique associé aux méthodes à noyau, nous analysons l'effet de la dissipation sur l'expressivité de ces modèles. Nous montrons que le bruit affectant le réservoir peut agir comme une régularisation implicite qui aide à prévenir l'ajustement excessif. Ces résultats sont accompagnés d'une étude numérique d'un ensemble de machines à noyaux bruitées basées sur des chaînes de spins quantiques sujets à de la décohérence, et dont l'évolution markovienne est décrite par une équation maîtresse de type Lindblad. Dans la deuxième partie de la thèse, nous nous concentrons sur les algorithmes quantiques variationnels. Nous y présentons un schéma de simulation classique efficace pour estimer des quantités moyennées à la sortie d'un circuit quantique paramétré dont les paramètres de rotation sont choisis aléatoirement. Nous étudions d'abord les canaux quantiques associés aux moyennes de rotations aléatoires d'un et de deux qubits autour d'un axe Z. Sous certaines hypothèses, nous montrons que ces canaux peuvent être décomposés en sommes convexes de canaux associés à des transformations unitaires de Clifford. Ce résultat peut être interprété comme un effet de décohérence artificiel induit par le choix aléatoire des angles de rotation. Il nous permet construire un schéma de simulation efficace basé sur le célèbre théorème de Gottesman-Knill. Cette méthode permet notamment d'estimer efficacement l'amplitude moyenne du gradient de la fonction de coût par des simulations classiques avec une complexité polynomiale en le nombre de qubits. Elle peut donc être utilisée pour explorer des stratégies de conception de circuits variationnels quantiques permettant d'éviter les difficultés d'entrainement due à une disparition du gradient.

•Nov 7, 2023•0 citations

Quantum algorithms for unsupervised machine learning and neural networks

Jonas Landman

Algorithmes quantiques pour réseaux de neurones et apprentissage automatique non supervisé Cette thèse vise à étudier si les algorithmes quantiques peuvent être utilisés dans le domaine de l'apprentissage automatique, ou intelligence artificielle. Nous rappelons d'abord les principes fondamentaux de l'apprentissage automatique et de l'informatique quantique, puis nous décrivons plus précisément comment les relier par l'algèbre linéaire: nous introduisons des algorithmes quantiques pour résoudre efficacement des tâches telles que le produit de matrices ou l'estimation de distances. Ces résultats sont ensuite utilisés pour développer de nouveaux algorithmes quantiques pour l'apprentissage automatique non supervisé, comme le k-means et le Spectral Clustering. Cela nous permet de définir de nombreuses procédures fondamentales, notamment en analyse vectorielle et en analyse de graphes. Nous présentons également de nouveaux algorithmes quantiques pour les réseaux de neurones. Pour cela, nous introduirons un algorithme permettant d'effectuer un produit de convolution quantique sur des images, ainsi qu'une nouvelle façon d'effectuer une tomographie rapide sur des états quantiques. Nous prouvons que ces algorithmes quantiques sont des équivalents plus rapide de leur version classique, en terme de complexité algorithmique, mais présentent des effets aléatoires dus à la nature quantique du calcul. De nombreuses simulations ont été réalisées pour étudier ces effets et mesurer la précision d'apprentissage de nos algorithmes quantiques sur des données réelles. Enfin, nous présenterons un circuit pour réseau neuronal orthogonal adapté aux ordinateurs quantiques de petite taille et imparfaits actuellement disponibles (NISQ). Cela nous permet de réaliser des expériences sur des ordinateurs quantiques réels pour tester notre théorie.

arXiv:2111.03598•Oct 22, 2021•7 citations

Towards efficient quantum algorithms for optimization and sampling

Dániel Szilágyi

Vers des algorithmes quantiques efficaces pour l'optimisation et l'échantillonnage Récemment, avec l'avènement du big data et de l'apprentissage machine à grande échelle, il y a eu une demande croissante pour des algorithmes quantiques qui seraient plus directement applicables à des problèmes pertinents en pratique. Dans cette thèse, nous présentons trois algorithmes qui visent à nous rapprocher de cet objectif. Premièrement, nous développons un algorithme quantique pour l'optimisation cornettique, une classe de problèmes d'optimisation qui se situe entre les programmes linéaires et semi-définis en termes d'expressivité et de facilité de résolution. Ces problèmes sont le plus souvent résolus avec l'aide d'une méthode de point intérieur, dont la complexité est principalement imposée par le coût de la résolution d'une série de systèmes linéaires. Dans notre algorithme, nous résolvons ces systèmes linéaires de manière approximative à l'aide d'un algorithme quantique, et nous prouvons que la méthode des points intérieurs qui en résulte converge vers la solution correcte en un même nombre d'itérations. Nous donnons des preuves numériques que l'algorithme fournit des accélérations de bout en bout dans certaines applications de faible précision telles que les machines à vecteurs de support et l'optimisation de portefeuille financier. L'algorithme des systèmes linéaires quantiques que nous utilisons est le résultat d'une longue ligne de recherche engendrée par l'algorithme de système linéaire quantique de Harrow, Hassidim et Lloyd. Bien qu'il ait été prouvé qu'il est asymptotiquement optimal, le circuit correspondant compliqué et nécessite un prétraitement classique. La deuxième contribution de cette thèse est un algorithme quantique amélioré pour les systèmes linéaires, basé sur la méthode classique optimale de l'itération de Chebyshev. Enfin, nous observons que les algorithmes susmentionnés ont la propriété commune d'approximer l'unique vraie solution du problème donné. En général, la conception de tels algorithmes quantiques est difficile, car souvent la seule façon de récupérer (une approximation de) la vraie solution est d'exécuter l'algorithme plusieurs fois (soit naïvement, soit par amplification d'amplitude) et de calculer certaines statistiques (par exemple la moyenne) des sorties mesurées. Si les ordinateurs quantiques donnent intrinsèquement accès à l'échantillonnage de leurs sorties, pourrions-nous les exploiter pour accélérer les problèmes d'échantillonnage classiques? De manière surprenante, il s'avère que l'échantillonnage gaussien n'est pas un problème complètement résolu, même sur les ordinateurs classiques. Notre troisième contribution est un algorithme de Monte Carlo Hamiltonien classique pour l'échantillonnage gaussien dans le modèle d'interrogation du premier ordre. Nous surmontons et contournons plusieurs limites inférieures en prenant des étapes longues et aléatoires pour intégrer le hamiltonien au cœur de l'algorithme.

•Oct 20, 2022•0 citations

Geometry, topology and dynamics of many-body systems : quantum and classical perspectives

Arthur Vesperini

Géométrie, topologie et dynamique des systèmes à N corps : perspectives quantiques et classiques Dans la présente thèse, nous étudions diverses instances de systèmes à N corps, tant quantiques et classiques, en adoptant une perspective géométrique et topologique. Les systèmes comportant un grand nombre de degrés de liberté peuvent présenter une grande variété de phénomènes émergents, allant de la métastabilité aux transition de phase, et leurs propriétés complexes échappent souvent à notre compréhension complète. Grâce à une inspection minutieuse des structures géométriques sous-jacentes à ces objets complexes et à l'aide de divers outils mathématiques, dont certains sont empruntés au domaine de la géométrie et de la topologie riemanniennes, nous tentons de caractériser leurs aspects les plus importants.La première partie de cette thèse se concentre sur le domaine de l'information quantique, explorant notamment les notions d'intrication quantique et de corrélations dans les systèmes quantiques discrets, d'abord dans des états purs, puis dans des états mixtes.Nous proposons une nouvelle mesure de l'intrication pour les états quantiques purs, l'entanglement distance, la discutons et la testons sur divers exemples.Nous étudions ensuite les états purs maximalement intriqués, révélant en partie leurs structures internes, en utilisant les notion intuitive de corrélation et de mesure projective. Ce faisant, nous sommes en mesure de montrer des relations simples entre les corrélations pré-mesure et les valeurs moyennes post-mesure, et de fournir une limite supérieure à la persistance d'intrication de tels états.Nous démontrons en outre comment les propriétés de connectivité d'un modèle paradigmatique de l'informatique quantique, le graph state, peuvent être sondées grâce à l'utilisation appropriée de corrélateurs quantiques.Notre étude est ensuite étendue au cadre des états quantiques mixtes. Nous déduisons de l'entanglement distance définie sur les états purs, les mesures induites de la corrélations quantique d'une part, et de l'intrication des états mixtes d'autre part. Nous soulignons les forces et les limites de cette dernière mesure, en particulier la lourde procédure d'optimisation qu'elle implique, et pour laquelle nous proposons une solution de contournement. Enfin, nous étudions la transition superradiante présente dans le modèle de Tavis-Cummings et révélons qu'elle s'accompagne d'un saut dans la corrélation quantique et l'intrication entre les atomes.Dans la deuxième partie de notre travail, nous abordons deux modèles classiques, tous deux possédant des comportements non ergodiques et fortement non-linéaires.Nous présentons d’abord une étude complète, à la fois numérique et analytique, d’un modèle jouet, exemple prototypique de modèle fortement non-additif à interaction à longue portée : l'Hamiltonien de champ moyen (HMF). À basse énergie dans l’ensemble microcanonique, un état métastable peut apparaître, appelé bicluster. En inspectant la dynamique d'une quantité macroscopique, la magnétisation, et en observant l'apparition de deux échelles de temps distinctes dans le système, nous proposons un scénario assez intuitif et cohérent expliquant la grande stabilité des biclusters, qui se maintiennent pendant de très longues durées.Nous introduisons enfin les résultats d'une étude numérique approfondie, appliquant la théorie topologique des transitions de phase à un modèle de verre. De tels systèmes sont notoirement difficiles à simuler et à équilibrer, en raison de leur dynamique très lente, caractéristique de la phase vitreuse, et de leur tendance à rester coincée dans de petites régions de l'espace des phases. Dans un cadre microcanonique, un complexe algorithme de Monte Carlo a été développé. Nos résultats, bien que préliminaires, sont encourageants : la chaleur spécifique présente des pics clairs pour deux valeurs de l'énergie, indiquant une transition du second ordre en deux étapes, en correspondance avec les changements topologiques des ensembles de niveaux équipotentiels sur lesquels le système est confiné.

•Dec 11, 2023•0 citations

Solving Quantum Many-Body Problems on Quantum Computers

Baptiste Anselme Martin

Résoudre le problème quantique à N-corps à l'aide de calculateurs quantiques Les calculateurs quantiques promettent de résoudre des problèmes insolvables pour les ordinateurs classiques. En particulier, manipuler des états superposés et intriqués de bits quantiques est une voie naturelle pour étudier la physique des systèmes quantiques à N particules. Avec les avancées rapides des technologies quantiques, nous avons pu voir émerger les premiers processeurs quantiques, nommés processeurs "NISQ" (de l'anglais "Noisy-Intermediate-Scale-Quantum"). Les progrès de ces machines ouvrent de nouveaux chemins aux physiciens pour simuler des systèmes quantiques. Cependant, leur taille limitée et les erreurs liées à la décohérence limitent fortement leur usage aujourd'hui. La conception d'algorithmes quantiques efficaces, résistant aux erreurs, est un défi considérable. Ce travail de thèse s'attelle à comprendre les capacités des processeurs quantiques à simuler des systèmes quantiques à N corps, avec une attention particulière aux applications pour la physique de la matière condensée. Dans un premier temps, nous abordons le sujet du calcul de l'état fondamental d'Hamiltoniens, à l'aide d'un algorithme variationnel quantique-classique (nommée l'algorithme VQE, de l'anglais « Variational Quantum Eigensolver »). Nous évaluons les performances de cette méthode sur le modèle de Hubbard, grâce à différentes métriques, comme la fidélité, l'énergie et les propriétés physiques des solutions obtenues. Nous démontrons, malgré des performances prometteuses en simulant un calculateur quantique sans bruit, que le niveau de bruit des machines contemporaines rend impossible la réalisation d'un calcul significatif. En revanche, certains états quantiques aux propriétés intéressantes peuvent avoir une forme simple. Leur préparation sur un calculateur quantique est un problème pertinent dans le but d'initialiser un calcul quantique avec ces états pour les amener vers des régimes où ils perdent leur forme simple. Pour illustrer ceci, nous prenons l'exemple du modèle Affleck-Lieb-Kennedy-Tasaki (AKLT), le premier modèle de chaîne de spin entier antiferromagnétique possédant une solution simple vérifiant la conjecture d'Haldane. Nous proposons deux schémas pour préparer les états AKLT, l'un suivant leur construction naturelle en projetant des paires de qubits sur leur sous-espace triplet, l'autre utilisant leur forme de réseaux de tenseurs. Nous analysons l'implémentation de ces méthodes en fonction de la taille du système, avec une réalisation expérimentale sur un processeur quantique. Enfin, nous explorons la synergie entre les méthodes de réseaux de tenseurs et les calculateurs quantiques bruités pour simuler la dynamique hors-équilibre de systèmes de spins. La simulation de dynamique quantique est une tâche naturelle pour les calculateurs quantiques, mais atteindre des temps longs est fortement limité par le bruit. D'autre part, les réseaux de tenseurs sont également limités aux temps courts, contraints par la quantité d'intrication qu'ils peuvent encoder. Nous proposons d'utiliser le meilleur des deux mondes : la dynamique à temps court est simulée efficacement par un réseau de tenseur, compilée vers des circuits quantiques de faible profondeur pour poursuivre l'évolution temporelle sur le calculateur quantique. Nous étudions les performances de ce schéma hybride quantique-classique en regardant la fidélité des états obtenus et la production d'intrication, avec une validation expérimentale. Finalement, nous proposons d'optimiser les circuits quantiques approximant l'opérateur évolution temporelle grâce à des réseaux de tenseurs, résultant en une simulation quantique classiquement améliorée utilisant moins de ressources quantiques.

•Dec 4, 2023•0 citations

Quantum machine learning on near term hardware with unstructured and graph structured data

Slimane Thabet

Apprentissage automatique sur des machine quantiques actuelles avec des données non structurées et sur des graphes L'apprentissage automatique a permis de résoudre de nombreux problèmes du monde réel que d'autres méthodes informatiques traditionnelles avaient du mal à résoudre, ou qu'elles pouvaient résoudre de manière plus coûteuse. L'informatique quantique est un paradigme de calcul utilisant les états quantiques de la matière qui permet une grande vitesse de calcul pour certains problèmes. Les progrès récents dans le développement du matériel quantique ont encouragé la recherche d'applications concrètes des ordinateurs quantiques. Il est donc devenu naturel de chercher des moyens d'appliquer les ordinateurs quantiques à l'apprentissage automatique. Cette thèse est une contribution à cet objectif. La première partie vise à comprendre les capacités générales des circuits quantiques variationnels pour les tâches d'apprentissage automatique à partir de données vectorielles, et d'éclaircir les conditions nécessaires pour obtenir un avantage quantique. Les circuits variationnels sont une famille d'algorithmes quantiques où les opérations sont paramétrées et où l'on cherche les paramètres qui minimisent une fonction de coût, à la manière des réseaux de neurones. Ce sont en réalité des modèles linéaires dans un espace à grande dimension. Je montre que bien que les circuits soient coûteux à évaluer, on peut parfois construire des approximations classiques en utilisant la technique de "random features regression". Si cette approximation est possible, l'avantage quantique est limité. Je souligne également le fait que l'apprentissage d'un modèle classique dans le même espace converge vers une solution appelée estimateur MNLS (Minimum Norm Least Square), mais que la dynamique d'apprentissage des circuits quantiques ne conduira pas nécessairement à la même solution. Cette séparation est la source de l'avantage quantique, je montre qu'il suffit que le vecteur des coefficients du modèle quantique ait une grande norme, et je donne des exemples concrets. La deuxième partie explore l'utilisation d'ordinateurs quantiques pour effectuer des tâches d'apprentissage automatique sur des graphes. L'apprentissage automatique sur des graphes possède beaucoup d'applications, et les algorithmes pour des données vectorielles ne sont pas directement applicables. Dans cette partie, j'ai cherché à développer des algorithmes quantiques adaptés à la structure de graphes des données. L'idée principale est d'encoder le graphe dans un hamiltonien qui a une topologie similaire. On prépare ensuite un état quantique en faisant évoluer cet hamiltonien, et les mesures sont incorporées dans un algorithme classique d'apprentissage automatique. Cette approche est particulièrement adaptée aux processeurs quantiques à atomes neutres. Avec de telles plateformes, on peut en effet facilement créer un système quantique avec la connectivité souhaitée, et la géométrie peut être modifiée à chaque exécution. J'ai développé une diverse famille d'algorithmes, inspirés par les noyaux, les réseaux neurones et les transformers, avec l'intention de pouvoir les implémenter sur les machines actuelles. J'ai réalisé des expériences numériques sur des ensembles de données à grande échelle et décrit les résultats d'implémentation expérimentale sur la machine de Pasqal.

•May 12, 2025•0 citations
Dynamique quantique à N-corps pour l'optimisation combinatoire et le machine learning L'objectif de cette thèse est d'explorer et de qualifier l'utilisation de la dynamique quantique à N-corps pour résoudre des problèmes industriels difficiles et des tâches d'apprentissage automatique. En tant que collaboration entre des partenaires industriels et universitaires, cette thèse explore les capacités d'un dispositif à atome neutre pour résoudre des problèmes réels. Tout d'abord, nous examinons les problèmes d'optimisation combinatoire et montrons comment les atomes neutres peuvent naturellement encoder un célèbre problème d'optimisation combinatoire appelé le "Maximum Independent Set on Unit-Disk graphs". Ces problèmes apparaissent dans les défis industriels tels que le chargement intelligent des véhicules électriques. L'objectif est de comprendre pourquoi et comment on peut s'attendre à ce qu'une approche quantique résolve ce problème plus efficacement qu'une méthode classique. Les algorithmes que nous proposons sont testés sur un véritable à l'aide d'un ensemble de données provenant d'EDF, la compagnie française d'électricité. Nous explorons en outre l'utilisation d'atomes neutres en 3D pour résoudre des problèmes qui sont hors de portée des méthodes d'approximation classiques. Enfin, nous essayons d'améliorer notre intuition sur les types d'instances pour lesquelles une approche quantique peut (ou ne peut pas) donner de meilleurs résultats que les méthodes classiques. Dans la deuxième partie de cette thèse, nous explorons l'utilisation de la dynamique quantique dans le domaine de l'apprentissage automatique. En plus d'être une grande chaîne de mots à la mode, l'apprentissage automatique quantique (QML) a été de plus en plus étudié ces dernières années. Dans cette partie, nous proposons et mettons en œuvre un protocole quantique pour l'apprentissage automatique sur des ensembles de données de graphes, et nous montrons des résultats prometteurs en ce qui concerne la complexité de l'espace de caractéristiques associé. Enfin, nous explorons l'expressivité des modèles d'apprentissage automatique quantique et présentons des exemples où les méthodes classiques peuvent approximer efficacement les modèles d'apprentissage automatique quantique.
Bruit et capacité d'apprentissage en apprentissage automatique quantique Cette thèse est consacrée à l'exploration de l'interface entre l'informatique quantique et l'apprentissage automatique, en mettant l'accent sur les effets du bruit et de la décohérence. Dans la première partie, nous étudions l'utilisation de systèmes quantiques ouverts pour la réalisation de tâches classiques de reconnaissance des formes. En particulier, nous nous intéressons à l'impact du bruit sur les machines à noyau quantique dans une configuration de calcul à réservoir. Les modèles que nous considérons sont basés sur l'utilisation d'un système quantique de grande taille et non contrôlé, un réservoir, qui est excité par un signal d'entrée à traiter. Des mesures sont ensuite effectuées sur le système et une combinaison linéaire des résultats est optimisée afin de réaliser la tâche souhaitée. Dans le cadre théorique associé aux méthodes à noyau, nous analysons l'effet de la dissipation sur l'expressivité de ces modèles. Nous montrons que le bruit affectant le réservoir peut agir comme une régularisation implicite qui aide à prévenir l'ajustement excessif. Ces résultats sont accompagnés d'une étude numérique d'un ensemble de machines à noyaux bruitées basées sur des chaînes de spins quantiques sujets à de la décohérence, et dont l'évolution markovienne est décrite par une équation maîtresse de type Lindblad. Dans la deuxième partie de la thèse, nous nous concentrons sur les algorithmes quantiques variationnels. Nous y présentons un schéma de simulation classique efficace pour estimer des quantités moyennées à la sortie d'un circuit quantique paramétré dont les paramètres de rotation sont choisis aléatoirement. Nous étudions d'abord les canaux quantiques associés aux moyennes de rotations aléatoires d'un et de deux qubits autour d'un axe Z. Sous certaines hypothèses, nous montrons que ces canaux peuvent être décomposés en sommes convexes de canaux associés à des transformations unitaires de Clifford. Ce résultat peut être interprété comme un effet de décohérence artificiel induit par le choix aléatoire des angles de rotation. Il nous permet construire un schéma de simulation efficace basé sur le célèbre théorème de Gottesman-Knill. Cette méthode permet notamment d'estimer efficacement l'amplitude moyenne du gradient de la fonction de coût par des simulations classiques avec une complexité polynomiale en le nombre de qubits. Elle peut donc être utilisée pour explorer des stratégies de conception de circuits variationnels quantiques permettant d'éviter les difficultés d'entrainement due à une disparition du gradient.
Algorithmes quantiques pour réseaux de neurones et apprentissage automatique non supervisé Cette thèse vise à étudier si les algorithmes quantiques peuvent être utilisés dans le domaine de l'apprentissage automatique, ou intelligence artificielle. Nous rappelons d'abord les principes fondamentaux de l'apprentissage automatique et de l'informatique quantique, puis nous décrivons plus précisément comment les relier par l'algèbre linéaire: nous introduisons des algorithmes quantiques pour résoudre efficacement des tâches telles que le produit de matrices ou l'estimation de distances. Ces résultats sont ensuite utilisés pour développer de nouveaux algorithmes quantiques pour l'apprentissage automatique non supervisé, comme le k-means et le Spectral Clustering. Cela nous permet de définir de nombreuses procédures fondamentales, notamment en analyse vectorielle et en analyse de graphes. Nous présentons également de nouveaux algorithmes quantiques pour les réseaux de neurones. Pour cela, nous introduirons un algorithme permettant d'effectuer un produit de convolution quantique sur des images, ainsi qu'une nouvelle façon d'effectuer une tomographie rapide sur des états quantiques. Nous prouvons que ces algorithmes quantiques sont des équivalents plus rapide de leur version classique, en terme de complexité algorithmique, mais présentent des effets aléatoires dus à la nature quantique du calcul. De nombreuses simulations ont été réalisées pour étudier ces effets et mesurer la précision d'apprentissage de nos algorithmes quantiques sur des données réelles. Enfin, nous présenterons un circuit pour réseau neuronal orthogonal adapté aux ordinateurs quantiques de petite taille et imparfaits actuellement disponibles (NISQ). Cela nous permet de réaliser des expériences sur des ordinateurs quantiques réels pour tester notre théorie.
Vers des algorithmes quantiques efficaces pour l'optimisation et l'échantillonnage Récemment, avec l'avènement du big data et de l'apprentissage machine à grande échelle, il y a eu une demande croissante pour des algorithmes quantiques qui seraient plus directement applicables à des problèmes pertinents en pratique. Dans cette thèse, nous présentons trois algorithmes qui visent à nous rapprocher de cet objectif. Premièrement, nous développons un algorithme quantique pour l'optimisation cornettique, une classe de problèmes d'optimisation qui se situe entre les programmes linéaires et semi-définis en termes d'expressivité et de facilité de résolution. Ces problèmes sont le plus souvent résolus avec l'aide d'une méthode de point intérieur, dont la complexité est principalement imposée par le coût de la résolution d'une série de systèmes linéaires. Dans notre algorithme, nous résolvons ces systèmes linéaires de manière approximative à l'aide d'un algorithme quantique, et nous prouvons que la méthode des points intérieurs qui en résulte converge vers la solution correcte en un même nombre d'itérations. Nous donnons des preuves numériques que l'algorithme fournit des accélérations de bout en bout dans certaines applications de faible précision telles que les machines à vecteurs de support et l'optimisation de portefeuille financier. L'algorithme des systèmes linéaires quantiques que nous utilisons est le résultat d'une longue ligne de recherche engendrée par l'algorithme de système linéaire quantique de Harrow, Hassidim et Lloyd. Bien qu'il ait été prouvé qu'il est asymptotiquement optimal, le circuit correspondant compliqué et nécessite un prétraitement classique. La deuxième contribution de cette thèse est un algorithme quantique amélioré pour les systèmes linéaires, basé sur la méthode classique optimale de l'itération de Chebyshev. Enfin, nous observons que les algorithmes susmentionnés ont la propriété commune d'approximer l'unique vraie solution du problème donné. En général, la conception de tels algorithmes quantiques est difficile, car souvent la seule façon de récupérer (une approximation de) la vraie solution est d'exécuter l'algorithme plusieurs fois (soit naïvement, soit par amplification d'amplitude) et de calculer certaines statistiques (par exemple la moyenne) des sorties mesurées. Si les ordinateurs quantiques donnent intrinsèquement accès à l'échantillonnage de leurs sorties, pourrions-nous les exploiter pour accélérer les problèmes d'échantillonnage classiques? De manière surprenante, il s'avère que l'échantillonnage gaussien n'est pas un problème complètement résolu, même sur les ordinateurs classiques. Notre troisième contribution est un algorithme de Monte Carlo Hamiltonien classique pour l'échantillonnage gaussien dans le modèle d'interrogation du premier ordre. Nous surmontons et contournons plusieurs limites inférieures en prenant des étapes longues et aléatoires pour intégrer le hamiltonien au cœur de l'algorithme.
Géométrie, topologie et dynamique des systèmes à N corps : perspectives quantiques et classiques Dans la présente thèse, nous étudions diverses instances de systèmes à N corps, tant quantiques et classiques, en adoptant une perspective géométrique et topologique. Les systèmes comportant un grand nombre de degrés de liberté peuvent présenter une grande variété de phénomènes émergents, allant de la métastabilité aux transition de phase, et leurs propriétés complexes échappent souvent à notre compréhension complète. Grâce à une inspection minutieuse des structures géométriques sous-jacentes à ces objets complexes et à l'aide de divers outils mathématiques, dont certains sont empruntés au domaine de la géométrie et de la topologie riemanniennes, nous tentons de caractériser leurs aspects les plus importants.La première partie de cette thèse se concentre sur le domaine de l'information quantique, explorant notamment les notions d'intrication quantique et de corrélations dans les systèmes quantiques discrets, d'abord dans des états purs, puis dans des états mixtes.Nous proposons une nouvelle mesure de l'intrication pour les états quantiques purs, l'entanglement distance, la discutons et la testons sur divers exemples.Nous étudions ensuite les états purs maximalement intriqués, révélant en partie leurs structures internes, en utilisant les notion intuitive de corrélation et de mesure projective. Ce faisant, nous sommes en mesure de montrer des relations simples entre les corrélations pré-mesure et les valeurs moyennes post-mesure, et de fournir une limite supérieure à la persistance d'intrication de tels états.Nous démontrons en outre comment les propriétés de connectivité d'un modèle paradigmatique de l'informatique quantique, le graph state, peuvent être sondées grâce à l'utilisation appropriée de corrélateurs quantiques.Notre étude est ensuite étendue au cadre des états quantiques mixtes. Nous déduisons de l'entanglement distance définie sur les états purs, les mesures induites de la corrélations quantique d'une part, et de l'intrication des états mixtes d'autre part. Nous soulignons les forces et les limites de cette dernière mesure, en particulier la lourde procédure d'optimisation qu'elle implique, et pour laquelle nous proposons une solution de contournement. Enfin, nous étudions la transition superradiante présente dans le modèle de Tavis-Cummings et révélons qu'elle s'accompagne d'un saut dans la corrélation quantique et l'intrication entre les atomes.Dans la deuxième partie de notre travail, nous abordons deux modèles classiques, tous deux possédant des comportements non ergodiques et fortement non-linéaires.Nous présentons d’abord une étude complète, à la fois numérique et analytique, d’un modèle jouet, exemple prototypique de modèle fortement non-additif à interaction à longue portée : l'Hamiltonien de champ moyen (HMF). À basse énergie dans l’ensemble microcanonique, un état métastable peut apparaître, appelé bicluster. En inspectant la dynamique d'une quantité macroscopique, la magnétisation, et en observant l'apparition de deux échelles de temps distinctes dans le système, nous proposons un scénario assez intuitif et cohérent expliquant la grande stabilité des biclusters, qui se maintiennent pendant de très longues durées.Nous introduisons enfin les résultats d'une étude numérique approfondie, appliquant la théorie topologique des transitions de phase à un modèle de verre. De tels systèmes sont notoirement difficiles à simuler et à équilibrer, en raison de leur dynamique très lente, caractéristique de la phase vitreuse, et de leur tendance à rester coincée dans de petites régions de l'espace des phases. Dans un cadre microcanonique, un complexe algorithme de Monte Carlo a été développé. Nos résultats, bien que préliminaires, sont encourageants : la chaleur spécifique présente des pics clairs pour deux valeurs de l'énergie, indiquant une transition du second ordre en deux étapes, en correspondance avec les changements topologiques des ensembles de niveaux équipotentiels sur lesquels le système est confiné.
Résoudre le problème quantique à N-corps à l'aide de calculateurs quantiques Les calculateurs quantiques promettent de résoudre des problèmes insolvables pour les ordinateurs classiques. En particulier, manipuler des états superposés et intriqués de bits quantiques est une voie naturelle pour étudier la physique des systèmes quantiques à N particules. Avec les avancées rapides des technologies quantiques, nous avons pu voir émerger les premiers processeurs quantiques, nommés processeurs "NISQ" (de l'anglais "Noisy-Intermediate-Scale-Quantum"). Les progrès de ces machines ouvrent de nouveaux chemins aux physiciens pour simuler des systèmes quantiques. Cependant, leur taille limitée et les erreurs liées à la décohérence limitent fortement leur usage aujourd'hui. La conception d'algorithmes quantiques efficaces, résistant aux erreurs, est un défi considérable. Ce travail de thèse s'attelle à comprendre les capacités des processeurs quantiques à simuler des systèmes quantiques à N corps, avec une attention particulière aux applications pour la physique de la matière condensée. Dans un premier temps, nous abordons le sujet du calcul de l'état fondamental d'Hamiltoniens, à l'aide d'un algorithme variationnel quantique-classique (nommée l'algorithme VQE, de l'anglais « Variational Quantum Eigensolver »). Nous évaluons les performances de cette méthode sur le modèle de Hubbard, grâce à différentes métriques, comme la fidélité, l'énergie et les propriétés physiques des solutions obtenues. Nous démontrons, malgré des performances prometteuses en simulant un calculateur quantique sans bruit, que le niveau de bruit des machines contemporaines rend impossible la réalisation d'un calcul significatif. En revanche, certains états quantiques aux propriétés intéressantes peuvent avoir une forme simple. Leur préparation sur un calculateur quantique est un problème pertinent dans le but d'initialiser un calcul quantique avec ces états pour les amener vers des régimes où ils perdent leur forme simple. Pour illustrer ceci, nous prenons l'exemple du modèle Affleck-Lieb-Kennedy-Tasaki (AKLT), le premier modèle de chaîne de spin entier antiferromagnétique possédant une solution simple vérifiant la conjecture d'Haldane. Nous proposons deux schémas pour préparer les états AKLT, l'un suivant leur construction naturelle en projetant des paires de qubits sur leur sous-espace triplet, l'autre utilisant leur forme de réseaux de tenseurs. Nous analysons l'implémentation de ces méthodes en fonction de la taille du système, avec une réalisation expérimentale sur un processeur quantique. Enfin, nous explorons la synergie entre les méthodes de réseaux de tenseurs et les calculateurs quantiques bruités pour simuler la dynamique hors-équilibre de systèmes de spins. La simulation de dynamique quantique est une tâche naturelle pour les calculateurs quantiques, mais atteindre des temps longs est fortement limité par le bruit. D'autre part, les réseaux de tenseurs sont également limités aux temps courts, contraints par la quantité d'intrication qu'ils peuvent encoder. Nous proposons d'utiliser le meilleur des deux mondes : la dynamique à temps court est simulée efficacement par un réseau de tenseur, compilée vers des circuits quantiques de faible profondeur pour poursuivre l'évolution temporelle sur le calculateur quantique. Nous étudions les performances de ce schéma hybride quantique-classique en regardant la fidélité des états obtenus et la production d'intrication, avec une validation expérimentale. Finalement, nous proposons d'optimiser les circuits quantiques approximant l'opérateur évolution temporelle grâce à des réseaux de tenseurs, résultant en une simulation quantique classiquement améliorée utilisant moins de ressources quantiques.
Apprentissage automatique sur des machine quantiques actuelles avec des données non structurées et sur des graphes L'apprentissage automatique a permis de résoudre de nombreux problèmes du monde réel que d'autres méthodes informatiques traditionnelles avaient du mal à résoudre, ou qu'elles pouvaient résoudre de manière plus coûteuse. L'informatique quantique est un paradigme de calcul utilisant les états quantiques de la matière qui permet une grande vitesse de calcul pour certains problèmes. Les progrès récents dans le développement du matériel quantique ont encouragé la recherche d'applications concrètes des ordinateurs quantiques. Il est donc devenu naturel de chercher des moyens d'appliquer les ordinateurs quantiques à l'apprentissage automatique. Cette thèse est une contribution à cet objectif. La première partie vise à comprendre les capacités générales des circuits quantiques variationnels pour les tâches d'apprentissage automatique à partir de données vectorielles, et d'éclaircir les conditions nécessaires pour obtenir un avantage quantique. Les circuits variationnels sont une famille d'algorithmes quantiques où les opérations sont paramétrées et où l'on cherche les paramètres qui minimisent une fonction de coût, à la manière des réseaux de neurones. Ce sont en réalité des modèles linéaires dans un espace à grande dimension. Je montre que bien que les circuits soient coûteux à évaluer, on peut parfois construire des approximations classiques en utilisant la technique de "random features regression". Si cette approximation est possible, l'avantage quantique est limité. Je souligne également le fait que l'apprentissage d'un modèle classique dans le même espace converge vers une solution appelée estimateur MNLS (Minimum Norm Least Square), mais que la dynamique d'apprentissage des circuits quantiques ne conduira pas nécessairement à la même solution. Cette séparation est la source de l'avantage quantique, je montre qu'il suffit que le vecteur des coefficients du modèle quantique ait une grande norme, et je donne des exemples concrets. La deuxième partie explore l'utilisation d'ordinateurs quantiques pour effectuer des tâches d'apprentissage automatique sur des graphes. L'apprentissage automatique sur des graphes possède beaucoup d'applications, et les algorithmes pour des données vectorielles ne sont pas directement applicables. Dans cette partie, j'ai cherché à développer des algorithmes quantiques adaptés à la structure de graphes des données. L'idée principale est d'encoder le graphe dans un hamiltonien qui a une topologie similaire. On prépare ensuite un état quantique en faisant évoluer cet hamiltonien, et les mesures sont incorporées dans un algorithme classique d'apprentissage automatique. Cette approche est particulièrement adaptée aux processeurs quantiques à atomes neutres. Avec de telles plateformes, on peut en effet facilement créer un système quantique avec la connectivité souhaitée, et la géométrie peut être modifiée à chaque exécution. J'ai développé une diverse famille d'algorithmes, inspirés par les noyaux, les réseaux neurones et les transformers, avec l'intention de pouvoir les implémenter sur les machines actuelles. J'ai réalisé des expériences numériques sur des ensembles de données à grande échelle et décrit les résultats d'implémentation expérimentale sur la machine de Pasqal.