Communauté de communes Entre Juine et Renarde
Postée il y a 12 heures
Les réseaux de neurones quantiques suscitent un intérêt croissant en raison de leur capacité à projeter les données dans un espace de Hilbert de grande dimension, où elles peuvent devenir linéairement séparables. De plus, ces réseaux ouvrent la possibilité à l’apprentissage directement sur des données quantiques, grâce à leur compatibilité naturelle avec d’autres systèmes quantiques susceptibles de générer ces données.
L’approche la plus courante repose sur les circuits quantiques variationnels à base de qubits. Cependant, l’entraînement de ces réseaux présente plusieurs défis, notamment l’estimation des gradients des sorties par rapport aux paramètres internes, ainsi que le problème des gradients nuls, qui est dû à la dilution de l’information dans les grands espaces de Hilbert.
Dans notre équipe, nous explorons une alternative fondée sur des modes bosoniques couplés. En utilisant des états cohérents et des opérations continues comme le déplacement et la compression, cette approche permet de conserver une structure dans l’espace de Hilbert, ce qui est susceptible d’atténuer la dilution de l’information et faciliter l’apprentissage.
Une méthode d’entraînement récemment proposée pour les réseaux de qubits — la propagation d’équilibre — permet d’estimer les gradients à partir des résultats des mesures, sans avoir recours à la simulation d’un modèle du système quantique et sa différentiation.
L’objectif de cette thèse est d’adapter cette méthode aux réseaux bosoniques paramétriques, puis de démontrer expérimentalement l’apprentissage des paramètres de couplage à l’aide de cette approche.