Apprentissage Machine Quantique

par Naomi Chmielewski

Projet de thèse en Automatique

Sous la direction de Nina Amini.

Thèses en préparation à université Paris-Saclay , dans le cadre de École doctorale Sciences et technologies de l'information et de la communication , en partenariat avec Laboratoire des Signaux et Systèmes (laboratoire) et de CentraleSupélec (référent) depuis le 01-11-2022 .

mots clés

• Calcul quantique
• Apprentissage automatique
• Réseaux de neurones quantiques

Résumé

Les applications du Quantum Computing au Machine Learning offrent des accélérations significatives sur certaines classes d'algorithmes (SVM, clustering, etc.). Sur d'autres, une meilleure représentation des distributions de probabilité des données d'entrée suggère des améliorations, en particulier sur les méthodes génératives, difficiles à réaliser par les ordinateurs classiques. EDF utilise aujourd'hui largement les techniques de Machine Learning pour des cas d'usage liés au secteur de l'Énergie (segmentation de clientèle, gestion de portefeuille, gestion d'actifs, prévisions de consommation, etc.) et héberge de nombreuses recherches dans le domaine de l'informatique quantique et de ses applications. Les objectifs du projet de thèse CIFRE sont triples : — Dans un premier temps, nous souhaitons évaluer si les approches quantiques dédiées à l'algèbre linéaire peuvent bénéficier à certains des algorithmes de Machine Learning actuellement utilisés par EDF. — Dans un second temps, nous chercherons à évaluer l'intérêt d'une conception de Circuits Quantiques Paramétriques pour les méthodes de classification et de renforcement. — Enfin, nous chercherons à établir si des méthodes génératives comme le GAN peuvent être adaptées avec profit aux machines quantiques. Une mise en perspective des bénéfices des trois familles de machines (Universal Quantum, Adiabatic Quantum, Classical) sur les problèmes de Machine Learning serait l'un des résultats des travaux de recherche.

mots clés

• Quantum computing
• Machine learning
• Quantum neural networks

Titre traduit

Quantum machine learning

Résumé

Applications of Quantum Computing to Machine Learning offer significant speedups on certain classes of algorithms (SVM, clustering, etc.). On others, a better representation of the probability distributions of the input data suggests improvements, especially on generative methods, which are difficult to achieve by classical computers. EDF today widely uses Machine Learning techniques for use cases related to the Energy sector (customer segmentation, portfolio mana- gement, asset management, consumption forecasts, etc.) and is hosting a lot of research in the field of Quantum Computing and its applications. The objectives of the proposed CIFRE thesis are threefold : — First, we would like to assess whether quantum approaches dedicated to linear algebra can benefit to some of the Machine Learning algorithms currently used by EDF. — Second, we will seek to evaluate the interest of a design of Parametric Quantum Circuits for classification and reinforcement methods. — Finally, we will seek to establish whether generative methods such as GAN can be adapted with profit to quantum machines. A perspective of the benefits of the three families of machines (Universal Quantum, Adiabatic Quantum, Classical) on Machine Learning problems would be one of the outputs of the research work.