À l’heure où nos existences sont de plus en plus régies par les données, les limitations de l’informatique traditionnelle nous incitent à envisager une transition vers l’apprentissage automatique quantique. Cette approche, capable de factoriser et de traiter rapidement d’importants volumes de données, pourrait considérablement accroître l’efficacité, améliorer la prise de décision, affiner la reconnaissance des schémas, renforcer la sécurité et perfectionner les techniques de modélisation.
Quels que soient les domaines d’application de l’apprentissage automatique quantique, il s’agit d’un secteur en plein essor qui devrait connaître un développement rapide.
Par conséquent, si vous êtes un passionné de QML, il est temps d’entamer un parcours d’apprentissage et de maîtriser les aspects fondamentaux de cette discipline. Les ressources mentionnées ci-dessous vous guideront dans cette démarche, mais commençons par les bases.
Qu’est-ce que l’apprentissage automatique quantique ?
L’apprentissage automatique quantique consiste simplement à intégrer des méthodes et des algorithmes d’informatique quantique dans les processus d’apprentissage automatique. Selon Google, cette technique s’est avérée capable de résoudre des problèmes complexes qui dépassent les capacités des ordinateurs classiques.
L’apprentissage automatique quantique pourrait trouver des applications dans une variété de secteurs, allant de la gestion de la chaîne d’approvisionnement à la cryptographie, en passant par l’informatique.
En quoi l’apprentissage automatique quantique diffère-t-il ?
Le QML se distingue de l’apprentissage automatique classique à plusieurs égards ; examinons ces 5 différences clés :
- L’apprentissage automatique quantique utilise des qubits au lieu de bits, ce qui améliore les performances des systèmes.
- Grâce à l’exploitation des principes de superposition et d’intrication quantique, les ordinateurs quantiques peuvent résoudre simultanément plusieurs problèmes complexes.
- Le potentiel d’accélération du QML est considérable, et les ordinateurs quantiques peuvent également traiter des données de grande dimension.
- À l’avenir, l’apprentissage automatique quantique pourrait permettre de renforcer les protocoles de sécurité, d’accélérer la mise au point de nouveaux médicaments et d’améliorer les systèmes de recommandation.
Maintenant que vous êtes conscient du potentiel du QML, restez à l’avant-garde grâce à ces cours, livres et plateformes recommandées :
Apprentissage automatique quantique : edX
Proposé conjointement par l’Université de Toronto, ce cours sur l’apprentissage automatique quantique constitue un excellent point de départ pour découvrir les algorithmes de l’apprentissage automatique quantique et apprendre à les implémenter en Python.
Nécessitant seulement 6 à 9 heures de travail par semaine, ce cours de niveau avancé est principalement auto-rythmé. Il existe deux options pour suivre ce cours : une formule vérifiée, qui est payante, et une formule auditeur, qui est gratuite. La principale différence entre les deux réside dans l’accès illimité aux ressources d’apprentissage, ainsi qu’à un certificat d’achèvement partageable et à des évaluations notées dans la version payante.
Ce cours est animé par Petter Wittek, professeur assistant à l’Université de Toronto. Il permet de mieux comprendre les technologies quantiques actuelles et futures, et leur capacité à surpasser les ordinateurs classiques.
Vous apprendrez certainement les circuits variationnels, les algorithmes d’apprentissage hybrides quantiques-classiques, les états simples pour les modèles probabilistes et les fonctions de noyau atypiques.
De plus, vous apprendrez également à implémenter les algorithmes suivants :
- Transformation de Fourier quantique
- Estimation de phase quantique
- Matrice de phase quantique
- Processus gaussiens
QC101 Informatique quantique
Proposé par Udemy, le cours QC101 Quantum Computing explore la physique quantique à travers l’étude de la lumière polarisée.
Il offre une introduction mathématique à l’informatique quantique, tout en vous enseignant la cryptographie quantique pour des communications sécurisées. Vous expérimenterez également l’environnement quantique d’IBM. Vous entraînerez également une machine à vecteurs de support quantique pour faire des prédictions basées sur des données réelles.
De plus, grâce à 12 heures de vidéo, 10 articles et 5 ressources téléchargeables, vous découvrirez :
- Comment développer et simuler des programmes quantiques sur IBM Qiskit et Microsoft Q# tout en les déboguant
- Comment analyser les circuits quantiques en utilisant la notation de Dirac et les modèles de la physique quantique
- Comment l’informatique quantique peut contribuer à l’IA, à l’apprentissage automatique et révolutionner le domaine de la science des données
Ce cours Udemy sur l’apprentissage quantique est recommandé par des entreprises du monde entier à leurs employés. Il se compose de 17 sections et 284 conférences, pour une durée totale de 12 heures.
Pour tirer le meilleur parti de ce cours, vous aurez besoin de connaissances en mathématiques et en sciences de niveau secondaire, avec un accent particulier sur la logique booléenne, les nombres complexes, l’algèbre linéaire, les probabilités et les statistiques.
Apprentissage automatique quantique : OpenHPI
Vous souhaitez apprendre à créer des modèles d’apprentissage automatique quantique, qu’ils soient basiques ou avancés ? Ce cours proposé par OpenHPI est gratuit. Il est animé par le Dr Christa Zoufal, Julien Gacon et le Dr David Sutter.
Dans ce cours, vous apprendrez :
- Comment créer des modèles d’apprentissage de base et avancés
- Comment utiliser Python et Qiskit pour implémenter des algorithmes et résoudre des tâches de ML
- Les défis et les perspectives d’avenir du ML quantique
Idéal pour les étudiants en informatique, les passionnés d’apprentissage quantique et les experts en apprentissage automatique, ce cours dure deux semaines et se termine par un examen final que vous devrez réussir.
Un coup d’œil au programme de la semaine 1 révèle qu’il sera principalement consacré aux machines vectorielles de support et aux classificateurs quantiques variationnels. La semaine 2 abordera les réseaux antagonistes génératifs quantiques et les machines de Boltzmann quantiques, avec des techniques de mise en œuvre pratiques.
L’école d’été mondiale de Qiskit
Voici une autre ressource gratuite et open source pour l’apprentissage automatique quantique. Les conférences de Qiskit sont disponibles sur YouTube.
Ce qui était autrefois une école d’été intensive de deux semaines est désormais une série d’apprentissage sur YouTube, divisée en 25 épisodes, d’une durée de une à deux heures chacun. Ce cours comprend 20 conférences et 5 applications en laboratoire.
Dans ce cours, vous découvrirez :
- Comment explorer les applications quantiques
- Les notions de base des circuits quantiques, des algorithmes et des opérations d’informatique quantique
- Comment construire des classificateurs quantiques et découvrir les noyaux quantiques en pratique
- Les algorithmes QML avancés, le matériel quantique et les techniques pour éviter les plateaux stériles et les problèmes d’entraînement
Si vous recherchiez des sources fiables et gratuites pour démarrer votre parcours en QML, considérez ceci comme le signal qu’il vous fallait !
Apprentissage automatique avec des ordinateurs quantiques
Écrit par Maria Schuld et Francesco Petruccione, l’ouvrage Machine Learning With Quantum Computers (2021) est un excellent point de départ pour plonger dans l’apprentissage automatique quantique avancé.
Des algorithmes d’apprentissage quantique à court terme aux algorithmes tolérants aux pannes, ce livre présente des techniques théoriques et pratiques sur :
- Les circuits quantiques paramétrés
- L’optimisation hybride
- L’encodage des données
- Les cartes d’entités quantiques
- Les méthodes de noyau
- La théorie de l’apprentissage quantique
- Les réseaux de neurones quantiques
Qu’est-ce qui rend la deuxième édition si spéciale ? En quoi diffère-t-elle de la première édition ? Elle va au-delà des méthodes d’apprentissage supervisé et examine l’avenir des méthodes et algorithmes de l’apprentissage automatique quantique.
ML quantique pratique avec Python
Écrit par le Dr Frank Zickert, l’ouvrage Hands-On Quantum Machine Learning With Python a pour objectif de faire de vous un expert en apprentissage quantique.
Vous y trouverez :
- Une exploration approfondie des fondements de l’apprentissage quantique, y compris les qubits, les portes quantiques et les circuits quantiques
- Comment appliquer les machines à vecteurs de support quantiques (QSVM), les k-moyennes quantiques et les machines de Boltzmann quantiques à des problèmes d’optimisation combinatoire
- Plusieurs solutions concrètes à des problèmes courants tels que le problème du voyageur de commerce (TSP) et le problème d’optimisation binaire quadratique non contraint (QUBO)
- Comment tirer parti des fluctuations quantiques et résoudre des problèmes par recuit quantique
- Des algorithmes tels que l’algorithme d’optimisation approchée quantique (QAOA) et le solveur variationnel quantique (VQE)
- Des frameworks informatiques quantiques, des applications réelles et des exemples pratiques
ML quantique avec Python
Vous cherchez à maîtriser les bases du Machine Learning quantique ? L’ouvrage de Santanu Pattanayak, Quantum Machine With Python, est idéal pour les ingénieurs et les passionnés de QML.
Vous y apprendrez :
- Les principes fondamentaux du Quantum ML, tels que la notation de Dirac, les qubits et l’état de Bell
- Les algorithmes quantiques tels que la transformée de Fourier quantique, l’estimation de phase et HHL (Harrow-Hassidim-Lloyd)
- Comment utiliser le QML pour résoudre des problèmes en finance, en prévision, en génomique, en logistique de la chaîne d’approvisionnement, etc.
- Les processus adiabatiques quantiques et l’optimisation basée sur les principes quantiques
- Comment utiliser les outils Qiskit d’IBM et Cirq de Google Research pour travailler sur des algorithmes d’informatique quantique
- Comment utiliser Python pour implémenter d’autres algorithmes quantiques et étudier les principaux défis liés aux applications réelles
Si vous ne souhaitez pas vous limiter aux ressources QML, poursuivez votre parcours d’apprentissage en explorant ces plateformes d’informatique quantique :
IBM Quantum
Accédez gratuitement via le cloud aux ordinateurs quantiques les plus avancés avec IBM Quantum. Parfait pour les enseignants, les développeurs et les apprenants, IBM vous permet d’exécuter vos circuits quantiques en vous inscrivant et en obtenant un jeton API.
Vous aurez ainsi accès à des simulateurs et à des QPU de 7 et 5 qubits où vous aurez l’occasion d’apprendre, de développer et d’exécuter des programmes. De plus, voici ce que vous permet de faire la plateforme quantique d’IBM :
- Apprendre la programmation quantique à l’aide de guides pas à pas
- Utiliser IBM Quantum Composer pour créer et visualiser graphiquement des circuits quantiques sur du matériel et des simulateurs quantiques.
- Coder, programmer et prototyper avec Python dans le laboratoire IBM Quantum, un environnement Jupyter Notebook compatible avec le cloud
Ce n’est pas tout. Vous pouvez vous inscrire au programme Quantum Researcher et au programme Educator. De plus, la documentation d’IBM est très complète. De la documentation de Quantum Composer pour les débutants à Qiskit Runtime pour les développeurs, vous êtes assuré de trouver ici tout ce dont vous avez besoin.
De plus, si vous êtes enseignant, vous pouvez utiliser le guide de terrain pour enseigner des sujets. En tant que chercheurs, vous pouvez également essayer les tutoriels du laboratoire quantique pour créer et tester des algorithmes.
Cirq de Google
Cirq de Google est une bibliothèque logicielle Python que vous pouvez utiliser pour créer et optimiser des circuits quantiques et les exécuter sur du matériel et des simulateurs quantiques. Entièrement open source, elle vous permet d’obtenir des résultats de pointe en utilisant des abstractions conçues pour les ordinateurs quantiques actuels.
Cirq est parfait pour les utilisateurs débutants et avancés et propose des offres adaptées à chacun. En tant que débutant, vous pouvez apprendre à construire et à simuler des circuits quantiques pour effectuer des transformations.
En tant qu’utilisateur avancé, Cirq vous permet d’écrire un algorithme d’optimisation approchée quantique pour le matériel NISQ afin d’optimiser des solutions impensables en informatique classique. Examinons les fonctionnalités de Cirq de Google Quantum AI qui peuvent vous permettre de :
- Explorer les stratégies d’insertion QML pour construire les circuits quantiques souhaités et les améliorer
- Définir les dispositifs et le matériel pour déterminer si les circuits QML sont réalisables et ne présentent pas de contraintes opérationnelles
- Effectuer des simulations avec Cirq ou avec un simulateur de fonction d’onde qism, et simuler du matériel quantique et une machine virtuelle quantique
- Réaliser des expériences de bout en bout sur les processus quantiques de Google et étudier le code des simulateurs précédents
La fiabilité de Cirq réside dans les tutoriels détaillés et les guides qu’il propose. De l’apprentissage de Cirq à une liste complète d’algorithmes quantiques manuels en passant par la découverte des secrets de la machine virtuelle quantique (QVM), vous apprendrez tout ce qui est primordial.
Plus important encore, vous pouvez également apprendre à implémenter des algorithmes d’optimisation quantique sur du matériel réel. Mais ce n’est pas tout !
Comme il s’agit d’une communauté open source, vous pouvez participer à des réunions hebdomadaires et commencer à contribuer au framework open source.
Braket d’Amazon
Conçu pour accélérer la recherche en informatique quantique, Amazon Braket est un service entièrement géré. Voici ses principales caractéristiques :
- Utiliser un ensemble cohérent d’outils de développement pour travailler sur des ordinateurs quantiques
- Créer des algorithmes quantiques sur un cloud de confiance et les tester dans des simulateurs haute performance
- Innover grâce à la technologie et aux conseils d’experts des laboratoires Amazon Quantum Solutions
- Rechercher des algorithmes et accéder à des dispositifs supraconducteurs, à ions piégés, à atomes neutres et photoniques pour tester différents matériels
- Créer des logiciels quantiques ou développer des frameworks open source
Vous pouvez bénéficier de l’offre gratuite AWS pendant un an ou vous lancer dans la recherche universitaire dans le cadre du programme AWS Cloud Credit for Research.
Service cloud quantique Azure
Le service cloud Azure Quantum offre un ensemble de matériel quantique, de logiciels et une variété d’outils. Quelles sont les possibilités de cette plateforme ? Examinons-les :
- Obtenir une meilleure compréhension de l’exécution des applications quantiques grâce à l’outil d’estimation des ressources quantiques Azure
- Mélanger les méthodes de calcul classique et quantique pour construire des algorithmes hybrides
- Accéder à des ressources pédagogiques telles que Microsoft Learn, les tutoriels de Quantum Kata et des cas d’utilisation industrielle pour comprendre le monde du QML
Vous pouvez commencer avec un accès gratuit au kit de développement open source compatible avec Q#, Cirq et Qiskit.
Résumé
Nous avons présenté des cours QML avancés qui vous permettront de rester à jour dans le domaine quantique, mais vous pouvez commencer par les livres pour une introduction plus classique à l’informatique quantique.
Vous pouvez également explorer les quatre plateformes (IBM, Google Cirq, Amazon Braket et Azure) pour bénéficier d’une expérience d’apprentissage pratique de l’apprentissage automatique quantique, avec un accès au matériel quantique et au cloud.
La plupart de ces plateformes sont open source, et si vous recherchez une communauté au sein de laquelle vous épanouir, elles seront parfaites !
Vous pouvez également explorer certains des meilleurs cours sur la science des données.