Prêt à mettre l’apprentissage automatique quantique dans des applications pratiques ?

Les institutions bancaires comprennent et suivent souvent le comportement de transaction des clients lorsqu'ils utilisent leur carte bancaire. Par exemple, si quelqu'un part en vacances en Suède, il peut payer par carte de crédit au lieu d'avoir sur lui de l'argent liquide. Cependant, une fois que quelqu'un d'autre l'utilise, la banque qui a émis la carte de crédit ne peut pas décider de bloquer la transaction. Après tout, il n’y a aucune preuve dans les enregistrements de balayage de cartes que quelqu’un d’autre ait détourné la carte.

Les algorithmes d’apprentissage automatique des banques prennent des milliards de ces décisions chaque jour. C'est ce qu'on appelle le « problème de classification moyenne » en informatique, et ces modèles doivent décider si une transaction correspond au comportement d'achat normal d'un client. Pour les algorithmes d'apprentissage automatique traditionnels, ce problème est principalement résolu en profilant l'historique de paiement du consommateur et d'autres informations d'interaction avec la banque, ce qui est un processus imparfait et gourmand en calcul.

Les algorithmes d’apprentissage automatique quantique à la pointe de la technologie sont-ils prêts pour de telles applications pratiques ? Les experts du secteur sont divisés sur la réponse à cette question.

Quand arrivera l’apprentissage automatique quantique ?

Richard Hopkins, ingénieur distingué chez IBM et membre de la Royal Academy of Engineering, a expliqué qu'une autre option pourrait consister à utiliser des algorithmes d'apprentissage automatique quantique.

Il a souligné que les modèles d'apprentissage automatique traditionnels nécessitent beaucoup de temps et de ressources pour s'entraîner afin d'identifier et de peser toutes les différentes caractéristiques d'une transaction afin de déterminer si la transaction est suspecte. En revanche, les modèles d’apprentissage automatique quantique utilisent des superpositions de qubits pour observer ces caractéristiques simultanément et ont donc la capacité de trouver beaucoup plus rapidement des réponses à des problèmes de classification très difficiles.

De l'avis de Hopkins, bien que le domaine de l'apprentissage automatique quantique soit encore au stade expérimental, il ne faudra peut-être que 5 ans pour voir l'application des algorithmes d'apprentissage automatique quantique dans divers domaines tels que la détection des fraudes, la recherche et le développement de médicaments, et vision par ordinateur.

Mais tous les experts ne sont pas d’accord avec ce point de vue. Le Dr Maria Schuld, chercheuse à la start-up quantique Xanadu et co-auteur du livre "Machine Learning for Quantum Computers", estime qu'à long terme, l'apprentissage automatique quantique a sans aucun doute un énorme potentiel de développement, mais la réalisation d'applications pratiques de l'apprentissage quantique l'informatique semble actuellement loin.

Elle a déclaré : « Nous sommes des scientifiques et faisons généralement des analyses de rentabilisation pour la science que nous étudions. Nous ne le faisons pas parce que nous savons que cela fonctionnera, mais dans l’espoir qu’il y aura des résultats passionnants. » Encore expérimental

L'apprentissage automatique quantique est un domaine relativement nouveau. Même si des travaux de recherche sur le sujet ont été publiés depuis le milieu des années 1990, l’apprentissage automatique quantique n’a vraiment commencé à attirer l’attention de la communauté scientifique qu’au cours des cinq ou six dernières années.

Schuld a introduit qu'il existe deux grands domaines de recherche dans l'apprentissage automatique quantique. L'un consiste à utiliser des ordinateurs quantiques pour accélérer les algorithmes d'apprentissage automatique traditionnels, tels que l'échantillonneur de Gibbs ; l'autre consiste à utiliser des ordinateurs quantiques comme modèles, en particulier en utilisant la puce quantique elle-même ; comme base, le modèle est formé d'une manière similaire aux réseaux de neurones traditionnels.

Même ainsi, ce domaine dans son ensemble est encore à un stade hautement expérimental. Elle a expliqué que même si les algorithmes d'apprentissage automatique peuvent s'avérer avoir des « avantages quantiques » par rapport aux algorithmes traditionnels dans certains cas, il faudra un certain temps avant qu'ils puissent être envisagés pour des applications du monde réel.

Ceci est éclipsé par l'enthousiasme pour l'apprentissage automatique quantique dans de multiples études, souvent publiées sur le principe que l'avantage quantique est obtenu dans un cas d'utilisation unique et restreint. "C'est intéressant d'un point de vue académique, mais cela ne dit pas grand-chose sur les applications possibles de l'informatique quantique", a noté Schuld. "Après tout, bon nombre des problèmes abordés dans ces études ont été soigneusement codés pour fonctionner sur un ordinateur quantique." En d’autres termes, ils ne sont efficaces que pour résoudre des problèmes très spécifiques de manière très spécifique avec un ordinateur quantique. »

Ce n’est pas un problème pour les techniques traditionnelles d’apprentissage automatique, dont beaucoup ont le potentiel de se généraliser à d’autres. problèmes. En revanche, les chercheurs en apprentissage automatique quantique ont encore du mal à adapter une méthode à une gamme de tâches. Pour cette raison, Schuld a clairement souligné qu’il n’est pas encore temps d’utiliser les puces quantiques comme base pour de nouveaux modèles d’apprentissage automatique.

L'apprentissage automatique quantique doit faire ses preuves dans la réalité

Bien que les chercheurs en informatique quantique conviennent que l'apprentissage automatique quantique peut fonctionner bien mieux que l'apprentissage automatique traditionnel dans des situations spécifiques, les experts sont sceptiques quant au temps qu'il faudra pour que le premier soit efficace. réellement utilisé Il existe des différences.

Hopkins a admis que le domaine manque encore d'un modèle commun pour mapper les problèmes aux algorithmes et générer des solutions, ce qui est également un problème auquel l'apprentissage automatique traditionnel était autrefois confronté, mais une fois cela fait, il deviendra très facile de tirer parti de cette technologie. .

« Les ordinateurs quantiques permettent aux utilisateurs de prendre des décisions meilleures et plus précises, basées sur des ensembles de données de dimensions supérieures. Nous l’avons prouvé en théorie, nous l’avons prouvé en laboratoire, et nous nous rapprochons de cela. C’est prouvé dans la réalité. .»

Mais les modèles d'apprentissage automatique quantique sont-ils prêts pour cela ?? Schuld ne le pense pas. Elle a déclaré : « Jusqu'à ce que le matériel sous-jacent s'améliore, nous ne savons pas s'il existera des algorithmes d'apprentissage automatique quantique capables de résoudre un grand nombre de problèmes pratiques. À moins que nous ayons des machines sans erreur, il y aura une limite à ce qui peut réellement être fait. se faire en utilisant l'apprentissage automatique quantique. Dans la mesure du possible. En termes d'applications, c'est un peu regrettable. "

Hopkins n'est pas d'accord, mais admet qu'il est peu probable que nous voyions bientôt un ordinateur quantique capable de formation de modèles de type ChatGPT. Il a déclaré : « Il est impossible d'y parvenir sur un ordinateur quantique avec seulement 433 qubits, mais nous progressons chaque année pour augmenter le nombre d'expériences d'apprentissage automatique quantique possibles. Les gens verront progressivement les modèles d'apprentissage automatique quantique devenir plus polyvalents. »

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!