Architectures d'apprentissage machine inspirées par la physique quantique

Les technologies quantiques actuelles, comme les ordinateurs quantiques, nécessitent des méthodes statistiques avancées à des fins de calibration et de validation de performance. Cependant, ces outils deviennent rapidement impraticables à mesure que la taille des systèmes quantiques augmente. Les dispositifs des prochaines générations requerront alors une nouvelle approche pour réaliser cette tâche. Les algorithmes d’apprentissage machine constituent une avenue prometteuse pour résoudre ce problème. Le but de notre recherche est donc d’élaborer une architecture d’apprentissage profond permettant d’inférer la dynamique d’un système quantique de manière efficace et consistante à partir de données expérimentales mesurées sur celui-ci. Afin de développer cette approche, les connaissances physiques du système issues de la mécanique quantique sont exploitées de manière à conditionner l’apprentissage de l’algorithme vers des solutions réalistes. Nous étudions ainsi l’influence des différentes structures de l’algorithme sur l’apprentissage de données. De plus, nous présentons des applications de cette méthode sur la calibration et la caractérisation de dispositifs quantiques supraconducteurs. Cette étude unie donc deux domaines de recherche en plein essor; soient l’intelligence artificielle et l’informatique quantique, afin d’appuyer les efforts techniques visant à concevoir de nouvelles technologies quantiques.