En collaboration avec le MIT et l'université d'Oxford, les chercheurs d'IBM ont, dans une application de Machine Learning, étudié comment l'informatique quantique pouvait accélérer la classification des données.

Le MIT (Massachusetts Institute of Technology), les Universités d'Oxford, ainsi que des chercheurs de la division Q d'IBM ont publié un article qui décrit une expérience montrant  comment l'informatique quantique pourrait accélérer l'apprentissage statistique.

L'article, publié dans la revue scientifique internationale Nature, décrit comment les ordinateurs quantiques pourraient surpasser les ordinateurs traditionnels pour la « cartographie des caractéristiques » ou « Feature Mapping ».

Il s'agit d'une composante du Machine Learning qui désassemble les données pour avoir accès à des détails plus fins.

La technique consiste à examiner les données connues pour identifier des caractéristiques dans le jeu de données (ex : les différences entre l'image d'un chat et celle d'un chien).

Dans un échange avec les collaborateurs de Computer Weekly, Kristan Temme, chercheur chez IBM, explique que : « Le Feature Mapping prend une donnée brute et énumère toutes les caractéristiques qu'elle possède ».

Pour certains types d'analyse, les ressources de calcul nécessaires au Feature Mapping croissent de façon exponentielle avec la taille du problème, ce qui rend difficile sa résolution sur un ordinateur traditionnel.

D’où un cas d’école idéal pour un traitement par l'informatique quantique, indique Kristan Temme.

« Il y a une convergence naturelle entre les deux », souligne-t-il. « Vous pouvez appliquer un circuit quantique à un feature map qui serait difficile à faire avec du Machine Learning classique sur des ordinateurs traditionnels ».

Selon lui, si certains feature map fonctionnent bien sur les ordinateurs traditionnels, d'autres fonctionneront mieux sur un ordinateur quantique.

Aussi, souligne-t-il, « nous voulons être en mesure d'identifier ceux qui ne peuvent pas être classés avec les outils traditionnels ».

Kristan Temme explique que les chercheurs ont choisi un feature map difficile à traiter et qu'ils ont sélectionné un jeu de données connues que l'algorithme serait capable d'identifier parfaitement.

L'algorithme de Machine Learning a ensuite été testé sur un ordinateur quantique pour vérifier qu'il donnait bien les résultats prévus.

Selon Kristan Temme encore, les chercheurs doivent aujourd'hui identifier d'autres feature map qui pourraient bénéficier d’un traitement par  l'informatique quantique.