Intelligence artificielle quantique

Coordinateurs: Emmanuel Rousseau et Didier Felbacq

Nous explorons le potentiel des technologies quantiques pour résoudre des problèmes inaccessibles aux algorithmes d’apprentissage automatique classiques. Plus particulièrement, nous étudions les perspectives offertes par un modèle de réseaux de neurones récurrents, connu sous le nom de calcul par réservoir quantique.

Cette approche exploite la dynamique complexe d’un système quantique pour le traitement de l’information et l’apprentissage, sans nécessiter d’entraînement explicite de toutes les composantes internes du réseau de neurones. Nous utilisons ce cadre théorique pour évaluer les performances de différents qubits physiques, tels que les qubits supraconducteurs, les défauts luminescents du carbure de silicium et les atomes de Rydberg, en termes de capacité de mémoire, de robustesse et d’efficacité énergétique.

À plus long terme, ces travaux visent à développer de nouveaux paradigmes d’intelligence artificielle quantique, capables de tirer parti des propriétés intrinsèques de la mécanique quantique – superposition, intrication et décohérence – pour concevoir des architectures d’apprentissage plus puissantes et adaptatives.

Cette thématique s’appuie sur le projet « quantum reservoir for efficient signal processing » : https://www.qrc-4-esp.eu/