L'avenir du Machine Learning : les Algorithmes Quantiques Créent des Chiffres Manuscrits Réalistes!

L'apprentissage automatique permet aux ordinateurs de reconnaître des motifs complexes tels que les visages et de créer de nouveaux exemples réalistes de ces motifs. Les chercheurs travaillent actuellement à améliorer ces techniques et ont maintenant donné la première démonstration claire d'un algorithme quantique performant lors de la génération de ces exemples réalistes, en créant des chiffres manuscrits authentiques. Les chercheurs considèrent ce résultat comme une étape importante vers la construction de dispositifs quantiques capables de surpasser les capacités de l'apprentissage automatique classique. Comme le souligne Alejandro Perdomo-Ortiz de Zapata Computing à Toronto, l'intégration de l'informatique quantique dans les réseaux génératifs actuels pourrait conduire à de meilleures performances. Les chercheurs essaient donc de mettre en œuvre des algorithmes sur la génération actuelle de dispositifs quantiques intermédiaires bruyants, des machines quantiques rudimentaires avec moins d'environ 50 bits quantiques (qubits). Leur travail exploite un réseau antagoniste, un type de réseau neuronal composé de deux sous-réseaux, un générateur et un discriminateur. Le réseau générateur apprend à produire des images réalistes en commençant par une distribution initiale de probabilités pour différentes images et en apprenant par essais et erreurs. Il s'ajuste progressivement pour donner des probabilités élevées aux images qu'il génère et qui sont similaires à celles des données d'entraînement. Le réseau discriminateur joue le rôle d'un adversaire qui essaie de distinguer les fausses images produites par le générateur des vraies images d'entraînement. En se basant sur les performances du discriminateur, le générateur s'ajuste ensuite pour mieux tromper le discriminateur en produisant des images plus réalistes. Le discriminateur, à son tour, s'ajuste pour mieux repérer les faux. En substance, le générateur apprend à mieux performer en étant testé contre un adversaire qui apprend, pendant ce temps, à être le meilleur adversaire.