Cette thèse se situe à la frontière entre l’informatique quantique et l’apprentissage artificiel et a pour objectif le traitement des données dans de très grandes dimensions. L’apprentissage artificiel quantique est un nouveau domaine d’étude avec de récents travaux sur les versions quantiques d’algorithmes supervisés et non supervisés. Ces dernières années, de nombreux algorithmes d’apprentissage artificiel quantique ont été proposés afin d’améliorer le temps de traitement des algorithmes classiques. La première contribution de cette thèse est de donner un aperçu sur le domaine quantique dans l’apprentissage artificiel. Ensuite, la quantification des algorithmes classiques. Nous avons proposé une analyse et une comparaison des différentes distances pour les algorithmes de clustering basés sur des prototypes. Pour un ordinateur conventionnel, calculer les distances euclidiennes est facile, mais le faire de la même manière sur un ordinateur quantique serait beaucoup plus compliqué et exigerait plus de qubits que ce que nous pouvons nous permettre. Pour définir une distance quantique, nous utiliserons la nature probabiliste des qubits pour mesurer les amplitudes probabiliste. Pour les algorithmes de clustering quantique, les distances sont nécessaires mais ne doivent pas nécessairement être proportionnelles à la distance réelle, elles doivent avoir qu’une corrélation positive avec elle. Tous les algorithmes de clustering basés sur des prototypes pourraient être résolus en utilisant ces distances. En tant qu’application de cette tâche, nous avons présenté une version quantique de K-means qui est un algorithme de clustering basé sur un prototype. Cet algorithme quantique K-means donne une bonne classification tout comme sa version classique, la seule différence réside dans la complexité: alors que la version classique de K-means prend du temps polynomial, la version quantique ne prend que du temps logarithmique surtout en grand ensembles de données. Nous avons également proposé la version quantique de la factorisation matricielle seminon négative ainsi que la version collaborative de ces algorithmes à savoir: K-means quantique collaboratif et la factorisation matricielle semi-non négative quantique collaborative qui se basent sur la combinaison de plusieurs solutions de clustering pour obtenir une meilleure solution en termes de clustering et de complexité.
Actualites Actualites Actualites 20 ◗ REE N°2/2021 20 ◗ REE N°1/2021 Cette page d’actualite est entiere- ment consacree aux travaux d’IBM en informatique quantique et s’ins- crit dans une chronique dans la- quelle d’autres acteurs du domaine seront evoques ulterieurement. Contexte de l’informatique quantique L’informatique et le calcul quantique sont nes il y a plus de trente ans dans l’esprit d’un des plus brillants physi- ciens du XXeme siecle, Richard Feyn- man. L’idee a progresse dans l’esprit de quelques physiciens, plutot mathe- maticiens, durant une dizaine d‘annees mais pas dans le monde des physi- ciens en general ni dans l’industrie et le grand public. En 1995 un chercheur des Bell Labs Peter Shor a publie un article fondateur dans lequel etait pre- sente un algorithme de factorisation d’entiers utilisant les lois et les outils du calcul quantique. Or le probleme de la factorisation etait et est toujours un probleme d’informatique repute diffi- cile qui repose sur une propriete ma- thematique qui protege la violation du chiffrage asymetrique RSA utilise dans les communications securisees. De- puis, de n
Cette thèse se situe à la frontière entre l’informatique quantique et l’apprentissage artificiel et a pour objectif le traitement des données dans de très grandes dimensions. L’apprentissage artificiel quantique est un nouveau domaine d’étude avec de récents travaux sur les versions quantiques d’algorithmes supervisés et non supervisés. Ces dernières années, de nombreux algorithmes d’apprentissage artificiel quantique ont été proposés afin d’améliorer le temps de traitement des algorithmes classiques. La première contribution de cette thèse est de donner un aperçu sur le domaine quantique dans l’apprentissage artificiel. Ensuite, la quantification des algorithmes classiques. Nous avons proposé une analyse et une comparaison des différentes distances pour les algorithmes de clustering basés sur des prototypes. Pour un ordinateur conventionnel, calculer les distances euclidiennes est facile, mais le faire de la même manière sur un ordinateur quantique serait beaucoup plus compliqué et exigerait plus de qubits que ce que nous pouvons nous permettre. Pour définir une distance quantique, nous utiliserons la nature probabiliste des qubits pour mesurer les amplitudes probabiliste. Pour les algorithmes de clustering quantique, les distances sont nécessaires mais ne doivent pas nécessairement être proportionnelles à la distance réelle, elles doivent avoir qu’une corrélation positive avec elle. Tous les algorithmes de clustering basés sur des prototypes pourraient être résolus en utilisant ces distances. En tant qu’application de cette tâche, nous avons présenté une version quantique de K-means qui est un algorithme de clustering basé sur un prototype. Cet algorithme quantique K-means donne une bonne classification tout comme sa version classique, la seule différence réside dans la complexité: alors que la version classique de K-means prend du temps polynomial, la version quantique ne prend que du temps logarithmique surtout en grand ensembles de données. Nous avons également proposé la version quantique de la factorisation matricielle seminon négative ainsi que la version collaborative de ces algorithmes à savoir: K-means quantique collaboratif et la factorisation matricielle semi-non négative quantique collaborative qui se basent sur la combinaison de plusieurs solutions de clustering pour obtenir une meilleure solution en termes de clustering et de complexité.