RÉSUMÉ: Cette thèse présente la conception et l'évaluation d'un réseau neuronal adaptatif quantique (QEANN-QGD), qui intègre des paradigmes d'apprentissage quantique et classique pour traiter efficacement du données complexes. Le modèle exploite la descente de gradient quan- tique (QGD) et intègre une Fusion de caractéristiques hybride (HFI), où les caractéristiques améliorées par le quantum sont combinées avec des caractéristiques extraites à l'aide de méthodes classiques. Cette architecture utilise les forces des deux paradigmes, garantissant une performance d'apprentissage évolutive et adaptative. Notre approche été évaluée sur des ensembles de données de référence, ycompris MNIST et CIFAR-10, enutilisant diversestech- niques d'optimisation telles que SGD et Adam comme points de référence. Pour l'ensemble de données MNIST on a atteint une précision de 99,26% avec QEANN-QGD, comparé à 99,84% avec SGD et 99,97% avec Adam, tout en maintenant une faible valeur de perte de 0,0281. Pour CIFAR-10, le modèle atteint une précision de 82,57%, restant compétitif a plu- sieurs modèles classiques, avec une valeur finale de perte de 0,2791. Les couches contribuent considérablement à capturer des motifs non triviaux, reflétés dans les courbes de précision et la convergence progressive de l'énergie de l'état fondamental au cours de l'optimisation. De plus, des techniques de modélisation et de réduction du bruit ont été appliquées pour atténuer les erreurs quantiques et assurer la fiabilité des calculs quantiques. En utilisant les circuits quantiques variationnels et les techniques de décalage de paramètres ont permis une optimisation efficace des caractéristiques quantiques. Les résultats montrent que notre entraînement basé sur la QGD offreune robustesse et une capacité d'extraction de caractéris- tiques comparables aux méthodes classiques conventionnelles. Cela démontre la capacité des systèmes hybrides quantiques-classiques à s'adapter à des ensembles de données diversifiés avec des améliorations en termes de précision, rappel, score F1 et ROC-AUC. Cependant, l'architecture hybride introduit des défis tels qu'une surcharge computationnelle accrue et des besoins en qubits, qui sont discutés en détail. Les travaux futurs se concentreront sur le développement de circuits quantiques plus efficaces pour réduire l'utilisation des qubits et explorer des algorithmes quantiques alternatifs pour l'optimisation afin d'améliorer encore les performances du modèle. Cette étude fait progresser l'apprentissage machine quantique en proposant un réseau neuronal hybride et évolutif qui équilibre avec succès les composant quantiques et classiques, avec des applications potentielles dans des domaines nécessitant une extraction de caractéristiques améliorées et des capacités d'apprentissage adaptatives. ABSTRACT: This thesis presents the design and verification of a Quantum-Enhanced Adaptive Neural Network with quantum gradient descent (QEANN-QGD), which integrates quantum and classical learning paradigms to address complex data patterns effectively. The model lever- ages Quantum Gradient Descent(QGD) and incorporates Hybrid Feature Integration (HFI), where quantum-enhanced features are combined with classical features extracted through traditional methods. This architecture exploits the strengths of both paradigms, ensuring scalable and adaptive learning performance. The proposed approach is verified on bench- mark datasets, including MNIST and CIFAR-10, using various optimization techniquessuch as SGD and Adam as baselines. For the MNIST dataset, we achieve an accuracy of 99.26% with QEANN-QGD, compared to 99.84% with SGD and 99.97% with Adam, while main- taining a low loss value of 0.0281. For CIFAR-10, the model has 82.57% accuracy, remaining competitive with several classical models, with a final loss value of 0.2791. The quantum layers significantly contributes to capturing non-trivial patterns, reflected in the gradual convergence of the ground-state energy during optimization. In addition, noise reduction techniques are applied to mitigate quantum errors and ensure the reliability of the quantum computations. Using variational quantum circuits and parameter-shift techniques enable ef- fective optimization of quantum features. The results show that our QGD-based training provides comparable robustnessand feature extraction capabilities to conventional classical methods. But the classical counterpart showed better accuracy and precision when compared to hyprid model. The hybrid architecture introduces challenges such as increased computa- tional overhead and qubit requirements, which are discussed in detail. Future work will focus on developing more efficient quantum circuit designs to reduce gthe number of qubit used and exploring alternative quantum algorithms for optimization to further enhance model per- formance. This study advances quantum machine learning by proposing a scalable, hybrid neural network that successfully balances quantum and classical components, with potential applications in domains requiring enhanced feature extraction and adaptive learning capa- bilities.
RÉSUMÉ: Cette thèse présente la conception et l'évaluation d'un réseau neuronal adaptatif quantique (QEANN-QGD), qui intègre des paradigmes d'apprentissage quantique et classique pour traiter efficacement du données complexes. Le modèle exploite la descente de gradient quan- tique (QGD) et intègre une Fusion de caractéristiques hybride (HFI), où les caractéristiques améliorées par le quantum sont combinées avec des caractéristiques extraites à l'aide de méthodes classiques. Cette architecture utilise les forces des deux paradigmes, garantissant une performance d'apprentissage évolutive et adaptative. Notre approche été évaluée sur des ensembles de données de référence, ycompris MNIST et CIFAR-10, enutilisant diversestech- niques d'optimisation telles que SGD et Adam comme points de référence. Pour l'ensemble de données MNIST on a atteint une précision de 99,26% avec QEANN-QGD, comparé à 99,84% avec SGD et 99,97% avec Adam, tout en maintenant une faible valeur de perte de 0,0281. Pour CIFAR-10, le modèle atteint une précision de 82,57%, restant compétitif a plu- sieurs modèles classiques, avec une valeur finale de perte de 0,2791. Les couches contribuent considérablement à capturer des motifs non triviaux, reflétés dans les courbes de précision et la convergence progressive de l'énergie de l'état fondamental au cours de l'optimisation. De plus, des techniques de modélisation et de réduction du bruit ont été appliquées pour atténuer les erreurs quantiques et assurer la fiabilité des calculs quantiques. En utilisant les circuits quantiques variationnels et les techniques de décalage de paramètres ont permis une optimisation efficace des caractéristiques quantiques. Les résultats montrent que notre entraînement basé sur la QGD offreune robustesse et une capacité d'extraction de caractéris- tiques comparables aux méthodes classiques conventionnelles. Cela démontre la capacité des systèmes hybrides quantiques-classiques à s'adapter à des ensembles de données diversifiés avec des améliorations en termes de précision, rappel, score F1 et ROC-AUC. Cependant, l'architecture hybride introduit des défis tels qu'une surcharge computationnelle accrue et des besoins en qubits, qui sont discutés en détail. Les travaux futurs se concentreront sur le développement de circuits quantiques plus efficaces pour réduire l'utilisation des qubits et explorer des algorithmes quantiques alternatifs pour l'optimisation afin d'améliorer encore les performances du modèle. Cette étude fait progresser l'apprentissage machine quantique en proposant un réseau neuronal hybride et évolutif qui équilibre avec succès les composant quantiques et classiques, avec des applications potentielles dans des domaines nécessitant une extraction de caractéristiques améliorées et des capacités d'apprentissage adaptatives. ABSTRACT: This thesis presents the design and verification of a Quantum-Enhanced Adaptive Neural Network with quantum gradient descent (QEANN-QGD), which integrates quantum and classical learning paradigms to address complex data patterns effectively. The model lever- ages Quantum Gradient Descent(QGD) and incorporates Hybrid Feature Integration (HFI), where quantum-enhanced features are combined with classical features extracted through traditional methods. This architecture exploits the strengths of both paradigms, ensuring scalable and adaptive learning performance. The proposed approach is verified on bench- mark datasets, including MNIST and CIFAR-10, using various optimization techniquessuch as SGD and Adam as baselines. For the MNIST dataset, we achieve an accuracy of 99.26% with QEANN-QGD, compared to 99.84% with SGD and 99.97% with Adam, while main- taining a low loss value of 0.0281. For CIFAR-10, the model has 82.57% accuracy, remaining competitive with several classical models, with a final loss value of 0.2791. The quantum layers significantly contributes to capturing non-trivial patterns, reflected in the gradual convergence of the ground-state energy during optimization. In addition, noise reduction techniques are applied to mitigate quantum errors and ensure the reliability of the quantum computations. Using variational quantum circuits and parameter-shift techniques enable ef- fective optimization of quantum features. The results show that our QGD-based training provides comparable robustnessand feature extraction capabilities to conventional classical methods. But the classical counterpart showed better accuracy and precision when compared to hyprid model. The hybrid architecture introduces challenges such as increased computa- tional overhead and qubit requirements, which are discussed in detail. Future work will focus on developing more efficient quantum circuit designs to reduce gthe number of qubit used and exploring alternative quantum algorithms for optimization to further enhance model per- formance. This study advances quantum machine learning by proposing a scalable, hybrid neural network that successfully balances quantum and classical components, with potential applications in domains requiring enhanced feature extraction and adaptive learning capa- bilities.
Algorithmes quantiques pour l'apprentissage par renforcement Cette thèse étudie le développement de techniques d'apprentissage par renforcement quantique par l'intégration de l'informatique quantique dans les algorithmes d'apprentissage par renforcement. Basée sur trois articles connexes, l'étude est divisée en trois approches principales : 1. Des méthodes basées sur l'algèbre linéaire quantique sont développées pour l'itération de politique quantique, qui alternent entre l'évaluation de politique quantique et les étapes d'amélioration de politique quantique. Des méthodes efficaces pour construire des encodages de bloc des paramètres et des politiques du processus de décision de Markov sont présentées, et l'approche est généralisée à l'itération de politique approximative utilisant une approximation de fonction de valeur linéaire. Dans certains cas, cette approche offre des accélérations asymptotiques par rapport aux algorithmes d'itération de politique classiques. 2. Des couches et architectures de réseaux neuronaux quantiques sont proposées, passant des techniques basées sur l'algèbre linéaire quantique aux méthodes d'apprentissage par renforcement utilisant des réseaux neuronaux quantiques. La contribution clé réside dans la formulation de couches orthogonales utilisant des portes RBS et de couches composées utilisant des portes FBS. Plusieurs ansatzes pour des couches orthogonales et des procédures de chargement de données pour les matrices sont décrits, et des architectures de réseaux neuronaux quantiques pour l'incorporation d'images et de séquences sont proposées. Les architectures quantiques montrent une efficacité en termes de paramètres et offrent des performances compétitives sur les tâches de classification d'images. 3. Des méthodes d'apprentissage par renforcement profond quantique sont développées, intégrant des réseaux neuronaux quantiques avec des couches orthogonales et composées. Deux méthodes principales sont étudiées : un algorithme de recherche de politique pour des environnements classiques qui utilise des réseaux neuronaux orthogonaux quantiques, et une approche entièrement quantique basée sur un modèle acteur-critique qui utilise des réseaux neuronaux quantiques avec des couches composées, s'inspirant de l'apprentissage par renforcement distributionnel. Le cadre est évalué sur des processeurs quantiques à ions piégés, démontrant une performance supérieure pour les modèles acteur-critique distributionnels. Les contributions clés de cette thèse résident dans la formulation de méthodes d'apprentissage par renforcement quantique sur mesure et dans l'évaluation de leurs performances à la fois classiquement et sur du matériel quantique. Elle démontre le potentiel d'amélioration de l'apprentissage par renforcement grâce à l'intégration de l'informatique quantique. Cependant, la validation expérimentale des approches sur des ordinateurs quantiques plus grands et l'étude d'autres problèmes d'apprentissage par renforcement qui pourraient bénéficier des techniques quantiques restent des travaux futurs.
Apprentissage automatique sur des machine quantiques actuelles avec des données non structurées et sur des graphes L'apprentissage automatique a permis de résoudre de nombreux problèmes du monde réel que d'autres méthodes informatiques traditionnelles avaient du mal à résoudre, ou qu'elles pouvaient résoudre de manière plus coûteuse. L'informatique quantique est un paradigme de calcul utilisant les états quantiques de la matière qui permet une grande vitesse de calcul pour certains problèmes. Les progrès récents dans le développement du matériel quantique ont encouragé la recherche d'applications concrètes des ordinateurs quantiques. Il est donc devenu naturel de chercher des moyens d'appliquer les ordinateurs quantiques à l'apprentissage automatique. Cette thèse est une contribution à cet objectif. La première partie vise à comprendre les capacités générales des circuits quantiques variationnels pour les tâches d'apprentissage automatique à partir de données vectorielles, et d'éclaircir les conditions nécessaires pour obtenir un avantage quantique. Les circuits variationnels sont une famille d'algorithmes quantiques où les opérations sont paramétrées et où l'on cherche les paramètres qui minimisent une fonction de coût, à la manière des réseaux de neurones. Ce sont en réalité des modèles linéaires dans un espace à grande dimension. Je montre que bien que les circuits soient coûteux à évaluer, on peut parfois construire des approximations classiques en utilisant la technique de "random features regression". Si cette approximation est possible, l'avantage quantique est limité. Je souligne également le fait que l'apprentissage d'un modèle classique dans le même espace converge vers une solution appelée estimateur MNLS (Minimum Norm Least Square), mais que la dynamique d'apprentissage des circuits quantiques ne conduira pas nécessairement à la même solution. Cette séparation est la source de l'avantage quantique, je montre qu'il suffit que le vecteur des coefficients du modèle quantique ait une grande norme, et je donne des exemples concrets. La deuxième partie explore l'utilisation d'ordinateurs quantiques pour effectuer des tâches d'apprentissage automatique sur des graphes. L'apprentissage automatique sur des graphes possède beaucoup d'applications, et les algorithmes pour des données vectorielles ne sont pas directement applicables. Dans cette partie, j'ai cherché à développer des algorithmes quantiques adaptés à la structure de graphes des données. L'idée principale est d'encoder le graphe dans un hamiltonien qui a une topologie similaire. On prépare ensuite un état quantique en faisant évoluer cet hamiltonien, et les mesures sont incorporées dans un algorithme classique d'apprentissage automatique. Cette approche est particulièrement adaptée aux processeurs quantiques à atomes neutres. Avec de telles plateformes, on peut en effet facilement créer un système quantique avec la connectivité souhaitée, et la géométrie peut être modifiée à chaque exécution. J'ai développé une diverse famille d'algorithmes, inspirés par les noyaux, les réseaux neurones et les transformers, avec l'intention de pouvoir les implémenter sur les machines actuelles. J'ai réalisé des expériences numériques sur des ensembles de données à grande échelle et décrit les résultats d'implémentation expérimentale sur la machine de Pasqal.
Apprentissage automatique quantique avec des modes bosoniques Les systèmes quantiques ont le potentiel d'améliorer les techniques informatiques classiques de pointe, grâce à des propriétés telles que la superposition et l'intrication. Leur combinaison avec des cadres d'intelligence artificielle pourrait améliorer de nombreux domaines du traitement des données quantiques, tels que la reconnaissance automatique des états quantiques et le contrôle des dispositifs quantiques. Malgré des résultats prometteurs obtenus avec les réseaux de neurones quantiques, des défis majeurs subsistent : (i) la mise en œuvre d'architectures comportant un grand nombre de neurones et de paramètres entraînables sur le matériel quantique actuel, et (ii) l'entraînement fiable de ces modèles, où des problèmes tels que les 'barren plateau' dans les fonction de coût peuvent supprimer les gradients et entraver l'apprentissage.En effet, la résolution de tâches complexes nécessite un grand nombre de neurones densément connectés par de nombreux paramètres entraînables, ce qui est difficile à réaliser sur du matériel quantique.Dans cette thèse, nous envisageons la mise en œuvre de réseaux de neurones quantiques avec des modes bosoniques couplés. Nous obtenons un grand nombre de neurones en considérant les probabilités d'état de Fock comme caractéristiques de sortie, et des paramètres entraînables en couplant paramétriquement les modes, grâce à différents processus de mélange à trois ondes tels que la conversion cohérente de photons et le squeezing entre deux modes. Afin d'entraîner le système quantique, nous explorons deux approches : (i) le calcul par réservoir, qui contourne l'entraînement des paramètres physiques, et (ii) l'entraînement direct des couplages paramétriques par descente de gradient. La dynamique intrinsèque des modes bosoniques étant linéaire, la non-linéarité ne provient que des mesures d'états de Fock. Nous constatons que cette non-linéarité induite par la mesure est remarquablement expressive : en utilisant seulement deux oscillateurs quantiques, nous pouvons extraire un ensemble suffisant de caractéristiques non linéaires pour apprendre des tâches qui nécessitent généralement environ 20 neurones dans un réseau classique, notamment la classification de signaux sinus/carré et la prédiction de séries temporelles Mackey-Glass.Cependant, le calcul quantique par réservoir se heurte à deux limites principales : comme tous les poids entraînables résident uniquement dans le post-traitement classique des résultats de mesure, obtenir de bonnes performances nécessite de mesurer un grand nombre de caractéristiques, et son expressivité est limitée par son architecture monocouche. Pour remédier à cela, nous entraînons directement les paramètres de mélange à trois ondes; pour une simulation efficace, nous limitons la dynamique interne aux modes gaussiens et utilisons la rétro-propagation pour l'optimisation. Nous montrons que cette approche apprend efficacement : bien que le nombre de paramètres entraînables évolue linéairement avec le nombre de modes, le nombre de caractéristiques mesurées requis baisse par rapport au calcul par réservoir, l'expressivité augmente et, avec le même nombre de modes, nous résolvons des tâches plus difficiles que la base de référence du réservoir.Cette thèse a démontré que les réseaux de neurones quantiques bosoniques constituent une voie prometteuse vers un apprentissage efficace sur le plan matériel et a fourni des outils théoriques permettant de comprendre comment ils apprennent, et améliorer leurs performances. À l'avenir, l'addition dans l'Hamiltonien de non-linéarités d'ordre supérieur telles que les processus Kerr permettrait de pousser le système au-delà du régime gaussien, libérant ainsi des ressources non gaussiennes et un espace de caractéristiques effectif plus vaste. Dans une perspective plus large, il sera important d'étudier leur susceptibilité aux barren plateaus et d'identifier les conditions dans lesquelles le dimensionnement du gradient reste favorable.
Bruit et capacité d'apprentissage en apprentissage automatique quantique Cette thèse est consacrée à l'exploration de l'interface entre l'informatique quantique et l'apprentissage automatique, en mettant l'accent sur les effets du bruit et de la décohérence. Dans la première partie, nous étudions l'utilisation de systèmes quantiques ouverts pour la réalisation de tâches classiques de reconnaissance des formes. En particulier, nous nous intéressons à l'impact du bruit sur les machines à noyau quantique dans une configuration de calcul à réservoir. Les modèles que nous considérons sont basés sur l'utilisation d'un système quantique de grande taille et non contrôlé, un réservoir, qui est excité par un signal d'entrée à traiter. Des mesures sont ensuite effectuées sur le système et une combinaison linéaire des résultats est optimisée afin de réaliser la tâche souhaitée. Dans le cadre théorique associé aux méthodes à noyau, nous analysons l'effet de la dissipation sur l'expressivité de ces modèles. Nous montrons que le bruit affectant le réservoir peut agir comme une régularisation implicite qui aide à prévenir l'ajustement excessif. Ces résultats sont accompagnés d'une étude numérique d'un ensemble de machines à noyaux bruitées basées sur des chaînes de spins quantiques sujets à de la décohérence, et dont l'évolution markovienne est décrite par une équation maîtresse de type Lindblad. Dans la deuxième partie de la thèse, nous nous concentrons sur les algorithmes quantiques variationnels. Nous y présentons un schéma de simulation classique efficace pour estimer des quantités moyennées à la sortie d'un circuit quantique paramétré dont les paramètres de rotation sont choisis aléatoirement. Nous étudions d'abord les canaux quantiques associés aux moyennes de rotations aléatoires d'un et de deux qubits autour d'un axe Z. Sous certaines hypothèses, nous montrons que ces canaux peuvent être décomposés en sommes convexes de canaux associés à des transformations unitaires de Clifford. Ce résultat peut être interprété comme un effet de décohérence artificiel induit par le choix aléatoire des angles de rotation. Il nous permet construire un schéma de simulation efficace basé sur le célèbre théorème de Gottesman-Knill. Cette méthode permet notamment d'estimer efficacement l'amplitude moyenne du gradient de la fonction de coût par des simulations classiques avec une complexité polynomiale en le nombre de qubits. Elle peut donc être utilisée pour explorer des stratégies de conception de circuits variationnels quantiques permettant d'éviter les difficultés d'entrainement due à une disparition du gradient.
Algorithmes quantiques pour réseaux de neurones et apprentissage automatique non supervisé Cette thèse vise à étudier si les algorithmes quantiques peuvent être utilisés dans le domaine de l'apprentissage automatique, ou intelligence artificielle. Nous rappelons d'abord les principes fondamentaux de l'apprentissage automatique et de l'informatique quantique, puis nous décrivons plus précisément comment les relier par l'algèbre linéaire: nous introduisons des algorithmes quantiques pour résoudre efficacement des tâches telles que le produit de matrices ou l'estimation de distances. Ces résultats sont ensuite utilisés pour développer de nouveaux algorithmes quantiques pour l'apprentissage automatique non supervisé, comme le k-means et le Spectral Clustering. Cela nous permet de définir de nombreuses procédures fondamentales, notamment en analyse vectorielle et en analyse de graphes. Nous présentons également de nouveaux algorithmes quantiques pour les réseaux de neurones. Pour cela, nous introduirons un algorithme permettant d'effectuer un produit de convolution quantique sur des images, ainsi qu'une nouvelle façon d'effectuer une tomographie rapide sur des états quantiques. Nous prouvons que ces algorithmes quantiques sont des équivalents plus rapide de leur version classique, en terme de complexité algorithmique, mais présentent des effets aléatoires dus à la nature quantique du calcul. De nombreuses simulations ont été réalisées pour étudier ces effets et mesurer la précision d'apprentissage de nos algorithmes quantiques sur des données réelles. Enfin, nous présenterons un circuit pour réseau neuronal orthogonal adapté aux ordinateurs quantiques de petite taille et imparfaits actuellement disponibles (NISQ). Cela nous permet de réaliser des expériences sur des ordinateurs quantiques réels pour tester notre théorie.
Les systèmes quantiques ont le potentiel d'améliorer les techniques informatiques classiques de pointe, grâce à des propriétés telles que la superposition et l'intrication. Leur combinaison avec des cadres d'intelligence artificielle pourrait améliorer de nombreux domaines du traitement des données quantiques, tels que la reconnaissance automatique des états quantiques et le contrôle des dispositifs quantiques. Malgré des résultats prometteurs obtenus avec les réseaux de neurones quantiques, des défis majeurs subsistent : (i) la mise en œuvre d'architectures comportant un grand nombre de neurones et de paramètres entraînables sur le matériel quantique actuel, et (ii) l'entraînement fiable de ces modèles, où des problèmes tels que les 'barren plateau' dans les fonction de coût peuvent supprimer les gradients et entraver l'apprentissage.En effet, la résolution de tâches complexes nécessite un grand nombre de neurones densément connectés par de nombreux paramètres entraînables, ce qui est difficile à réaliser sur du matériel quantique.Dans cette thèse, nous envisageons la mise en œuvre de réseaux de neurones quantiques avec des modes bosoniques couplés. Nous obtenons un grand nombre de neurones en considérant les probabilités d'état de Fock comme caractéristiques de sortie, et des paramètres entraînables en couplant paramétriquement les modes, grâce à différents processus de mélange à trois ondes tels que la conversion cohérente de photons et le squeezing entre deux modes. Afin d'entraîner le système quantique, nous explorons deux approches : (i) le calcul par réservoir, qui contourne l'entraînement des paramètres physiques, et (ii) l'entraînement direct des couplages paramétriques par descente de gradient. La dynamique intrinsèque des modes bosoniques étant linéaire, la non-linéarité ne provient que des mesures d'états de Fock. Nous constatons que cette non-linéarité induite par la mesure est remarquablement expressive : en utilisant seulement deux oscillateurs quantiques, nous pouvons extraire un ensemble suffisant de caractéristiques non linéaires pour apprendre des tâches qui nécessitent généralement environ 20 neurones dans un réseau classique, notamment la classification de signaux sinus/carré et la prédiction de séries temporelles Mackey-Glass.Cependant, le calcul quantique par réservoir se heurte à deux limites principales : comme tous les poids entraînables résident uniquement dans le post-traitement classique des résultats de mesure, obtenir de bonnes performances nécessite de mesurer un grand nombre de caractéristiques, et son expressivité est limitée par son architecture monocouche. Pour remédier à cela, nous entraînons directement les paramètres de mélange à trois ondes; pour une simulation efficace, nous limitons la dynamique interne aux modes gaussiens et utilisons la rétro-propagation pour l'optimisation. Nous montrons que cette approche apprend efficacement : bien que le nombre de paramètres entraînables évolue linéairement avec le nombre de modes, le nombre de caractéristiques mesurées requis baisse par rapport au calcul par réservoir, l'expressivité augmente et, avec le même nombre de modes, nous résolvons des tâches plus difficiles que la base de référence du réservoir.Cette thèse a démontré que les réseaux de neurones quantiques bosoniques constituent une voie prometteuse vers un apprentissage efficace sur le plan matériel et a fourni des outils théoriques permettant de comprendre comment ils apprennent, et améliorer leurs performances. À l'avenir, l'addition dans l'Hamiltonien de non-linéarités d'ordre supérieur telles que les processus Kerr permettrait de pousser le système au-delà du régime gaussien, libérant ainsi des ressources non gaussiennes et un espace de caractéristiques effectif plus vaste. Dans une perspective plus large, il sera important d'étudier leur susceptibilité aux barren plateaus et d'identifier les conditions dans lesquelles le dimensionnement du gradient reste favorable.