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.
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.
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.
Algorithmes quantique d’apprentissage automatique Cette thèse présente de nouveaux algorithmes quantiques pour l'apprentissage automatique. L'ordinateur quantique permet un nouveau paradigme de calcul qui exploite les lois de la mécanique quantique pour offrir une accélération des calculs par rapport aux ordinateurs classiques. Récemment, la communauté scientifique a produit plusieurs algorithmes quantiques liés la résolution de problèmes d'algèbre linéaire. Puisqu’une grande partie de l'apprentissage automatique se réduit à multiplier des matrices ou à les inverser, il est possible d'obtenir dans certains cas une version quantique de nombreux algorithmes en lien avec l'apprentissage automatique. Malgré tout, l'écriture d’un nouvel algorithme quantique n’est en général pas du tout une tâche aisée. Dans cette thèse, je propose des algorithmes quantiques pour l'apprentissage de certains modèles d'apprentissage classique. Les algorithmes conçus et analysés dans cette thèse sont les suivants : Slow Feature Analysis, un algorithme de réduction de dimension utilisé pour éviter phénomène d'overfitting dans le cadre de l'apprentissage supervisionné. Dans le cadre de l'apprentissage non supervisé, une version quantique de l'algorithme de clustering k-means et sa généralisation dans le model Gaussian Mixture Models. Ces algorithmes sont itératifs, et représentent la contrepartie quantique de l’algorithmique classique Expectation-Maximization très répandu. Spectral Sum, un algorithme calculant des quantités liées à la somme des valeurs singulières d'un matrice, et ses applications. Les nouveaux algorithmes quantiques développés ont été implémentés et simulés sur des ordinateurs classiques à base d’HPC, avec les jeux de donnés couramment utilisés pour l’apprentissage automatique classique. Je démontre ainsi que ces algorithmes ont effectivement le potentiel de concourir contre les meilleurs algorithmes classiques pour l’analyse de donnés.
Cette thèse présente de nouveaux algorithmes quantiques pour l'apprentissage automatique. L'ordinateur quantique permet un nouveau paradigme de calcul qui exploite les lois de la mécanique quantique pour offrir une accélération des calculs par rapport aux ordinateurs classiques. Récemment, la communauté scientifique a produit plusieurs algorithmes quantiques liés la résolution de problèmes d'algèbre linéaire. Puisqu’une grande partie de l'apprentissage automatique se réduit à multiplier des matrices ou à les inverser, il est possible d'obtenir dans certains cas une version quantique de nombreux algorithmes en lien avec l'apprentissage automatique. Malgré tout, l'écriture d’un nouvel algorithme quantique n’est en général pas du tout une tâche aisée. Dans cette thèse, je propose des algorithmes quantiques pour l'apprentissage de certains modèles d'apprentissage classique. Les algorithmes conçus et analysés dans cette thèse sont les suivants : Slow Feature Analysis, un algorithme de réduction de dimension utilisé pour éviter phénomène d'overfitting dans le cadre de l'apprentissage supervisionné. Dans le cadre de l'apprentissage non supervisé, une version quantique de l'algorithme de clustering k-means et sa généralisation dans le model Gaussian Mixture Models. Ces algorithmes sont itératifs, et représentent la contrepartie quantique de l’algorithmique classique Expectation-Maximization très répandu. Spectral Sum, un algorithme calculant des quantités liées à la somme des valeurs singulières d'un matrice, et ses applications. Les nouveaux algorithmes quantiques développés ont été implémentés et simulés sur des ordinateurs classiques à base d’HPC, avec les jeux de donnés couramment utilisés pour l’apprentissage automatique classique. Je démontre ainsi que ces algorithmes ont effectivement le potentiel de concourir contre les meilleurs algorithmes classiques pour l’analyse de donnés.
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.
Vers des algorithmes quantiques efficaces pour l'optimisation et l'échantillonnage Récemment, avec l'avènement du big data et de l'apprentissage machine à grande échelle, il y a eu une demande croissante pour des algorithmes quantiques qui seraient plus directement applicables à des problèmes pertinents en pratique. Dans cette thèse, nous présentons trois algorithmes qui visent à nous rapprocher de cet objectif. Premièrement, nous développons un algorithme quantique pour l'optimisation cornettique, une classe de problèmes d'optimisation qui se situe entre les programmes linéaires et semi-définis en termes d'expressivité et de facilité de résolution. Ces problèmes sont le plus souvent résolus avec l'aide d'une méthode de point intérieur, dont la complexité est principalement imposée par le coût de la résolution d'une série de systèmes linéaires. Dans notre algorithme, nous résolvons ces systèmes linéaires de manière approximative à l'aide d'un algorithme quantique, et nous prouvons que la méthode des points intérieurs qui en résulte converge vers la solution correcte en un même nombre d'itérations. Nous donnons des preuves numériques que l'algorithme fournit des accélérations de bout en bout dans certaines applications de faible précision telles que les machines à vecteurs de support et l'optimisation de portefeuille financier. L'algorithme des systèmes linéaires quantiques que nous utilisons est le résultat d'une longue ligne de recherche engendrée par l'algorithme de système linéaire quantique de Harrow, Hassidim et Lloyd. Bien qu'il ait été prouvé qu'il est asymptotiquement optimal, le circuit correspondant compliqué et nécessite un prétraitement classique. La deuxième contribution de cette thèse est un algorithme quantique amélioré pour les systèmes linéaires, basé sur la méthode classique optimale de l'itération de Chebyshev. Enfin, nous observons que les algorithmes susmentionnés ont la propriété commune d'approximer l'unique vraie solution du problème donné. En général, la conception de tels algorithmes quantiques est difficile, car souvent la seule façon de récupérer (une approximation de) la vraie solution est d'exécuter l'algorithme plusieurs fois (soit naïvement, soit par amplification d'amplitude) et de calculer certaines statistiques (par exemple la moyenne) des sorties mesurées. Si les ordinateurs quantiques donnent intrinsèquement accès à l'échantillonnage de leurs sorties, pourrions-nous les exploiter pour accélérer les problèmes d'échantillonnage classiques? De manière surprenante, il s'avère que l'échantillonnage gaussien n'est pas un problème complètement résolu, même sur les ordinateurs classiques. Notre troisième contribution est un algorithme de Monte Carlo Hamiltonien classique pour l'échantillonnage gaussien dans le modèle d'interrogation du premier ordre. Nous surmontons et contournons plusieurs limites inférieures en prenant des étapes longues et aléatoires pour intégrer le hamiltonien au cœur de l'algorithme.
Réseaux quantiques complexes pour protocoles de machine learning Les technologies quantiques photoniques offrent un grand potentiel pour répondre au besoin de traitement rapide et efficace des données classiques et quantiques. Le régime des variables continues (CV) est l'une des principales approches utilisées pour décrire les systèmes quantiques ou effectuer des calculs quantiques en optique quantique, en particulier dans le contexte de l'information quantique. Le reservoir computing (RC) quantique est une approche émergente qui a démontré son potentiel dans les tâches d'apprentissage automatique classiques et quantiques. Dans l'approche CV, l'information est codée dans la quadrature du champ. Il a été démontré que, dans le régime CV, les états gaussiens permettent un reservoir computing universel, et que les ressources gaussiennes quantiques, telles que les états comprimés de la lumière, offrent une plus grande capacité computationnelle que les états classiques. L'objectif de ce doctorat est la mise en œuvre expérimentale d'états quantiques multimodes en régime CV et leur application dans des protocoles de reservoir computing, encodés en régime CV.L'activité expérimentale comprend trois étapes principales : la mise en œuvre d'un protocole classique de reservoir computing basé sur la photonique, la caractérisation d'une source d'états comprimés en simple passage et l'encodage de données classiques dans un système quantique multimode afin d'exécuter des protocoles quantiques. Le protocole RC classique est mis en œuvre en encodant des informations dans la phase d'impulsions laser femtosecondes et en les utilisant comme nœuds du réservoir. Après une détection homodyne, les valeurs des nœuds sont à la fois stockées pour l'apprentissage et réinjectées dans le réservoir. Cela nous permet d'effectuer des prédictions sur des tâches non linéaires et dépendantes du temps. La deuxième expérience concerne la mise en œuvre d'une source d'états comprimés en simple passage. De tels systèmes peuvent générer, de manière déterministe, des corrélations d'intrication entre les quadratures du champ électromagnétique dans de multiples modes spectraux-temporels. Une caractéristique clé de notre approche est l'utilisation de guides d'ondes non linéaires pour obtenir une non-linéarité suffisante dans une configuration en simple passage, ce qui nous permet de préserver la structure d'intrication dans la base de l'impulsion laser. La ressource générée sera utilisée pour des protocoles de machine learning à base d'états quantiques. La dernière expérience consiste à encoder des données classiques dans les variables continues d'un système quantique multimode via la modulation de phase du faisceau de pompe utilisé dans le processus de génération d'états comprimés.