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.
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.
Multiplexage temporel et fréquentiel pour les réseaux quantiques à variables continues Les champs de lumière quantique multimode ont émergé en tant qu'outil prometteur pour la génération d'états intriqués multipartites, aussi appelés états cluster, et pour l'avancement des technologies de l'information quantique à variables continues (CV). Dans notre approche, les nœuds du réseau intriqué représentent des modes temporels/fréquentiels du champ électromagnétique, tandis que les liens correspondent à des corrélations d'intrication adaptées. Dans cette thèse, nous démontrons la génération d'états comprimés multimodes qui sont multiplexés à la fois dans le domaine temporel et spectral. Notre configuration est basée sur une série d'impulsions ultracourtes qui alimentent un processus de conversion paramétrique descendante spontanée dans un guide d'ondes non linéaire périodiquement polarisé de KTP. Dans ce contexte, nous avons produit le plus grand nombre de modes spectraux de vide comprimé mesurés par détection homodyne dans une configuration à passage unique. De plus, nous avons effectué des mesures impulsion par impulsion, confirmant l'existence de la structure spectrale multimode au niveau de l’impulsion individuelle ; ceci ouvre la voie à la génération de structures intriquées au taux de répétition du laser. Alors que le multiplexage temporel a déjà permis la génération des plus grands états de cluster CV, la compression multimode dans les modes spectraux d'une source femtoseconde offre une reconfigurabilité complète du réseau d'intrication. En plus de la génération de réseaux intriqués multiplexés, cette thèse explore d'autres types d'applications du traitement de l'information quantique exploitant la lumière comprimée multimode. Le grand nombre de modes pulsés nous permet d'implémenter des marches quantiques sur un graphe à des fins de recherche (de façon analogue à l’algorithme de Grover). De plus, la lumière comprimée multimode a également été exploitée dans ce travail pour étudier le domaine des simulations quantiques, et en particulier pour observer l'émergence d'effets de synchronisation quantique.
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.
Implémentation des protocoles pour des réseaux quantiques photoniques Cette thèse s'inscrit dans le domaine de l'information quantique, avec un accent particulier sur les réseaux de communication quantique. L'objectif de ces réseaux est de permettre le développement de nouvelles technologies fondamentales en facilitant la communication quantique entre des parties distantes, menant ainsi à un Internet quantique. Ces réseaux permettent la transmission de bits quantiques (qubits) sur de longues distances, rendant possibles des tâches qui sont prouvablement irréalisables par tout réseau de communication classique. De plus, la capacité à générer de l'intrication entre des sites distants constitue une puissante plateforme pour l'étude fondamentale de la nature. Les ressources photoniques sont au cœur de l'infrastructure des réseaux quantiques, car elles offrent le moyen optimal de communication entre les nœuds du réseau. Dans cette thèse, nous mettons en œuvre une plateforme photonique capable de générer des états de Greenberger-Horne-Zeilinger (GHZ) de haute fidélité à des longueurs d'onde télécom, dans une configuration compacte et évolutive. Notre source repose sur la conversion paramétrique spontanée dans un interféromètre de Sagnac multicouche, nécessitant un seul cristal non linéaire. Ce design permet la génération de paires de photons hautement indistinguables, conduisant ainsi à des états intriqués multipartites de haute qualité. Grâce à cette source, nous réalisons la première démonstration expérimentale de certification d'état quantique indépendante du dispositif dans un régime non-IID. Cette tâche constitue un élément fondamental pour la communication et le calcul quantiques, car elle permet de déterminer si les parties impliquées peuvent faire confiance aux ressources utilisées ou si l'application doit être interrompue. Nous étudions également l'efficacité d'échantillonnage de ce protocole et analysons comment il peut être exploité pour un traitement de l'information quantique robuste et fiable. En outre, nous explorons la confidentialité des parties individuelles dans un protocole de détection quantique distribuée en certifiant les états intriqués partagés au sein du réseau.
Ressources quantiques à variable continue aux longueurs d'onde de télécommunication Les réseaux quantiques à variables continues constituent une ressource précieuse pour un large éventail de protocoles de communication et de traitement de l'information quantiques. Le multiplexage en fréquence et le multiplexage temporel rapide permettent la mise en œuvre d'architectures quantiques évolutives, dans ce cadre une caractérisation précise des sources de lumière comprimée multimode est essentielle. Dans ce travail, nous augmentons à la fois la résolution spectrale et les valeurs de compression mesurées. Ces deux paramètres sont déterminants pour l'amélioration de la génération des états dits cluster, une ressource clé pour le calcul quantique basé sur la mesure. Notre source repose sur la conversion paramétrique descendante dans un guide d'onde en PPKTP, pompé par un laser pulsé. La source génère des états comprimés sur un ensemble spécifique de spectres optiques. L'augmentation de la résolution spectrale dans une détection homodyne résolue spectralement nous a permis d'améliorer la compression par mode spectral, en la faisant passer de 1 dB à plus de 2,4 dB dans le premier mode, lors de mesures effectuées avec un détecteur homodyne de largeur de bande de quelques MHz. Dans un second temps, nous avons mis en œuvre une caractérisation impulsion par impulsion de la ressource à l'aide d'un détecteur homodyne rapide dont la bande passante électronique est de l'ordre du taux de répétition du laser (100 MHz). Cette approche a permis de mettre en évidence des valeurs de compression allant jusqu'à 1,5 dB dans les premiers modes spectraux. Afin d'accéder pleinement à la ressource quantique multimode et, à terme, d'augmenter le niveau de compression mesuré, une efficacité quantique élevée est requise. Pour éviter les limitations dues à un mauvais recouvrement spatial entre la ressource quantique et l'oscillateur local en détection homodyne, nous avons mis en place un schéma de façonnage du front d'onde permettant de caractériser et de contrôler à la fois le profil d'intensité et la phase de l'oscillateur local. Lors de tests préliminaires, cette approche a permis d'augmenter le recouvrement entre le faisceau de référence et le signal quantique de plus de 8 %, tout en fournissant simultanément une caractérisation détaillée de la forme du faisceau et de l'influence de la transmission du guide d'onde sur le profil du faisceau. Pour obtenir un avantage réel en traitement de l'information quantique par rapport aux protocoles classiques, la génération d'états non gaussiens est nécessaire. Nous présentons donc un schéma complet pour la création d'états non gaussiens dans un système multimode par addition et soustraction sélectives d'un photon, mises en œuvre via des processus optiques non linéaires dans des matériaux non linéaires du second ordre. Nous introduisons un cadre de simulation appliqué à notre source de compression, qui peut également être adapté à d'autres régimes. Sur la base de ce cadre, nous sommes en mesure de prédire des configurations spécifiques de guides d'onde permettant un contrôle complet des états quantiques générés tout en conservant une pureté élevée, chaque processus présentant un nombre de Schmidt proche de K=1, correspondant à un adressage effectif monomode.
Apprentissage quantique pour les séries temporelles Les séries temporelles proviennent des systèmes dynamiques et exhibent usuellement des comportements dynamiques complexes. Les séries temporelles surviennent dans de nombreuses applications, tel que lamédecine, l'économie, la finance, le secteur de l'énergie, et la prévision météorologique. A cause de la structure dynamique, les modèles de machine learning développés pour les données i.i.d. ne sont pas adaptés aux problèmes des séries temporelles. Classiquement, nombreux modèles de machine learning model-free guidés par les données essaient de capturer certaines structures dans la dynamique de lasérie temporelle pour les tâches de classification, ou pour reproduire les dynamiques pour des tâches de prévision. L'utilisation des dynamiques riches des systèmes quantiques pour les tâches des séries temporelles est un sujet émergent. Cette thèse examine l'utilisation du machine learning quantique pour l'analyse et la prévision des séries temporelles d'un angle théorique ainsi que d'un angle expérimental.Dans un premier temps, nous analysons l'utilisation du calcul quantique pour l'analyse topologique des données (TDA), un modèle de machine learning computationnellement coûteux qui peut être utilisé pour la réconstruction de la structure de l'attracteur de la série temporelle. Nous trouvons que l'utilisationd'un algorithme quantique de calcul de distances ne rapporte pas d'avantage dans la complexité du calcul par rapport aux algorithmes classiques. Deuxièmement, nous examinons soigneusement le reservoir computing quantique (QRC) en tant que modèle de machine learning quantique bas niveau et NISQ. Le reservoir computing (RC) est un modèle neuromorphique basé sur les réseaux de neuronesrécurrent et utilise les dynamiques complexes d'un système physique pour reproduire les dynamiques de la série temporelle. Des classes universelles ont été identifiées et pour les RC classiques et pour les QRC. Nous analysons les erreurs de généralisation de versions modifiées de certaines de ces classes de QRC en établissant des bornes de risque. Nos résultats principaux suggèrent que ces classes de QRC généralisent, dans le sens où leurs erreurs de généralisation décroisent avec le nombre d'échantillon d'entraînement. Pourtant, nos bornes de risque croient aussi exponentiellement avec le nombre de qubits, ce que nous attribuons aux mesures projectives effectués sur chaque qubit. Suivant certaines des observations obtenues grace aux bornes de risque, et prenant en compte des limitations physiques fortes sur les ordinateurs quantiques actuels, nous développons un QRC relativement rapide, bas niveau et NISQ-friendly, sur un ordinateur quantique photonique à variables discrètes. Nous évaluons expérimentalement la capacité de prévision de notre QRC photonique (pQRC) avec des simulations sur des séries temporelles de plus en plus chaotiques. Comparé au RC classique, nos expériences suggèrent que le pQRC commence à surpasser le RC classique sur les données fortement chaotiques. Nous fournissons des outils pour estimer le runtime du pQRC sur un QPU. En comparant ces estimations théoriques au runtime mesuré du RC classique, nous trouvons que le pQRC passe beaucoup mieux à l'échelle que le RC classique en termes de temps d'exécution quand la taille du système augmente significativement.
Les séries temporelles proviennent des systèmes dynamiques et exhibent usuellement des comportements dynamiques complexes. Les séries temporelles surviennent dans de nombreuses applications, tel que lamédecine, l'économie, la finance, le secteur de l'énergie, et la prévision météorologique. A cause de la structure dynamique, les modèles de machine learning développés pour les données i.i.d. ne sont pas adaptés aux problèmes des séries temporelles. Classiquement, nombreux modèles de machine learning model-free guidés par les données essaient de capturer certaines structures dans la dynamique de lasérie temporelle pour les tâches de classification, ou pour reproduire les dynamiques pour des tâches de prévision. L'utilisation des dynamiques riches des systèmes quantiques pour les tâches des séries temporelles est un sujet émergent. Cette thèse examine l'utilisation du machine learning quantique pour l'analyse et la prévision des séries temporelles d'un angle théorique ainsi que d'un angle expérimental.Dans un premier temps, nous analysons l'utilisation du calcul quantique pour l'analyse topologique des données (TDA), un modèle de machine learning computationnellement coûteux qui peut être utilisé pour la réconstruction de la structure de l'attracteur de la série temporelle. Nous trouvons que l'utilisationd'un algorithme quantique de calcul de distances ne rapporte pas d'avantage dans la complexité du calcul par rapport aux algorithmes classiques. Deuxièmement, nous examinons soigneusement le reservoir computing quantique (QRC) en tant que modèle de machine learning quantique bas niveau et NISQ. Le reservoir computing (RC) est un modèle neuromorphique basé sur les réseaux de neuronesrécurrent et utilise les dynamiques complexes d'un système physique pour reproduire les dynamiques de la série temporelle. Des classes universelles ont été identifiées et pour les RC classiques et pour les QRC. Nous analysons les erreurs de généralisation de versions modifiées de certaines de ces classes de QRC en établissant des bornes de risque. Nos résultats principaux suggèrent que ces classes de QRC généralisent, dans le sens où leurs erreurs de généralisation décroisent avec le nombre d'échantillon d'entraînement. Pourtant, nos bornes de risque croient aussi exponentiellement avec le nombre de qubits, ce que nous attribuons aux mesures projectives effectués sur chaque qubit. Suivant certaines des observations obtenues grace aux bornes de risque, et prenant en compte des limitations physiques fortes sur les ordinateurs quantiques actuels, nous développons un QRC relativement rapide, bas niveau et NISQ-friendly, sur un ordinateur quantique photonique à variables discrètes. Nous évaluons expérimentalement la capacité de prévision de notre QRC photonique (pQRC) avec des simulations sur des séries temporelles de plus en plus chaotiques. Comparé au RC classique, nos expériences suggèrent que le pQRC commence à surpasser le RC classique sur les données fortement chaotiques. Nous fournissons des outils pour estimer le runtime du pQRC sur un QPU. En comparant ces estimations théoriques au runtime mesuré du RC classique, nous trouvons que le pQRC passe beaucoup mieux à l'échelle que le RC classique en termes de temps d'exécution quand la taille du système augmente significativement.