L’apprentissage automatique (Machine Learning) est une approche prometteuse pour réaliser des tâches difficiles en traitement de l’information quantique, telles que la caractérisation, la calibration et le contrôle de dispositifs quantiques. Les modèles d’apprentissage automatique peuvent être entraînés directement sur les données produites par un dispositif quantique tout en restant agnostique à la nature quantique de la tâche d’apprentissage.
Cependant, ces modèles génériques manquent d’interprétabilité physique et nécessitent généralement de grands ensembles de données afin d’apprendre avec précision. Dans le but de faire face à ces défis, les chercheurs du groupe ont incorporé des caractéristiques de la mécanique quantique dans la conception même de leur approche d’apprentissage automatique. Ils ont appliqué ces idées au problème de caractérisation de la dynamique d’un qubit supraconducteur et ont démontré que cette approche inspirée de la physique surpasse les réseaux neuronaux génériques qui sont couramment utilisés.
Ces travaux démontrent l’importance de tirer profit de nos connaissances quantiques pour apprendre avec plus de précision et d’efficacité à partir de données quantiques. Cette nouvelle direction de recherche constitue un pas important dans l’amélioration de nos capacités à caractériser des systèmes quantiques de plus en plus complexes. Pour plus d’informations, visitez :
https://journals.aps.org/prxquantum/abstract/10.1103/PRXQuantum.2.040355