Le potentiel de l’intelligence artificielle pour aider à surmonter les défis auxquels nous sommes confrontés est certain mais la limitation des capacités de calcul des ordinateurs classiques est un frein à la résolution de certains problèmes. Le quantique combiné à l’IA pourrait bien être la solution. Pour le démontrer, des physiciens de l’Université de Vienne, du Conseil national de la recherche (CNR) et du Politecnico di Milano, dirigés par le professeur Philip Walther et le Dr Roberto Osellame, ont conçu un memristor optique quantique basé sur la photonique intégrée. Leur étude a été publiée dans la revue « nature photonics. »
Les réseaux de neurones artificiels, qui simulent la structure biologique du cerveau, sont à la base des applications d’intelligence artificielle. Grâce au deep learning, ils deviennent peu à peu autonomes mais pour cela, doivent être entraînés sur de grandes quantités de données. En plus du volume, l’un des plus grands défis de l’IA concerne la puissance de calcul nécessaire pour entraîner les réseaux de neurones.
Grâce à sa puissance combinatoire, l’ordinateur quantique pourrait permettre de réduire les temps d’apprentissage et les délais de traitement de nombreuses applications d’IA.
Du memristor classique au memristor quantique
Décrit pour la première fois en 1971 par Leon Chua, le memristor (ou memristance) est un composant électronique passif, au même titre que le condensateur ou la résistance. Ce composant, constitué d’une couche ferroélectrique enserrée par deux électrodes, intéresse les chercheurs pour ses capacités à imiter les neurones et synapses des cerveaux biologiques et sa capacité d’autoapprentissage.
Les premiers memristors reposaient sur le transfert d’ions ou d’atomes dans un matériau sous l’effet d’une tension électrique et d’une brusque montée de température provoquée par le courant électrique mais consommaient beaucoup d’énergie. C’est pourquoi une équipe de recherche associant le CNRS, Thales et l’Université de Cambridge, a mis au point en 2017, un nouveau type de memristor reposant sur une propriété quantique de la matière, l’effet tunnel, qui permet aux électrons de sauter à travers une couche très fine de matériau ferroélectrique polarisé électriquement, comme un aimant. Plusieurs autres propositions de memristor quantique ont été faites par la suite mais toutes ont été confrontées à une fonctionnalité technologique limitée.
Le memristor optique quantique de l’étude
Ce nouveau memristor est basé sur un circuit photonique intégré écrit au laser qui est entièrement reconfigurable au moyen de déphaseurs intégrés, et est capable de produire une dynamique memristive sur des états à photon unique grâce à un schéma de mesure et de rétroaction classique.
Les chercheurs ont donc utilisé des photons uniques, ou particules quantiques uniques de lumière, qui se propagent le long de guides d’ondes gravés au laser sur un substrat de verre et sont guidés sur une superposition de plusieurs voies. L’une de ces dernières est utilisée pour mesurer le flux de photons traversant le dispositif et cette quantité, par un schéma de rétroaction électronique, module la transmission sur l’autre sortie, obtenant ainsi le comportement mémristif souhaité.
D’autre part, les chercheurs ont développé des simulations démontrant que les réseaux optiques contenant des memristors quantiques peuvent être utilisés pour apprendre à la fois sur des tâches classiques et quantiques, ce qui implique que le memristor quantique pourrait être le chaînon manquant reliant l’intelligence artificielle et l’informatique quantique. Michele Spagnolo, auteur principal de l’article, conclut :
« Libérer le plein potentiel des ressources quantiques au sein de l’intelligence artificielle est l’un des plus grands défis de la recherche actuelle en physique quantique et en informatique. »
Le groupe de Philip Walther, qui a codirigé cette étude, a également démontré que les robots peuvent apprendre plus rapidement lorsqu’ils utilisent des ressources quantiques et empruntent des schémas au calcul quantique.
Sources de l’article : « Memristor quantique photonique expérimental »
https://www.nature.com/articles/s41566-022-00973-5#citeas
