Actualité Google AI lance TensorFlow Quantum

Pour approfondir le sujet

Partenariat IBM – Google : IBM Power Systems est désormais disponible sur Google Cloud

Dans le cadre d'un accord entre IBM et Google, Google Cloud propose maintenant IBM Power Systems. À destination des entreprises souhaitant adopter une solution de cloud...

Google Cloud Explainable AI présenté à l’occasion du Google Cloud Next UK’19

La conférence de Google Cloud pour la région EMEA, la Google Cloud Next UK'19, a débuté cette semaine. Plusieurs annonces ont été faites dont...

Alphabet, Amazon et Microsoft annoncent des résultats supérieurs aux attentes

Si la course à l'intelligence artificielle semble battre son plein, on constate que les géants du secteur ont mis en place plusieurs stratégies pour...

Google AI lance TensorFlow Quantum

Google AI vient d’annoncer le lancement en collaboration avec l’Université de Waterloo, X et Volkswagen, de TensorFlow Quantum, une librairie open source pour le prototypage rapide de modèles de Machine Learning quantique.

Concrétement, TensorFlow Quantum permet l’intégration de la bibliothèque quantique open source Cirq avec TensorFlow. Elle propose des abstractions de haut niveau pour la conception et la mise en œuvre de modèles quantiques compatibles avec les API TensorFlow existantes, ainsi que des simulateurs de circuits quantiques haute performance.

Cette intégration permet de réunir deux univers prometteurs mais qui se rejoignent encore peu, à cause du manque d’outils prévus à cet effet : celui du quantique et celui du machine learning. Ses auteurs espèrent donc que la librairie TensorFlow Quantum facilitera la recherche dans le domaine des modèles de Machine Learning Quantique. TFQ permet d’exploiter des processeurs NISQ de 50 à 100 Qubits.

Les modèles quantiques tirent bénéfices des propriétés de superposition et intrication quantique, ce qui permet de gérer des distributions de probabilités qui nécessiteraient autrement de stocker, gérer et représenter des quantités de données difficiles à gérer avec l’informatique traditionnelle et nécessiteraient des temps de calcul très importants.

Plus que sur du calcul purement quantique, TensorFlow Quantum permet de travailler sur une hybridation entre processeurs quantiques et classiques (CPU, GPU..), ce qui permet de contourner les limitations des processeurs NISQ, fortement bruités.

TFQ met à disposition deux nouveaux types de données primitives :

– Le circuit quantique – Il s’agit d’un circuit quantique défini par Cirq dans TensorFlow. Il permet de créer des lots de circuits de taille variable, similaires à des lots de points de données de valeur réelle différente.
– La Somme des matrices de Pauli – Représente les combinaisons linéaires des produits des tenseurs des opérateurs de Pauli définis dans Cirq.

L’équipe à l’origine de l’outil a utilisé TensorFlow Quantum pour les réseaux neuronaux convolutionnels hybrides quantiques-classiques, l’apprentissage machine pour le contrôle quantique, l’apprentissage par couches pour les réseaux neuronaux quantiques, l’apprentissage de la dynamique quantique, la modélisation générative d’états quantiques mixtes et l’apprentissage de l’apprentissage avec les réseaux neuronaux quantiques via les réseaux neuronaux récurrents classiques.

Le quantique pourrait à terme devenir une piste dans le développement de la faculté pour l’intelligence artificielle de représenter un monde non déterministe, avec une distribution non finie de probabilités, l’un des plus grands enjeux dans l’évolution future de l’intelligence artificielle.  (Voir notre interview de Yann LeCun dans le magazine ActuIA N°1).

En savoir plus : https://www.tensorflow.org/quantum/overview
Publication arXiv : https://arxiv.org/abs/2003.02989

ActuIA

Partager l'article

Synapse AI : Entretien avec Julian Lucchesi, directeur des partenariats du CenTech à Montréal

L'adoption de l'intelligence artificielle en entreprise nécessite bien souvent un accompagnement. Dans ce numéro 3 de Synapse AI, Mathieu Barreau rencontre Julian Lucchesi, Directeur...

Un modèle de deep learning pour repérer plus facilement les tumeurs métastasiques complexes

Nous vous présentions récemment un système mis au point par des scientifiques écossais permettant de repérer plus facilement les mésothéliomes, une forme rare de cancer....

Trois start-up, spécialisées data et intelligence artificielle, finalistes du LVMH Innovation Award

Dans le cadre de la cinquième édition du LVMH Innovation Award, 28 start-up ont été sélectionnées. Grâce à ce prix dédié à l'innovation, les...

Quelle fiabilité pour la reconnaissance vocale utilisée pour le diagnostic du COVID-19 ?

Savoir si des patients sont atteints du COVID-19 grâce à leur voix ? C'est le défi que se sont lancé plusieurs équipes de recherche....