Entraîner les interactions paramétriques dans un réseau de neurones quantique bosonique analogique par mesure en base de Fock

Apprentissage intelligent avec des ondes quantiques

L’intelligence artificielle moderne repose sur des réseaux de neurones constitués de transistors et de code numérique. Cette étude explore comment un matériel très différent, construit à partir de champs électromagnétiques vibrants obéissant aux lois de la physique quantique, peut être entraîné pour reconnaître des motifs dans des données. Le travail montre comment concevoir et entraîner de manière pratique un tel réseau de neurones quantique, afin qu’il puisse éventuellement contribuer au traitement de l’information directement au sein de machines quantiques futures.

Une nouvelle forme de cerveau quantique

Les auteurs se concentrent sur des systèmes constitués d’excitations de type lumière, appelées bosons, confinées dans des résonateurs micro-ondes ou optiques. Ces résonateurs peuvent échanger de l’énergie et créer des paires de particules lorsqu’ils sont pilotés par des signaux externes. Pris isolément, ces processus sont décrits par des équations linéaires, généralement trop simples pour permettre un apprentissage puissant. L’astuce clé ici est de conserver une évolution physique linéaire tout en lisant le système par comptage de photons, ce qui produit naturellement des réponses non linéaires. En choisissant soigneusement comment piloter et coupler les résonateurs, le dispositif quantique se comporte comme un réseau de neurones analogique qui mappe des données d’entrée en caractéristiques de sortie utiles.

Laisser un ordinateur classique gérer la partie difficile

L’entraînement des réseaux de neurones ordinaires repose sur la rétropropagation, une méthode qui ajuste efficacement les paramètres en suivant les gradients de la fonction de perte. Appliquer directement cette idée à un grand système quantique est généralement impossible, car simuler sa dynamique complète devient vite intraitable. L’innovation de ce travail consiste à exploiter la structure spéciale des états dits gaussiens, où l’évolution des valeurs moyennes et des fluctuations peut être décrite de manière compacte. Le matériel quantique effectuerait l’étape avant, faisant évoluer les champs physiques, tandis qu’un modèle classique de la même dynamique gaussienne, facile à simuler, est utilisé pour calculer les gradients. Cette stratégie hybride permet un entraînement de bout en bout des forces de pilotage physiques et des couplages sans avoir à extraire l’information de gradient du dispositif quantique lui‑même.

Apprendre au dispositif à reconnaître des motifs

Pour tester leur approche, les chercheurs simulent plusieurs tâches d’apprentissage de difficulté croissante. D’abord, ils demandent à un petit réseau de deux résonateurs de distinguer des signaux sinus et carrés présentés sous forme de courtes séries temporelles. En ne mesurant que la probabilité qu’un résonateur contienne zéro photon après chaque entrée, et en utilisant un entraînement basé sur le gradient des paramètres physiques, le modèle atteint une classification parfaite. Comparé à une version « réservoir » non entraînée du même matériel, qui utilise de nombreuses lectures de sortie, le réseau entraîné nécessite beaucoup moins de quantités mesurées et bien moins de répétitions expérimentales pour atteindre la même précision.

Trouver la meilleure façon d’alimenter les données

L’équipe étudie ensuite un problème classique difficile où des points doivent être assignés à l’un des deux spirales entrelacées dans le plan. Cette tâche exige une forte non-linéarité. En utilisant quatre résonateurs couplés, ils comparent plusieurs façons d’encoder les deux coordonnées d’entrée dans les commandes physiques, comme l’amplitude ou la phase des tons de pilotage et de différents processus de couplage. Ils trouvent que l’intégration des données dans la force ou la phase d’une interaction spéciale qui crée des paires de photons a un effet particulièrement puissant, permettant une classification parfaite tout en ne mesurant qu’une seule probabilité de photon. D’autres choix d’encodage nécessitent beaucoup plus de sorties mesurées, ou n’atteignent jamais la pleine précision. Cela montre que la manière dont les données sont écrites dans le dispositif quantique façonne fortement sa non-linéarité effective.

Des chiffres manuscrits aux dispositifs de demain

Enfin, les auteurs s’attaquent à une petite tâche de reconnaissance d’images impliquant des chiffres manuscrits représentés sous forme de grilles de 8 × 8 pixels. Avec six résonateurs et plusieurs processus de création de paires, ils injectent les pixels sur plusieurs tranches temporelles, une stratégie similaire à la présentation répétée du même circuit quantique avec de nouvelles données. Après avoir entraîné quelques centaines de paramètres physiques et classiques, le modèle classe des chiffres inconnus avec une précision supérieure à 97 pour cent tout en ne mesurant qu’un ensemble modeste de résultats de comptage de photons. En revanche, lorsque le même matériel est utilisé comme réservoir non entraîné, les performances saturent bien plus bas même avec davantage de mesures, soulignant l’avantage d’optimiser les interactions physiques.

Pourquoi c’est important pour la technologie quantique

L’étude démontre que des réseaux construits à partir de modes bosoniques évoluant linéairement, combinés au comptage de photons non linéaire, peuvent être à la fois expressifs et entraînables en utilisant des outils de gradient familiers. Si le présent travail s’appuie sur la simulation classique pour guider l’entraînement et reste donc limité en taille, les ingrédients sous-jacents correspondent bien aux plateformes supraconductrices et photoniques existantes qui prennent déjà en charge des couplages paramétriques réglables. Cela ouvre une voie réaliste vers du matériel quantique qui non seulement traite l’information de manière quantique mais peut aussi être entraîné comme les réseaux de neurones actuels, pouvant servir d’interfaces intelligentes pour de futurs capteurs et processeurs quantiques.

Citation: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Mots-clés: réseaux de neurones quantiques, modes bosoniques, dynamique gaussienne, comptage de photons, apprentissage automatique quantique