À Shenzhen, en Chine, le 10 juin 2025, MicroCloud Hologram Inc. a annoncé une avancée révolutionnaire dans le domaine de l'informatique quantique. Ils ont développé une architecture de Réseau Neuronal Quantique Profond (DQNN) résistant au bruit. Cette innovation promet de révolutionner les applications de l'Intelligence Artificielle Quantique (IA Quantique).
Les réseaux neuronaux traditionnels ont accompli des prouesses remarquables, mais l'informatique quantique offre le potentiel d'avancées encore plus importantes. Le DQNN de HOLO utilise des qubits comme neurones et des opérations unitaires arbitraires comme perceptrons. Cette conception permet un entraînement hiérarchique efficace et réduit les erreurs quantiques, ce qui le rend robuste contre les données bruyantes.
Le cœur de cette architecture réside dans ses neurones quantiques, qui utilisent des états quantiques pour stocker des informations plus riches, améliorant ainsi la puissance de calcul. Chaque neurone met à jour son état grâce à des opérations unitaires, garantissant qu'aucune information n'est perdue pendant le calcul. Cette conception permet au réseau neuronal quantique de s'adapter à des schémas de données quantiques complexes tout en réduisant les erreurs de calcul.
Pour entraîner efficacement le réseau, HOLO utilise une stratégie d'optimisation basée sur la fidélité, une mesure clé pour évaluer la similarité entre les états quantiques. Cette approche réduit le besoin de ressources de calcul et maintient la stabilité, même dans des environnements bruyants. Cela rend l'architecture pratique sur les ordinateurs quantiques actuels de taille intermédiaire et bruyants (NISQ).
L'architecture optimise l'encodage des états quantiques, garantissant que le nombre requis de qubits n'évolue qu'avec la largeur du réseau et non avec sa profondeur. Cette conception permet d'entraîner le réseau neuronal quantique profond sur les processeurs quantiques existants, ouvrant la voie à des modèles d'apprentissage automatique quantique à grande échelle.
Des tests de référence ont montré que le DQNN apprend avec précision les opérations quantiques cibles et présente d'excellentes capacités de généralisation. Cela signifie qu'il peut déduire des relations de mappage quantique raisonnables, même avec des données d'entraînement limitées ou bruyantes. Au fur et à mesure que l'informatique quantique progresse, cette technologie devrait jouer un rôle essentiel dans divers scénarios réels.
Cette percée de HOLO fait non seulement progresser l'apprentissage automatique quantique, mais ouvre également de nouvelles possibilités pour de nombreuses industries. Le développement de cette architecture DQNN résistante au bruit est sur le point de jouer un rôle important dans de multiples secteurs, inaugurant l'intelligence artificielle dans une nouvelle ère de l'informatique quantique.