Description
Date depot: 21 octobre 2021
Titre: Quantum Machine Learning: theory, applications and implementations on the Pasqal quantum processors
Directrice de thèse:
Elham KASHEFI (LIP6)
Encadrant :
Alex BREDARIOL GRILO (LIP6)
Directeur de thèse:
Julien HENRIET (Femto-ST)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé: L'apprentissage automatique, ou machine learning, est vu comme une application prometteuse des ordinateurs quantiques. En effet, les qubits évoluent dans un espace de Hilbert de taille exponentielle, ce qui permettrait d'implémenter des modèles probabilistes impossibles à évaluer sur des ordinateurs classiques. Trouver un avantage quantique en machine learning nécessite de faire face à plusieurs défis parmi lesquels: encoder les données dans un circuit quantique, concevoir une procédure d'optimisation adaptée au calcul quantique, assurer la robustesse au bruit des ordinateurs quantiques actuels, prouver la capacité de généralisation des modèles quantiques ainsi créés, faire en sorte que les résultats obtenus soient meilleurs que pour les modèles classiques en termes de performance, de coût, ou d'explicabilité. Tous ces sous-domaines ont connu des progrès énormes ces cinq dernières années.
Le doctorant s'efforcera de développer la théorie et les procédures expérimentales liées au quantum machine learning avec à l'esprit l'implémentation sur les processeurs quantiques de Pasqal à base d'atomes neutres. Il s'appuiera sur les récents travaux sur la comparaison des modèles probabilistes quantiques et classiques dans l'analyse des données financières du professeur Elham Kashefi au LIP6, le laboratoire d'informatique de la faculté des sciences et de l'ingénierie de l'université de la Sorbonne. L'expertise initiale des équipes du LIP6 en cryptographie quantique pourrait également ouvrir la voie à l'exploration de procédures d'apprentissage quantique sécurisées.
Doctorant.e: Thabet Slimane