Un réseau de neurones qui utilise les principes de l'informatique quantique pour traiter l'information, offrant potentiellement des avantages en termes de vitesse et d'efficacité.Un réseau de neurones quantique (QNN) est un modèle computationnel qui combine les principes de l'informatique quantique avec les réseaux de neurones artificiels. Contrairement aux réseaux de neurones classiques qui traitent l'information à l'aide de bits (0 ou 1), les QNN utilisent des bits quantiques (qubits), qui peuvent exister dans des superpositions d'états, leur permettant de représenter et de traiter l'information de manières exponentiellement plus riches. Ce potentiel permet aux QNN de gérer certaines tâches computationnelles, telles que la reconnaissance de formes et l'optimisation, plus efficacement que leurs homologues classiques, bien que les avantages pratiques fassent encore l'objet de recherches actives.
Le concept a émergé à la fin des années 1990 et au début des années 2000, avec des propositions théoriques de chercheurs comme E. Farhi et S. Lloyd. Cependant, les implémentations pratiques ne sont devenues possibles que dans les années 2010 avec l'avènement des dispositifs quantiques intermédiaires bruyants (NISQ), entraînant une augmentation des démonstrations expérimentales.
Les QNN sont généralement constitués de couches de portes quantiques qui agissent sur les qubits, analogues aux connexions pondérées des réseaux de neurones classiques. Le réseau est entraîné en ajustant des paramètres (comme les angles des portes) pour minimiser une fonction de coût, souvent à l'aide d'algorithmes hybrides classiques-quantiques. Pendant l'entraînement, l'ordinateur quantique évalue la sortie du réseau, et un optimiseur classique met à jour les paramètres. L'avantage clé est que la superposition et l'intrication quantiques permettent au réseau d'explorer simultanément de nombreuses solutions possibles, ce qui pourrait conduire à une convergence plus rapide ou à la capacité de modéliser des corrélations complexes qui sont intraîtables classiquement.
Les QNN sont explorés pour des applications en chimie quantique, découverte de médicaments, modélisation financière et tâches d'apprentissage automatique comme la classification et la modélisation générative, en particulier sur le matériel quantique à court terme.
Certains modèles de QNN peuvent être entraînés à reconnaître des motifs dans des données que les réseaux de neurones classiques ne peuvent pas distinguer, en raison de la dimensionnalité exponentielle de l'espace des états quantiques.
