Apprentissage automatique quantique

Résultats attendus :

• Intégration du calcul quantique dans les pipelines de prétraitement des données et les flux de travail d'apprentissage pour les tâches gourmandes en données ou en calcul, démontrant des améliorations claires en termes de vitesse de traitement, de complexité computationnelle, de précision de modélisation et de réduction des exigences d'échantillonnage à des échelles réalisables avec les dispositifs de l'ère NISQ,
• Modèles et algorithmes d'apprentissage automatique quantique (QML) fiables et évolutifs, intégrés aux cadres et pipelines d'IA existants, permettant un traitement des données plus rapide, une précision de prédiction améliorée et des capacités de calcul accrues,
• Méthodes d'IA améliorées par le quantique validées démontrant des améliorations mesurables par rapport aux bases de référence classiques en termes de vitesse, de précision, d'efficacité des données, de complexité ou d'évolutivité, étayées par une analyse comparative rigoureuse et une analyse de la complexité,
• Techniques QML robustes et conscientes du bruit adaptées au matériel NISQ, y compris les stratégies d'atténuation des erreurs et les adaptations algorithmiques qui améliorent la fiabilité, les performances et la reproductibilité sur de vrais processeurs quantiques,
• Démonstrateurs ou applications de preuve de concept présentant la pertinence du QML pour les défis du monde réel (par exemple, la modélisation climatique et environnementale, l'observation de la Terre, les soins de santé et les sciences de la vie, la découverte de matériaux, la finance, la robotique, la fabrication et la cybersécurité),
• Renforcement du leadership européen et de la souveraineté technologique en matière de calcul quantique et d'IA digne de confiance, soutenu par la collaboration intersectorielle, le transfert de connaissances et les contributions aux normes, repères et meilleures pratiques émergents.
• Collaboration renforcée entre le calcul quantique, l'apprentissage automatique et les domaines d'application, favorisant une communauté européenne de recherche et d'innovation en QML coordonnée.

Portée :

Les propositions devraient aborder plusieurs orientations de recherche clés en apprentissage automatique quantique (QML), ciblant à la fois l'excellence scientifique et la pertinence industrielle. Les propositions devraient clairement décrire comment contribuer au développement, à la validation et à la démonstration d'approches d'IA améliorées par le quantique, avec des voies claires vers des applications pratiques. Les travaux proposés devraient renforcer les capacités scientifiques et technologiques de l'Europe en matière de calcul quantique et accélérer l'adoption industrielle des solutions d'IA améliorées par le quantique.

Les activités peuvent inclure, sans s'y limiter :

• la conception et l'analyse d'algorithmes QML quantiques, d'inspiration quantique ou hybrides,
• la modélisation des performances, l'analyse de la complexité et l'évaluation comparative des méthodes d'IA améliorées par le quantique,
• le développement de stratégies d'atténuation des erreurs et de stratégies conscientes du bruit adaptées aux charges de travail QML.

Les propositions devraient faire progresser les algorithmes QML évolutifs capables de résoudre des problèmes à grande échelle et à forte intensité de calcul, ce qui inclut des approches qui :

• peuvent gérer des volumes massifs de données et des tâches de calcul complexes,
• permettent un traitement des données plus rapide et des performances prédictives améliorées dans les domaines d'application pertinents (par exemple, la recherche hydrologique, la modélisation climatique, la classification des terrains à partir de la télédétection par satellite, la découverte de médicaments et le diagnostic médical basé sur l'image).

De nombreuses méthodes QML actuelles restent étroitement inspirées des algorithmes classiques et n'atteignent donc pas encore un véritable avantage quantique, nécessitant de nouveaux développements en :

• modèles d'apprentissage natifs quantiques,
• noyaux quantiques efficaces et mappages de caractéristiques quantiques,
• algorithmes démontrant des avantages prouvables ou empiriques par rapport aux approches classiques.

Les propositions peuvent également inclure des analyses de complexité formelles, l'identification des classes de problèmes qui peuvent bénéficier de l'accélération quantique.

Les développements devraient aborder plusieurs des orientations de recherche clés suivantes…