L'informatique quantique exploite les phénomènes de la théorie quantique pour le traitement de l'information, tandis que l'apprentissage automatique s'intéresse aux algorithmes qui peuvent s'améliorer en fonction des expériences passées.
L'informatique quantique a produit des algorithmes qui dépassent de loin les capacités des ordinateurs classiques que nous utilisons tous les jours.
Cependant, l'identification de nouveaux algorithmes quantiques fut moins prolifique que dans le cas classique.
Ces dernières années, on a cherché à combiner l'informatique quantique et l'apprentissage automatique.
Le cadre de l'apprentissage automatique a servi à apprendre les paramètres de circuits quantiques paramétrés dans l'espoir d'apprendre à résoudre des problèmes où les phénomènes quantiques peuvent aider grâce au traitement de l'information quantique.
L'objectif principal de ce mémoire est de pousser plus loin cette idée d'apprentissage de circuits quantiques et de fonder solidement ses capacités en développant une architecture universelle de circuit quantique paramétré.
La première contribution est une évaluation d'algorithmes d'optimisation itératifs actuels pour les circuits quantiques paramétrés en tant que modèles d'apprentissage automatique, ainsi que la présentation d'un algorithme d'optimisation itératif simple, mais robuste.
La deuxième contribution est une architecture de circuit quantique dans laquelle une famille de petits circuits avec des connexions arbitraires peut être intégrée. / Quantum information processing leverages the phenomena of quantum theory for information processing, while machine learning concerns itself with algorithms that can improve based on past experiences.
Quantum information processing has produced algorithms that go far past the capabilities of the classical computers we use every day.
However, the identification of new quantum algorithms has been much slower than during the early days of classical computing.
In recent years, there has been a push to combine quantum information processing and machine learning.
The framework of machine learning has been used to learn quantum circuits in the hopes of learning to solve problems where quantum phenomena can help through the use of quantum information processing.
The main goal of this thesis is to further push this idea of learning quantum circuits and to solidly ground its capabilities by developing a learnable parametrized universal quantum circuit.
The first contribution is an assessment of current optimization methods for parametrized quantum circuits as machine learning models.
The second contribution is a quantum circuit architecture in which a family of smaller circuits with arbitrary connections can be embedded.
| Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/27494 |
| Date | 09 1900 |
| Creators | Williams, Andrew |
| Contributors | Brassard, Gilles, Tapp, Alain |
| Source Sets | Université de Montréal |
| Language | fra |
| Detected Language | French |
| Type | thesis, thèse |
| Format | application/pdf |
Page generated in 0.0145 seconds