Quantum Machine Learning: theory, applications and implementations on the Pasqal quantum processors

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. 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.

2022-2024 Publications

• 2024
  • H. Mhiri, L. Monbroussou, M. Herrero‑Gonzalez, S. Thabet, E. Kashefi, J. Landman : “Constrained and Vanishing Expressivity of Quantum Fourier Models”, (2024)
• 2022
  • J. Landman, S. Thabet, C. Dalyac, H. Mhiri, E. Kashefi : “Classically Approximating Variational Quantum Machine Learning with Random Fourier Features”, (2022)