Google adapte TensorFlow à la création de modèles de machine learning quantique

Google lance TensorFlow Quantum (TFQ), une déclinaison pour l’informatique quantique de son framework open source de création de modèles de machine learning. Cette bibliothèque logicielle permet de construire des ensembles de données quantiques, ainsi que des prototypes de modèles quantiques hybrides et de modèles classiques de machine learning. L’utilisation du framework fonctionne avec des simulateurs de circuits quantiques et permet de concevoir des modèles quantiques classiques à la fois discriminants et génératifs, explique dans un billet de blog des chercheurs de Google spécialisés dans l’IA. TFQ contient les structures de base nécessaires à la spécification des calculs quantiques, dont les qubits, les circuits et les opérateurs de mesure.

Le framework TFQ s’attaque à deux difficultés propres au développement de modèles de machine learning quantique. La première étant le bruit et l’intrication des données quantiques. La seconde concerne le besoin de faire travailler ensemble des processeurs quantiques et des processeurs classiques. TFQ peut maximiser l'extraction d'informations et généraliser les corrélations dans les données quantiques, assure Google. En outre, TensorFlow serait une plateforme naturelle pour expérimenter des algorithmes hybrides quantiques-classiques puisque que le framework prend déjà en charge le calcul hétérogène entre CPU, GPU et TPU. TensorFlow Quantum est pour l’heure adapté à la création de modèles de machine learning quantique sur des simulateurs. A l'avenir, le framework pourra exécuter des circuits quantiques sur des processeurs quantiques réels, précise Google.

En publiant cette bibliothèque logicielle en open source, Google confirme ses ambitions dans l’informatique quantique. En octobre dernier, le géant de la tech affirmait avoir atteint la suprématie quantique en se basant sur sa puce Sycamore.