Quantum many-body dynamics for combinatorial optimisation and machine learning

L’objectif de cette thèse est d’explorer et de qualifier l’utilisation de la dynamique quantique à N-corps pour résoudre des problèmes industriels difficiles et des tâches d’apprentissage automatique. En tant que collaboration entre des partenaires industriels et universitaires, cette thèse explore les capacités d’un dispositif à atomes neutres à résoudre des problèmes du monde réel. Tout d’abord, nous examinons les problèmes d’optimisation combinatoire et montrons comment les atomes neutres peuvent naturellement encoder un célèbre problème d’optimisation combinatoire appelé “Maximum Independent Set on Unit-Disk graphs”. Ces problèmes apparaissent dans les défis industriels tels que le chargement intelligent des véhicules électriques. L’objectif est de comprendre pourquoi et comment une approche quantique peut résoudre ce problème plus efficacement qu’une méthode classique. Les algorithmes que nous proposons sont testés sur du matériel réel à l’aide d’un ensemble de données provenant d’EDF, l’entreprise française d’électricité. Nous explorons également l’utilisation d’atomes neutres en 3D pour résoudre des problèmes qui sont hors de portée des méthodes d’approximation classiques. Enfin, nous essayons d’améliorer notre intuition sur les types d’instances pour lesquelles une approche quantique peut (ou ne peut pas) donner de meilleurs résultats que les méthodes classiques.

Dans la deuxième partie de cette thèse, nous explorons l’utilisation de la dynamique quantique dans le domaine de l’apprentissage automatique. En plus d’être une grande chaîne de mots à la mode, l’apprentissage automatique quantique (QML) a été de plus en plus étudié ces dernières années. Dans cette partie, nous proposons et mettons en œuvre un protocole quantique pour l’apprentissage automatique sur des ensembles de données de graphes, et nous montrons des résultats prometteurs en ce qui concerne la complexité de l’espace de caractéristiques associé. Enfin, nous explorons l’expressivité des modèles d’apprentissage automatique quantique et présentons des exemples où les méthodes classiques peuvent approximer efficacement les modèles d’apprentissage automatique quantique.