Les algorithmes quantiques s’invitent dans la physique des particules. Moins d’un an après avoir dévoilé sa feuille de route sur les technologies quantiques, en octobre 2021, le Conseil européen pour la recherche nucléaire (Cern) présente déjà de premiers résultats. Publiées dans le Journal of high energy physics le 4 août, ces travaux démontrent l’intérêt d’utiliser l’apprentissage machine quantique pour analyser les données du Grand collisionneur de hadrons (LHC), l’accélérateur de particules du Cern situé à la frontière franco-suisse.
Cette expérience a pris part dans le LHCb (Large Hadron Collider beauty), dont le nouveau détecteur capte des quantités inédites de données. Là, le projet de traitement et d’analyse de données a comparé l’efficacité d’un algorithme quantique d’apprentissage machine et celle d’un réseau de neurones profonds pour la détection de particules élémentaires.
Un algo quantique moins gourmand en données
« Etant donné les progrès rapides des calculateurs et des technologies quantiques, il est naturel d’investiguer si et comment les algorithmes quantiques peuvent être exécutés sur de telles machines et si les cas d’usage de physique des particules du LHCb peuvent bénéficier de cette nouvelle technologie », estiment les chercheurs dans un communiqué de l’université de Liverpool, qui a participé aux recherches.
Si de tels algorithmes ont déjà été utilisés, en physique des particules, pour des problèmes de classification d’événements ou de reconstitution de trajectoire des particules, c’est la première fois qu’ils sont appliqués à ce problème-ci : l’identification de la charge de gerbes hadroniques – soit l'identification des caractéristiques du jet de particules élémentaires produit par la collision de particules plus grosses.
Comme le précise l’université britannique, la performance de l’algorithme quantique « a été évaluée sur un simulateur, le hardware disponible actuellement étant encore peu mature, bien que des tests sur de vraies machines sont en développement ». Résultat : bien que les deux approches fournissent des résultats très proches, le réseau de neurones conventionnel a démontré de meilleures performances.
L'article scientifique explique cependant que l’algorithme quantique atteint des performances optimales avec un volume de données inférieur. Un résultat intéressant pour le Cern, qui cherche à limiter les ressources de calcul nécessaires pour analyser ses données – dont le volume ne fait qu’augmenter. Autre avantage, les scientifiques ont remarqué que l’apprentissage machine quantique était plus efficace pour créer des liens de corrélation entre les données, ce qui pourrait apporter un gain de performance supplémentaire. Et « des améliorations sont attendues lorsque des calculateurs quantiques plus performants seront disponibles », ajoute l’université de Liverpool.
Des débouchés dans l'industrie
Encourageants, ces résultats montrent l’intérêt des algorithmes quantiques pour la physique des particules, et laissent entrevoir, au-delà, le possible gain de performance que pourra apporter l’informatique quantique à l’intelligence artificielle.
Comme l’expliquait Alberto Di Meglio, le responsable de l’initiative quantique du Cern à L’Usine Nouvelle, l’organisme cherche à « éviter de faire des choses trop spécifiques à la physique des particules et travailler pour créer des bases solides pour les technologies quantiques ». Avec la vocation de partager ses travaux « pour les mettre à disposition de la science, de l’industrie et de la société ». Ils devraient donc trouver un écho dans d’autres domaines.
