Direction de recherche : Elham KASHEFI

Co-encadrement : GROSSHANS Frédéric

Apprentissage Automatique Quantique : Architectures et Applications

Un enjeu crucial en information quantique aujourd’hui est le développement de machines permettent de résoudre des problèmes concrets à court ou moyen terme. Cette thèse se place à la croisée de deux pistes prometteuses dans cet axe: (1) le calcul quantique photonique et (2) l’apprentissage automatique quantique (quantum machine learning, QML).
1. Les propriétés physiques de la lumière en font un candidat de choix pour le calcul quantique, et les plateformes photoniques sont parmi les premières à avoir démontré un avantage quantique. Cependant, aussi cruciales que ces avancées soient sur un plan académique, elles sont essentiellement focalisés autour du problème de l’échantillonnage bosonique, pour lequel il a été difficile de trouver une application pratique.
2. L’apprentissage automatique quantique (QML), fondé sur les algorithmes variationnels, peut fonctionner avec essentiellement n’importe quel système quantique, ce qui en fait un système prometteur pour les problèmes réalisables à court et moyen terme, et notamment les systèmes photoniques.
L’objectif de cette thèse est d’avancer sur la question de l’avantage computationnel pratique de systèmes photonique. La question sera abordée en se fixant quelques problèmes concrets à résoudre, et en développant des architecture de QML exploitant les particularité des plateformes photoniques, que ce soit en variable discrètes (optique linéaire, espaces de Fock) ou continues (opération symplectiques, non-gaussiennes).