Le projet quantique QC4GEO est lancé en janvier 2023. Initié par le CNES et mis en œuvre par CS, il permettra de belles avancées sur une problématique clef : l’obtention de bonnes performances de prédiction avec des bases d’apprentissage inexistantes ou limitées.
L’informatique quantique a connu un développement important ces dernières années. Elle ouvre ainsi des perspectives d’amélioration des applications d’apprentissage automatique.
Le Centre National des Etudes Spatiales (CNES) a ainsi identifié un des problèmes majeurs dans le domaine de l’IA en télédétection de la terre depuis l’espace.
Comment obtenir de bonnes performances de prédiction avec des bases d’apprentissage inexistantes ou limitées ?
Le Projet QC4GEO : Quantum Machine Learning pour l’observation de la terre
Le défi ainsi relevé par CS est d’utiliser l’informatique quantique pour proposer une solution à ces problèmes technologiques.
La recherche des algorithmes scientifiques est une première étape qui a été réalisée avec succès. CS a développé un état de l’art et identifié des algorithmes prometteurs.
En collaboration avec l’Institute of Theoretical and Applied Informatics de l’Académie des Sciences de Pologne (IITiS), CS a choisi l’implémentation d’algorithmes les plus adaptés au traitement des prédictions à faible base d’apprentissage.
A mi-parcours CS fait le point
Matthijs van Waveren, QC & HPC Expert chez CS
Nous étudions les algorithmes quantiques de classification non-supervisée ou faiblement supervisée.
Ainsi, nous avons implémenté un algorithme de modèle Ising* sur une machine à recuit quantique**. Nous avons aussi implémenté un algorithme de self-supervised learning*** sur une machine à portes quantiques****.
.
A ce jour nous sommes à mi-chemin de l’étude et les résultats de ces travaux sont encourageants. Le modèle Ising est prometteur. Il améliore sensiblement les résultats de classification par rapport à une approche purement classique.
Les résultats du modèle Ising sur une machine à recuit quantique ont été soumis et publiés pour la conférence IGARSS23. (juillet 2023). Retrouvez l’article complet présenté ici
Enfin, les travaux de l’algorithme quantique self-supervised learning sur une machine à portes quantiques ont été soumis à la conférence Big Data from Space. (novembre 2023). Retrouvez l’article complet ici
Le self-supervised learning est une technologie relativement nouvelle pour l’apprentissage non-supervisé.
Pour conclure : Investiguer l’apport quantique en réduction de temps de calcul et en amélioration de précision détermine le fil rouge de ces travaux.
CS
CS occupe une position différenciée sur le marché des services numériques.
Entreprise européenne, de taille moyenne avec une culture entrepreneuriale, elle possède un haut niveau d’expertise technique et professionnelle. CS est ainsi le partenaire de confiance des grands groupes français et internationaux pour la digitalisation des systèmes opérationnels.
Le secteur spatial d’après CS
Miniaturisation, constellations de dispositifs, omniprésence des données, émergence de nouveaux acteurs, souveraineté des données et baisse des coûts… Le secteur spatial est en effet en pleine mutation industrielle et numérique.
Il s’agit donc d’un enjeu majeur au regard de l’impact qu’il a sur de nombreuses industries et usages humains actuels et futurs (observation de la terre, navigation, communication, …). En réponse à ces évolutions de nouveaux systèmes critiques doivent ainsi innerver les systèmes spatiaux et les applications spatiales au sol ou embarquées, pour des programmes civils ou militaires.
Glossaire
* Le modèle Ising est un modèle de grille de points sur lesquels les pixels d’images peuvent être appliqués. Nous définissons ainsi une énergie entre les points et minimisons l’énergie totale avec un recuit quantique. Ainsi, la solution d’énergie minimale correspond à la solution de notre problème de classification ou de segmentation d’images.
** Machine à recuit quantique :
Il est comparable au recuit simulé en métallurgie.
Un système est de fait dans un état propre de départ connu. Une variation lente de certains paramètres de son hamiltonien (opérateur énergie) permet ainsi d’arriver à l’hamiltonien cible dans un état propre correspondant au minimum d’une fonction.
Extrait de la feuille de route quantique du Hub Advanced Engineering & Computing – parution octobre 2022.
*** Le contrastive self-supervised learning est une méthode d’auto–apprentissage qui utilise le contraste entre différents patches de l’image pour l’apprentissage. Cette méthode est une méthode d’apprentissage non-supervisé.
**** Machine à portes quantiques
“C’est un paradigme de programmation similaire à l’informatique classique où les opérations de plus haut niveau sont décomposées en opérations logiques unitaires que l’on appelle «portes». Il est comparable à l’algèbre de Boole avec ses fonctions ET, OU, OU EXCLUSIF. Ce fonctionnement peut être reproduit sur un ordinateur quantique, où les interactions quantiques sont en quelques sortev «binarisées».[…] Ces circuits à portes quantiques de type Noisy Intermediate Scale Quantum Computing (NISQ) constituent la première étape nécessaire vers le Large Scale Quantum Computing (LSQ). Les applications attendues sont larges avec notamment les premiers cas d’usage en chimie quantique et en optimisation (notamment l’optimisation combinatoire de graphes denses).”
Extrait de la Feuille de Route Quantique du Hub Advanced Engineering & Computing – parution octobre 2022
