Algorithmes Quantiques Performants de Clustering de Données

Jury

• Giovanni ACAMPORA, Professor, Università degli Studi di Napoli Federico II (Rapporteur & Examinateur)
• Hachem KADRI, Professeur, Université Aix-Marseille (Rapporteur & Examinateur)
• Stéphane LOUISE, Directeur de recherche, CEA-LIST, Université Paris-Saclay (Examinateur)
• Simon MARTIEL, Docteur, IBM Enterprise (Examinateur)
• Patrick CARRIBAULT, Directeur de recherche, CEA-DAM, Université Paris-Saclay (Examinateur)

Résumé

Le clustering de données consiste à regrouper des données sans apprentissage préalable. Face à l’augmentation constante du volume des bases de données, les ordinateurs actuels requièrent des temps de calcul importants pour effectuer ce partitionnement. 

Pour remédier efficacement à ce problème, l’informatique quantique offre une perspective prometteuse, car elle pourrait, à l’avenir, fournir des ressources plus performantes pour le clustering de données massives. Toutefois, les ordinateurs quantiques actuels ne sont pas encore matures ; ils sont sujets au bruit, ce qui limite leur utilisation.

Dans ce contexte, nous avons conçu un algorithme de clustering hybride, classique et quantique, adapté aux ordinateurs quantiques de l’ère actuelle (NISQ). Nous avons testé cet algorithme sous différentes conditions et sur divers types de jeux de données, puis nous l’avons comparé à plusieurs algorithmes de clustering reconnus. Nos résultats démontrent que, sous certaines conditions, le bruit quantique peut même constituer un avantage pour notre algorithme. Par la suite, nous avons travaillé au déploiement de cet algorithme sur de véritables processeurs quantiques et avons développé des outils pour optimiser ce déploiement. Enfin, nous avons étendu nos travaux à un ordinateur quantique à atomes neutres afin de diversifier les architectures quantiques expérimentées.