Application du calcul quantique à l’heure du NISQ au Machine Learning

Description de l'offre : Lapos;informatique quantique est censée offrir à lapos;avenir un avantage dans divers algorithmes, y compris certains qui sont considérés comme difficiles pour les ordinateurs traditionnels (par exemple, la factorisation des nombres premiers). Cependant, à une époque où les ordinateurs quantiques bruités (NISQ QC) sont la norme, lapos;utilisation concrète des ordinateurs NISQ semble prometteuse sur des approches dapos;optimisation et de lapos;efficacité énergétique plutôt que sur les performances algorithmiques pures. Dans ce contexte, cette thèse de doctorat vise à aborder lapos;utilisation des NISQ pour améliorer le processus dapos;apprentissage des réseaux neuronaux (NN). En effet, la phase dapos;apprentissage des NN est probablement le moment le plus gourmand en énergie dans les approches traditionnelles. Lapos;utilisation de techniques dapos;optimisation quantique ou de résolution de systèmes linéaires quantiques pourrait potentiellement offrir un avantage énergétique, en plus du fait que la phase dapos;apprentissage pourrait être réalisée avec un ensemble moins étendu dapos;exemples dapos;entraînement.

Profil du candidat : mathématiques appliquées, ou informatique quantique