Une nouvelle étude suggère que l’étonnant algorithme de jeu de DeepMind, AlphaZero, pourrait aider les chercheurs à débloquer la puissance et le potentiel de l’informatique quantique. Les moteurs de jeu traditionnels tels que le révolutionnaire Deep Blue d’IBM des années 1990 et l’actuel champion du monde d’échecs par ordinateur Stockfish reposent sur une heuristique élaborée à la main par des joueurs humains. AlphaZero adopte une approche très différente : à partir uniquement des règles de base, il affine ses compétences grâce à des millions de parties contre lui-même dans un environnement d’apprentissage par renforcement. Son succès démontre qu’un seul algorithme peut apprendre à découvrir de nouvelles connaissances via toute une série de scénarios, écrit David Silver de DeepMind dans un article de blog.
Les chercheurs de l’UA ont estimé que les capacités d’auto-apprentissage dont dispose AlphaZero pourraient lui permettre de contourner les limites actuelles. Ils ont donc décidé d’implémenter l’algorithme en partant de zéro et d’étudier ses performances sur les problèmes d’optimisation des ordinateurs quantiques, a déclaré le coauteur du papier et professeur de l’UA Jacob Sherson à Synced dans un courriel.
Le premier auteur de l’article, le doctorant Mogens Dalgaard, explique : « Lorsque nous avons analysé les données d’AlphaZero, nous avons constaté que l’algorithme avait appris à exploiter une symétrie sous-jacente du problème que nous n’avions pas envisagée au départ. C’était une expérience incroyable ».
Lorsqu’il est appliqué à l’informatique quantique, AlphaZero permet d’améliorer considérablement la qualité et la quantité des clusters de bonnes solutions comparativement aux méthodes précédentes.
L’équipe a constaté que le système obtenait les meilleurs résultats lorsqu’elle combinait l’algorithme d’AlphaZero avec un algorithme d’optimisation quantique spécialisé.
La suite ici (Yuan Yuan, Michael Sarazen)
