Annonce

Les commentaires sont clos.

Apprentissage profond avec une formulation quantique

29 December 2022


Catégorie : Stagiaire


Proposition de stage M2

Laboratoire: Institut de recherche en informatique de Toulouse (IRIT)

Equipe de recherche : MINDS

Contact: Lotfi CHAARI (lotfi.chaari@toulouse-inp.fr)

Durée : 6 mois

Ce projet vise à explorer l’usage du calcul quantique pour l’adaptation de techniques d’apprentissage automatique par optimisation bayésienne parcimonieuse.

 

Proposition de stage M2

 

Laboratoire: Institut de recherche en informatique de Toulouse (IRIT)

Equipe de recherche : MINDS

Contact: Lotfi CHAARI (lotfi.chaari@toulouse-inp.fr)

Durée : 6 mois

Ce projet vise à explorer l’usage du calcul quantique pour l’adaptation de techniques d’apprentissage automatique par optimisation bayésienne parcimonieuse.

En effet, pour résoudre un problème inverse en traitement du signal et des images, deux possibilités se présentent. Soit un modèle analytique est disponible comme celui de l’équation (1), et dans ce cas des techniques d’inversion (bayésienne, variationnelle, …) peuvent être utilisées, soit cela est impossible et on a recours aux techniques d’apprentissage automatique.

Cette alternative consiste à apprendre des modèles décisionnels (classification, …) à partir des données. Plus le problème adressé est complexe plus on a besoin de données d’apprentissage (apprentissage supervisé). L’optimisation est donc une étape clé pour ajuster des modèles paramétriques (réseaux de neurones par exemple) aux données d’apprentissage. Cette étape est souvent complexe et fait encore l’objet de plusieurs recherches. Des travaux récents [1,2,3] ayant pour objectif l’introduction de techniques d’optimisation bayésienne non-lisse dans le processus d’optimisation pour les réseaux de neurones profonds contribuent à ces efforts pour une optimisation rapide lorsque de grands volumes de données sont utilisés.

Il est cependant évident que la taille des données et la complexité des problèmes adressés nécessiteront plus d’efforts dans le futur pour mettre en place des modèles décisionnels efficaces. Les machines quantiques, avec ce qu’elles apporteront en termes de rapidité de calcul et de capacités de gérer des données volumineuses, représentent une piste vraisemblablement inévitable pour continuer à développer des techniques d’apprentissage automatique efficaces et rapides pour les applications du futur.

Dans ce sens, l’apprentissage automatique quantique [4,5] est un axe de recherche prometteur: on s’attendent à une démocratisation des ordinateurs quantique à horizon de 2030.

Afin de tirer profit de cette démocratisation, et dans l’objectif de pousser les limites des algorithmes d’optimisation actuellement utilisés pour l’apprentissage profond, nous comptons explorer dans ce stage les possibilités d’extension et de déploiement de ces algorithmes sur des infrastructures de calcul quantique.

Les applications prioritaires sont le traitement des images médicales et satellitaires, où des données de plus en plus volumineuses sont utilisées pour résoudre des problèmes complexes. A titre d’exemple, nous pouvons citer le suivi longitudinal d’images médicales pour le diagnostic, la surveillance de patients, ou encore les problèmes de détection de changements en imagerie satellitaire multi-temporelle et multi/hyper-spectrale.

Ce projet se positionne au carrefour de plusieurs disciplines : le traitement du signal et des images, l’apprentissage automatique, les mathématiques et la physique quantique.

 

Required skills:

-Programmation python

- Apprentissage profond

- Méthodes bayésiennes

 

Références :

[1] M. Fakhfakh, L. Chaari, B. Bouaziz, F. Gargouri. Non-Smooth Hamiltonian Monte Carlo optimization for artificial neural networks, Journal of Ambient Intelligence and Humanized Computing, DOI:10.1007/s12652-022-04073-8, 2022.

[2] M. Fakhfakh, B. Bouaziz, L. Chaari, F. Gargouri. Efficient Bayesian learning of sparse deep artificial neural networks. In Symposium on Intelligent Data Analysis , Rennes, France, April 20-22, 2022.

[3] M. Fakhfakh, B. Bouaziz, F. Gargouri, L. Chaari. Bayesian optimization using Hamiltonian dynamics for sparse artificial neural networks. In International Symposium on Biomedical Imaging (ISBI) , Kolkata, India, March 28-31, 2022.

[4] R., Mathieu, G. Di Molfetta and H. Kadri. “Quantum Perceptron Revisited: Computational-Statistical Tradeoffs.” Uncertainty in Artificial Intelligence, (2022).

[5] B. Casalé, G. Di Molfetta, H. Kadri, L. Ralaivola, “Quantum bandits“. Quantum Mach. Intell. 2, 11 (2020).