Description du sujet de thèse

Les réseaux de neurones quantiques suscitent un intérêt croissant en raison de leur capacité à projeter les données dans un espace de Hilbert de grande dimension, où elles peuvent devenir plus facilement séparables. Ils offrent également la possibilité d’effectuer un apprentissage directement sur des données quantiques, grâce à leur compatibilité naturelle avec d’autres systèmes quantiques capables de les générer.
L’approche la plus répandue repose sur des circuits quantiques variationnels à base de qubits. Cependant, l’entraînement de ces réseaux présente plusieurs défis majeurs : l’estimation efficace des gradients des sorties par rapport aux paramètres internes, et le problème des barren plateaus (ou gradients nuls), liés à la dilution de l’information dans les grands espaces de Hilbert.
Dans notre équipe, nous explorons une alternative fondée sur des modes bosoniques couplés [1,2], où l’information est encodée dans des états cohérents et manipulée via des opérations continues telles que le déplacement, la compression ou le couplage paramétrique. Cette approche conserve une structure dans l’espace de Hilbert, ce qui pourrait atténuer la dilution de l’information et faciliter l’apprentissage.
Récemment, une méthode innovante d’entraînement par perturbation multiplexée a été proposée : elle permet de calculer simultanément les gradients de plusieurs paramètres en les modulant sinusoïdalement à des fréquences distinctes [3]. Dans un système quantique, en choisissant une amplitude de perturbation appropriée, le gradient peut être obtenu exactement, sans recours à des approximations [4].
L’objectif de cette thèse est :
• d’adapter cette méthode aux réseaux bosoniques paramétriques,
• de concevoir et réaliser expérimentalement un circuit couplant de manière réglable quatre modes bosoniques,
• et de démontrer expérimentalement l’apprentissage des paramètres de couplage à l’aide de cette approche.

Références :
1. Dudas, J. et al. Quantum reservoir computing implementation on coherently coupled quantum oscillators. Npj Quantum Inf. 9, 64 (2023).
2. Dudas, J., Carles, B., Gouzien, E., Grollier, J. & Marković, D. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Preprint at https://doi.org/10.48550/arXiv.2411.19112 (2024).
3. McCaughan, A. N. et al. Multiplexed gradient descent: Fast online training of modern datasets on hardware neural networks without backpropagation. APL Mach. Learn. 1, 026118 (2023).
4. Hoch, F. et al. Variational approach to photonic quantum circuits via the parameter shift rule. Phys. Rev. Res. 7, 023227 (2025).

Contexte de travail

Le projet de thèse s’inscrit dans le cadre du projet ERC QDYNNET – Quantum Dynamical Neural Networks, dirigé par Danijela Marković.
Le/la doctorant(e) rejoindra l’équipe de calcul neuromorphique du Laboratoire Albert Fert (CNRS, Thales, Université Paris-Saclay), et collaborera étroitement avec deux autres doctorants recrutés dans le cadre du projet.
La thèse sera supervisée par Danijela Marković et Julie Grollier (CNRS).