Comment apprendre le quantum machine learning ?

En partant d’une carte du domaine, puis en passant vite aux notebooks Python et aux projets Qiskit. Le quantum machine learning reste jeune, technique et contraint par le matériel actuel. Je vous propose une progression simple pour apprendre sans vous perdre dans les ressources.

Par où commencer ?

Commencez par cartographier le domaine, pas par ouvrir un notebook. Le quantum machine learning, ou QML, se trouve à l’intersection de trois sujets déjà denses : le machine learning, le calcul quantique et l’optimisation numérique, c’est-à-dire les méthodes qui ajustent des paramètres pour minimiser une erreur ou maximiser un score.

Quelques mots doivent être clairs avant d’aller plus loin. Sans ce vocabulaire, les articles et les frameworks donnent vite l’impression de comprendre alors qu’on ne fait que recopier du code.

QML	Quantum machine learning, soit l’usage de méthodes quantiques pour résoudre ou accélérer certaines tâches d’apprentissage automatique.
Qubit	Unité d’information quantique, différente du bit classique car elle peut représenter une superposition d’états avant mesure.
Circuit quantique	Suite d’opérations appliquées à des qubits, comme un programme très contraint.
Porte quantique	Opération élémentaire qui transforme l’état d’un ou plusieurs qubits.
Mesure	Action qui convertit un état quantique en résultat classique exploitable, souvent 0 ou 1.
Simulateur	Programme classique qui imite un ordinateur quantique, utile pour apprendre mais vite limité quand le nombre de qubits augmente.
Matériel quantique réel	Machine physique disponible chez IBM, Google, IonQ ou d’autres, avec du bruit, des erreurs et des contraintes fortes.

Une liste comme awesome-quantum-machine-learning est utile à ce stade. Elle permet de repérer les concepts, les bibliothèques, les algorithmes, les limites matérielles et les sous-domaines sans prétendre tout apprendre d’un coup. Ce type de dépôt sert de table des matières vivante, pas de cours linéaire.

Le piège classique consiste à commencer directement par des articles de recherche ou par un framework. Les deux sont utiles, mais trop tôt ils masquent les bases. Le terme NISQ, proposé par John Preskill en 2018 dans “Quantum Computing in the NISQ era and beyond”, désigne les machines quantiques bruitées de taille intermédiaire, typiquement avec des dizaines à quelques centaines de qubits. Cette notion aide à comprendre pourquoi beaucoup de promesses restent expérimentales.

Une méthode simple suffit pour démarrer proprement :

• Étape 1 Lire les notions fondamentales et noter les mots inconnus.
• Étape 2 Identifier les familles d’approches comme les kernels quantiques, les réseaux neuronaux quantiques et les circuits variationnels.
• Étape 3 Choisir une bibliothèque à tester, idéalement Python et Qiskit.

Quelles ressources lire ?

Après la cartographie générale du quantum machine learning, je réduis volontairement le champ. L’objectif n’est plus d’accumuler des liens, mais de lire une sélection plus courte, plus solide, et surtout plus utile pour comprendre ce qui marche vraiment.

Le dépôt awesome-quantum-ml, disponible sur GitHub, est une bonne porte d’entrée à ce stade. Il rassemble des articles, bibliothèques, cours et revues autour du QML, avec une approche plus focalisée qu’une recherche brute sur Google Scholar ou arXiv. Il aide à approfondir les bases, comparer les familles d’approches et repérer les limites actuelles de la recherche.

Quelques définitions évitent de lire de travers. Un article scientifique présente une méthode, une expérience et des résultats. Une revue de littérature synthétise plusieurs travaux pour donner une vue d’ensemble. Un benchmark compare des méthodes sur une tâche donnée. Une baseline est la méthode de référence, souvent classique, utilisée pour vérifier si l’approche quantique apporte vraiment quelque chose. La reproductibilité signifie qu’un autre lecteur peut refaire l’expérience avec le code, les données et les paramètres fournis.

Je lis ces ressources en plusieurs passes. La première sert à comprendre la question posée. La deuxième regarde les hypothèses, les données et les comparaisons. La troisième seulement entre dans les détails mathématiques. Il ne faut pas chercher à tout comprendre dès le premier passage, surtout avec des papiers qui mélangent apprentissage statistique, algèbre linéaire et circuits quantiques.

Le point critique reste toujours le même : une promesse théorique n’est pas un avantage pratique mesuré. Beaucoup de travaux QML sont encore évalués sur simulateurs ou sur de petits jeux de données. Or un simulateur ne subit pas les mêmes contraintes qu’un ordinateur quantique réel : bruit, erreurs de mesure, décohérence, nombre limité de qubits. La lecture doit donc rester prudente.

Question à poser	Pourquoi c’est important
Quel problème ML est traité ?	Classification, régression, clustering ou optimisation n’impliquent pas les mêmes contraintes.
Le résultat est-il testé sur simulateur ou matériel réel ?	Les performances peuvent changer fortement avec le bruit quantique.
Quelle baseline classique est utilisée ?	Sans comparaison classique sérieuse, le gain annoncé reste fragile.
Le code est-il disponible ?	La reproductibilité est essentielle pour apprendre et vérifier.

Une bonne lecture QML ne cherche pas seulement la nouveauté. Elle vérifie si la méthode répond à un vrai problème, si la comparaison est honnête et si le résultat peut être reproduit.

Comment pratiquer vite ?

Pour pratiquer vite le quantum machine learning, ou QML, le plus efficace reste d’alterner trois formats : des notebooks guidés, de petits scripts Python, puis des modifications contrôlées d’exemples existants. Le dépôt Hands-On-Quantum-Machine-Learning-With-Python-Vol-1 sert bien cet objectif : il permet d’apprendre en exécutant du code, en observant les sorties, puis en changeant une seule variable à la fois au lieu de rester bloqué dans la théorie.

Python est le bon point d’entrée pour la plupart des profils data et dev, car l’écosystème scientifique est déjà là : NumPy pour les calculs, scikit-learn pour les jeux de données et les métriques, Matplotlib pour les graphiques, puis des bibliothèques quantiques comme Qiskit, PennyLane ou Cirq. Vous partez donc d’outils connus pour ajouter progressivement la couche quantique.

Les notebooks sont utiles parce qu’ils gardent la trace de l’expérience. Vous visualisez chaque étape, vous testez un paramètre, vous relancez une cellule, vous comparez les résultats. C’est précieux en QML, où un modèle dépend souvent d’un circuit paramétré, c’est-à-dire un circuit quantique dont certaines portes utilisent des valeurs ajustables. Une fonction de coût mesure l’erreur du modèle. L’optimisation cherche les meilleurs paramètres. L’encodage transforme les données classiques en états quantiques. La mesure récupère enfin une information classique exploitable, par exemple une classe prédite.

# Charger un petit jeu de données
X, y = load_small_dataset()

# Normaliser ou réduire les variables
X_train, X_test, y_train, y_test = split_dataset(X, y)
X_train = normalize(X_train)
X_test = normalize(X_test)

# Encoder les données dans un circuit quantique
def encode_data(x):
    circuit = QuantumCircuit()
    circuit.add_angle_encoding(x)
    return circuit

# Définir un modèle paramétré
def qml_model(x, params):
    circuit = encode_data(x)
    circuit.add_parametrized_layers(params)
    result = measure(circuit)
    return result

# Définir une fonction de coût
def cost(params):
    predictions = [qml_model(x, params) for x in X_train]
    return classification_loss(predictions, y_train)

# Optimiser les paramètres
params = initialize_parameters()
params = optimizer_minimize(cost, params, steps=100)

# Évaluer la précision sur un jeu de test
test_predictions = [qml_model(x, params) for x in X_test]
accuracy = compute_accuracy(test_predictions, y_test)
print(accuracy)

Le bon réflexe consiste ensuite à modifier une seule chose : le nombre de couches, le type d’encodage, la taille du jeu de données ou l’optimiseur. L’objectif n’est pas d’obtenir un avantage quantique immédiat. Aujourd’hui, ce gain reste difficile à démontrer sur des cas pratiques. L’objectif est plus concret : comprendre la mécanique expérimentale du QML et savoir lire, exécuter, modifier puis critiquer un modèle quantique hybride.

Quels projets tester ?

Pour apprendre le quantum machine learning sans se raconter d’histoires, je partirais sur des projets courts, mesurables et compatibles avec les machines actuelles. Les ordinateurs quantiques disponibles aujourd’hui sont encore bruités, avec peu de qubits fiables et des circuits limités en profondeur. C’est le sens de near-term quantum devices : des machines quantiques accessibles à court terme, utiles pour expérimenter, mais pas encore capables d’exécuter de grands algorithmes quantiques robustes.

La ressource Quantum-Machine-Learning-on-Near-Term-Quantum-Devices est intéressante pour ça. Elle regroupe des approches pensées pour ces contraintes : peu de qubits, du bruit, des circuits courts, et des comparaisons possibles avec des modèles classiques.

Trois familles de projets valent le détour.

• SVM quantique : Un SVM, ou machine à vecteurs de support, cherche une frontière de décision entre des classes. Sa version quantique utilise des kernels quantiques, c’est-à-dire des fonctions qui mesurent la similarité entre deux points après les avoir encodés dans un circuit quantique. Bon projet pour comprendre l’encodage des données et comparer avec un SVM classique.
• QCNN : Un QCNN, ou Quantum Convolutional Neural Network, s’inspire des réseaux convolutionnels utilisés en vision par ordinateur. Au lieu de filtres classiques, il utilise des circuits quantiques organisés en couches de convolution et de réduction. Bon projet pour voir comment traduire une architecture connue dans un cadre quantique.
• Re-uploading : Les modèles de re-uploading réinjectent plusieurs fois les mêmes données dans le circuit. L’objectif est d’augmenter l’expressivité du modèle, c’est-à-dire sa capacité à représenter des relations plus complexes. Bon projet pour tester le compromis entre performance, profondeur du circuit et bruit.

La méthode d’évaluation doit rester simple et honnête. Commencez petit : jeux de données réduits, peu de variables, peu de classes. Comparez toujours avec une régression logistique, un SVM classique ou un petit réseau neuronal. Mesurez l’accuracy, le temps d’entraînement, la stabilité des résultats et la sensibilité au bruit. Documentez les paramètres, les seeds, les versions de bibliothèques et les conditions d’exécution, sinon vos résultats seront difficiles à relire ou à reproduire.

Projet	Objectif	Difficulté	Intérêt pédagogique
SVM quantique	Tester des kernels quantiques sur une classification simple	Faible à moyenne	Comprendre l’encodage et la comparaison avec un SVM classique
QCNN	Construire une architecture inspirée des réseaux convolutionnels	Moyenne	Relier deep learning classique et circuits quantiques
Re-uploading	Augmenter l’expressivité d’un circuit en réinjectant les données	Moyenne	Observer le lien entre expressivité, profondeur et bruit

Pourquoi utiliser Qiskit ?

Qiskit devient vraiment utile quand vous avez dépassé les expériences isolées et que vous voulez construire quelque chose de plus propre, répétable et comparable. Qiskit Machine Learning est une bibliothèque open source de l’écosystème Qiskit, dédiée aux kernels quantiques, aux réseaux neuronaux quantiques, aux classifieurs et aux modèles de régression.

Son intérêt n’est pas seulement de lancer un circuit quantique dans un notebook. Un framework apporte des composants professionnels : gestion des données, choix du modèle, exécution sur différents environnements, comparaison des résultats et intégration avec des outils de machine learning classiques. Selon la documentation officielle Qiskit, Qiskit Machine Learning peut aussi s’interfacer avec PyTorch grâce à TorchConnector, ce qui permet d’intégrer un réseau neuronal quantique dans un entraînement PyTorch.

Quelques termes méritent d’être posés clairement. Un pipeline est une chaîne d’étapes reproductibles, de la préparation des données jusqu’à l’évaluation du modèle. La reproductibilité signifie qu’une autre personne, ou vous dans trois mois, peut relancer l’expérience avec les mêmes paramètres et comprendre le résultat. Un backend est l’environnement d’exécution : il peut s’agir d’un simulateur, donc d’un programme qui imite un ordinateur quantique sur une machine classique, ou d’un backend quantique réel, c’est-à-dire une machine quantique accessible via le cloud. L’intégration ML désigne la capacité à connecter ces briques avec des outils comme PyTorch, scikit-learn ou des workflows d’expérimentation.

Un pipeline Qiskit Machine Learning peut rester simple au départ :

• Préparer les données avec une normalisation adaptée.
• Choisir une feature map quantique, c’est-à-dire une méthode pour encoder les variables classiques dans un circuit quantique.
• Construire un kernel quantique ou un réseau neuronal quantique.
• Brancher un classifieur ou un régresseur selon le problème.
• Exécuter l’expérience sur simulateur pour éviter le bruit matériel au début.
• Comparer avec un modèle classique, par exemple une régression logistique ou un SVM.
• Versionner l’expérience avec le code, les paramètres et les résultats.

Qiskit n’est pas forcément la première étape absolue. Il devient pertinent une fois les bases comprises : portes quantiques, mesure, circuits variationnels, optimisation et limites des machines actuelles. Je recommande une progression en cinq temps : cartographie du domaine, lecture scientifique ciblée, notebooks guidés, projets near-term sur des cas réalistes avec du matériel quantique bruité, puis pipelines Qiskit pour structurer vos expériences.

Et maintenant, quelle progression choisir ?

Le plus efficace est de ne pas traiter le quantum machine learning comme une simple nouvelle bibliothèque Python. Je commencerais par une cartographie du domaine, puis par une sélection d’articles pour comprendre les vrais enjeux. Ensuite, place aux notebooks, aux projets courts sur machines near-term et enfin à Qiskit pour structurer des pipelines reproductibles. Cette progression évite deux pièges classiques : rester bloqué dans la théorie ou croire trop vite à un avantage quantique automatique. Vous gagnez du temps, vous apprenez les bons concepts dans le bon ordre et vous construisez une pratique QML plus solide.

FAQ

• Qu’est-ce que le quantum machine learning ?
  Le quantum machine learning, ou QML, combine des méthodes de machine learning avec des circuits quantiques. L’idée est d’utiliser certaines propriétés du calcul quantique pour représenter, transformer ou optimiser des données. Le domaine reste encore jeune et très expérimental.
• Faut-il connaître la physique quantique pour commencer ?
  Un niveau avancé en physique n’est pas indispensable au départ. En revanche, vous devez comprendre les bases : qubit, porte quantique, circuit, mesure, bruit et simulateur. Des bases en Python, algèbre linéaire et machine learning rendent l’apprentissage beaucoup plus fluide.
• Pourquoi commencer par des dépôts GitHub ?
  Les dépôts GitHub permettent d’accéder à des listes de ressources, des notebooks, du code reproductible et des projets concrets. Pour apprendre le QML, c’est utile parce que le domaine évolue vite et que la pratique aide à comprendre les limites réelles des modèles.
• Qiskit est-il nécessaire pour apprendre le QML ?
  Qiskit n’est pas obligatoire pour comprendre les concepts, mais c’est un choix solide pour construire des expériences plus structurées. Qiskit Machine Learning propose notamment des kernels quantiques, des réseaux neuronaux quantiques, des classifieurs et des intégrations avec l’écosystème Python.
• Le quantum machine learning donne-t-il déjà de meilleurs résultats ?
  Pas automatiquement. Le matériel quantique actuel reste bruité et limité, ce qui rend les gains difficiles à démontrer sur des cas pratiques. L’approche sérieuse consiste à comparer chaque modèle QML à des modèles classiques simples, avec des métriques claires et des expériences reproductibles.

 

 

A propos de l’auteur

Je suis Franck Scandolera, responsable de l’agence webAnalyste et de l’organisme Formations Analytics. J’accompagne les entreprises sur le tracking avancé server-side, l’Analytics Engineering, l’automatisation No/Low Code avec n8n, l’intégration de l’IA, le SEO et la GEO. J’ai travaillé avec des références comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Mon approche reste la même : rendre les sujets techniques exploitables pour le business. Si vous voulez intégrer l’IA, fiabiliser vos données ou automatiser vos process, contactez-moi.