Comment apprendre le quantum machine learning ?

Pour apprendre le quantum machine learning, je partirais d’une cartographie claire, puis j’alternerais littérature, notebooks Python, projets réalistes et Qiskit. Le vrai sujet n’est pas de suivre cinq dépôts GitHub, mais de construire une progression qui évite le flou, le copier-coller et les promesses excessives.

Que faut-il comprendre avant de coder ?

Avant de coder, il faut comprendre ce que le quantum machine learning, ou QML, essaie réellement de combiner : le machine learning et l’informatique quantique. Le machine learning apprend des régularités dans des données pour classer, prédire ou regrouper. L’informatique quantique, elle, exploite des objets comme les qubits, la superposition, l’intrication et la mesure. Ces notions se comprennent très bien sans empiler des équations : un qubit peut porter une information plus riche qu’un bit classique, la superposition décrit plusieurs états possibles avant mesure, l’intrication crée une corrélation forte entre qubits, et la mesure transforme l’état quantique en résultat exploitable.

Le point important : le QML reste un domaine exploratoire. Les machines actuelles sont souvent rangées dans l’ère NISQ, pour Noisy Intermediate-Scale Quantum. Cela signifie deux choses simples : elles ont un nombre limité de qubits et elles produisent du bruit matériel, donc des erreurs. Cette contrainte est centrale quand vous lisez des dépôts orientés near-term quantum devices, c’est-à-dire des machines quantiques utilisables à court terme, mais encore imparfaites. La documentation officielle Qiskit Machine Learning d’IBM Quantum insiste justement sur ces approches hybrides et expérimentales, adaptées aux processeurs quantiques actuels et aux simulateurs.

Dans les ressources publiques Qiskit et les dépôts GitHub comme qiskit-community/qiskit-machine-learning, vous croiserez surtout ces familles d’approches :

• Kernels quantiques : Méthodes qui projettent les données dans un espace quantique pour comparer leur similarité, souvent avec des algorithmes proches des SVM, ou machines à vecteurs de support.
• Circuits variationnels : Circuits quantiques avec des paramètres ajustables, optimisés par un ordinateur classique.
• Réseaux neuronaux quantiques : Modèles inspirés des réseaux neuronaux, mais construits avec des circuits quantiques paramétrés.
• Classifieurs quantiques : Modèles qui apprennent à attribuer une classe à une donnée, par exemple “fraude” ou “non fraude”.
• Régressions quantiques : Modèles qui prédisent une valeur numérique, comme un prix, une demande ou un score.
• Modèles hybrides quantique-classique : Architectures où le processeur quantique calcule une partie du modèle et le processeur classique optimise les paramètres.

Notion	Définition simple
Qubit	Unité d’information quantique, différente du bit classique limité à 0 ou 1.
Circuit quantique	Suite d’opérations appliquées à des qubits pour produire un résultat mesurable.
Kernel quantique	Méthode qui mesure la similarité entre données après encodage quantique.
Circuit variationnel	Circuit paramétré dont les valeurs sont ajustées pendant l’apprentissage.
NISQ	Génération actuelle de machines quantiques limitées et bruitées.
Modèle hybride	Modèle qui combine calcul quantique et optimisation classique.

Quels dépôts utiliser pour cartographier le domaine ?

Pour cartographier le domaine, je partirais d’abord de awesome-quantum-machine-learning, puis de awesome-quantum-ml. Ces deux dépôts GitHub ne servent pas au même moment de l’apprentissage : le premier aide à comprendre le paysage général, le second devient utile quand vous voulez entrer dans la littérature scientifique.

awesome-quantum-machine-learning fonctionne comme une grande table des matières du Quantum Machine Learning, ou QML, c’est-à-dire l’utilisation de méthodes quantiques pour construire, accélérer ou reformuler des modèles d’apprentissage automatique. L’intérêt n’est pas de tout lire. L’intérêt est d’identifier les familles de sujets : bases théoriques, algorithmes, bibliothèques, ressources d’étude, kernels quantiques, circuits variationnels et limites liées au hardware quantique.

La mention de la licence CC0-1.0 compte aussi. Elle signifie que la ressource est placée autant que possible dans le domaine public, donc ouverte, réutilisable et facilement partageable. Pour un domaine encore jeune, où les ressources changent vite, c’est un bon signal.

awesome-quantum-ml est plus compact et plus académique. Vous y trouverez surtout des papiers scientifiques, des surveys, c’est-à-dire des articles de synthèse, et des ressources orientées recherche. Ce dépôt devient plus utile après les bases, quand votre objectif n’est plus de collectionner des liens, mais de comprendre ce que disent réellement les publications : hypothèses, résultats, limites expérimentales et comparaison avec les méthodes classiques.

La meilleure méthode reste simple : ne pas ouvrir 50 onglets. Je préfère créer une feuille de route personnelle avec trois colonnes.

• Concepts à comprendre : Qubit, circuit quantique, mesure, kernel, ansatz, bruit matériel.
• Papiers à lire : Uniquement ceux qui répondent à une question précise.
• Notebooks à exécuter : Des exemples Qiskit, PennyLane ou Cirq pour tester les idées.

Une règle évite l’apprentissage passif : chaque ressource théorique doit être reliée à une expérimentation pratique dans les deux semaines. Si vous lisez un papier sur les kernels quantiques, lancez un notebook qui entraîne un classifieur à kernel quantique. Sinon, le sujet reste abstrait.

Dépôt	Niveau	Usage	Type de contenu	Risque principal	Meilleure exploitation
Dépôt awesome-quantum-machine-learning	Débutant à intermédiaire	Cartographier le domaine	Ressources, bibliothèques, cours, algorithmes, notebooks	Se perdre dans trop de liens	Extraire les sous-thèmes et construire une feuille de route
Dépôt awesome-quantum-ml	Intermédiaire à avancé	Entrer dans la littérature scientifique	Papiers, surveys, ressources académiques	Lire sans comprendre les hypothèses ni les limites	Associer chaque papier à une question et à une expérimentation

Comment pratiquer avec Python sans se perdre ?

Le plus efficace est de partir de notebooks guidés, d’exécuter le code tel quel, puis de modifier un seul paramètre à la fois. Cette méthode évite de mélanger trois problèmes en même temps : Python, les circuits quantiques et le machine learning.

Le dépôt Hands-On-Quantum-Machine-Learning-With-Python-Vol-1 se prête bien à cette approche. Il contient le code du livre Hands-On Quantum Machine Learning With Python Vol 1, organisé par chapitres, avec des notebooks Python. Un notebook combine du texte, du code exécutable et des résultats dans le même fichier. C’est utile en QML, pour Quantum Machine Learning, car vous pouvez lire l’explication, lancer l’expérience, observer la sortie, puis ajuster progressivement.

La méthode de travail peut rester simple.

• Cloner le dépôt depuis GitHub. Utilisez la page officielle du dépôt et son README, car les chemins, dépendances et prérequis peuvent évoluer.
• Installer l’environnement Python requis. Suivez le fichier de configuration indiqué dans le dépôt, par exemple un fichier de dépendances ou d’environnement s’il est fourni.
• Exécuter les notebooks sans modification. L’objectif est d’abord de vérifier que tout fonctionne et d’obtenir les mêmes résultats que l’auteur.
• Relancer une expérience avec une seule variation. Changez la taille du jeu de données, le nombre d’itérations, le circuit quantique, la feature map ou le modèle classique de comparaison.

Une feature map désigne la manière dont des données classiques sont encodées dans un circuit quantique. C’est un point central : deux encodages différents peuvent produire des résultats très différents, même avec le même modèle.

Pendant la pratique, notez systématiquement le temps d’exécution, la métrique de classification, la stabilité des résultats entre plusieurs lancements, l’impact du bruit simulé s’il existe, et la difficulté à interpréter le modèle. Les ressources théoriques servent à comprendre. Les notebooks servent à vérifier ce que vous avez compris, avec des résultats observables.

Élément du notebook	Ce qu’il faut observer
Données	Taille du jeu, nombre de classes, normalisation, séparation entraînement/test.
Circuit	Nombre de qubits, profondeur du circuit, portes utilisées.
Feature map	Méthode d’encodage des données classiques dans l’état quantique.
Entraînement	Nombre d’itérations, optimiseur, temps de calcul, convergence.
Métrique	Accuracy, précision, rappel ou autre mesure adaptée au problème.
Limites	Bruit, instabilité, surapprentissage, interprétation difficile, coût de simulation.

Quels projets tester sur des machines proches du réel ?

Tester des projets conçus pour des dispositifs quantiques proches du terme est le bon niveau quand vous voulez sortir des notebooks trop propres. Ces projets exposent les vraies contraintes du QML actuel : bruit, peu de qubits, profondeur limitée des circuits et résultats parfois instables. Le dépôt Quantum-Machine-Learning-on-Near-Term-Quantum-Devices est une ressource pragmatique pour travailler sur ce terrain, sans vendre un avantage quantique qui n’est pas démontré.

Les near-term quantum devices, souvent appelés dispositifs quantiques proches du terme, désignent des machines quantiques disponibles ou simulables aujourd’hui, mais encore très loin d’un ordinateur quantique universel corrigé des erreurs à grande échelle. Cette famille correspond à l’idée de machines NISQ, pour Noisy Intermediate-Scale Quantum, un terme popularisé par John Preskill en 2018. Noisy signifie bruité : le bruit quantique regroupe les perturbations qui dégradent les calculs, comme les erreurs de portes quantiques, la décohérence, c’est-à-dire la perte progressive de l’état quantique, ou les erreurs de mesure.

Les projets intéressants à tester restent simples, mais ils obligent à penser correctement le problème. Un SVM quantique, pour Support Vector Machine, cherche une frontière entre deux classes en utilisant un noyau quantique ou un circuit pour représenter les données. Un CNN quantique, pour Convolutional Neural Network, reprend l’idée des réseaux convolutifs utilisés en vision par ordinateur, mais avec des circuits paramétrés. Les modèles de data re-uploading réinjectent plusieurs fois les mêmes données dans un circuit afin d’augmenter sa capacité d’expression malgré un faible nombre de qubits.

Prenons une tâche de classification binaire. Vous avez deux variables normalisées, par exemple la compacité et la texture d’un objet, et vous voulez prédire classe 0 ou classe 1. Un circuit encode ces deux variables dans des rotations quantiques, applique quelques portes paramétrées, puis mesure un qubit pour produire une probabilité. L’intérêt n’est pas de battre scikit-learn à tout prix. L’intérêt est d’apprendre à formuler l’encodage, limiter la profondeur du circuit, choisir une fonction de coût, relancer plusieurs entraînements et comparer proprement avec une régression logistique ou un SVM classique.

Risque pratique	Ce que cela implique
Trop peu de qubits	Le jeu de données doit être fortement réduit ou encodé avec parcimonie.
Bruit quantique	Les mesures varient et peuvent masquer le signal utile.
Surapprentissage	Le modèle peut mémoriser un petit jeu de données sans généraliser.
Temps d’entraînement	Les évaluations répétées du circuit peuvent devenir coûteuses.
Comparaison injuste avec un modèle classique	Un modèle classique mal réglé donne une fausse impression de performance quantique.

Quand passer à Qiskit Machine Learning ?

Passer à Qiskit Machine Learning quand les bases sont comprises et que l’objectif devient de construire des expériences reproductibles, extensibles et plus proches d’un workflow professionnel. La bibliothèque qiskit-machine-learning fait partie de l’écosystème Qiskit, l’environnement Python développé autour de l’informatique quantique, notamment dans l’écosystème IBM Quantum.

La documentation officielle et le dépôt décrivent plusieurs briques utiles pour aller au-delà des démonstrations isolées. Les kernels quantiques servent à projeter des données dans un espace quantique afin de comparer leur similarité. Les réseaux neuronaux quantiques, ou QNN pour Quantum Neural Networks, combinent circuits quantiques paramétrés et optimisation classique. La bibliothèque fournit aussi des classifieurs, des modèles de régression et une intégration avec PyTorch via TorchConnector.

PyTorch est une bibliothèque open source très utilisée pour le deep learning, c’est-à-dire l’entraînement de réseaux neuronaux profonds. TorchConnector joue le rôle de pont : il permet d’intégrer certains modèles Qiskit Machine Learning dans des workflows PyTorch, avec une logique plus familière pour les équipes déjà habituées aux modèles, aux tenseurs et aux boucles d’entraînement.

Cette étape arrive après les notebooks et les projets near-term, pas avant. Qiskit est plus puissant, mais il demande plus de rigueur sur la structure du code, les dépendances Python, les simulateurs, les backends quantiques, les métriques et la reproductibilité. Un résultat obtenu une fois dans un notebook n’a pas la même valeur qu’une expérience versionnée, paramétrable et relançable.

Qiskit s’inscrit dans l’écosystème IBM Quantum. Certains contenus publics indiquent aussi une co-maintenance avec le Hartree Centre ; si cette information est utilisée dans un article publié, elle doit être vérifiée au moment de la rédaction dans les métadonnées publiques du dépôt ou dans la documentation officielle.

La progression la plus saine reste simple : cartographier avec awesome-quantum-machine-learning, approfondir avec awesome-quantum-ml, pratiquer avec des notebooks Python, tester des projets near-term, puis industrialiser les expérimentations avec Qiskit Machine Learning. Cette séquence évite de confondre curiosité technique et preuve de valeur business.

Étape	Dépôt	Objectif	Livrable attendu	Signe de passage
Cartographie	awesome-quantum-machine-learning	Identifier les concepts et ressources	Liste courte de sujets prioritaires	Les familles d’approches sont claires
Approfondissement	awesome-quantum-ml	Comprendre les méthodes principales	Notes comparant kernels, QNN et hybrides	Les limites sont aussi comprises que les promesses
Pratique	Notebooks Python	Manipuler des exemples exécutables	Notebook modifié avec métriques	Les résultats sont reproductibles
Exploration near-term	Projets near-term	Tester des cas réalistes avec bruit et contraintes	Mini-expérience documentée	Les hypothèses utiles sont isolées
Industrialisation	Qiskit Machine Learning	Structurer des expériences robustes	Pipeline expérimental versionné	Le workflow peut être relancé et comparé

Quelle progression allez-vous vraiment suivre ?

Le quantum machine learning s’apprend mieux avec une progression simple : comprendre le vocabulaire, cartographier le domaine, lire quelques ressources solides, coder dans des notebooks, tester les limites des machines proches du réel, puis structurer ses expériences avec Qiskit Machine Learning. Les dépôts GitHub cités sont utiles parce qu’ils couvrent ces étapes sans vendre de raccourci magique. Le point important reste la méthode : relier chaque concept à une expérimentation, documenter les résultats et garder un regard critique sur les performances. Vous gagnez du temps, vous évitez le bruit, et vous construisez une base exploitable pour vos futurs projets QML.

FAQ

• Qu’est-ce que le quantum machine learning ?
  Le quantum machine learning, ou QML, combine des méthodes de machine learning avec des calculs inspirés ou exécutés sur des systèmes quantiques. L’objectif est d’explorer des modèles comme les kernels quantiques, les circuits variationnels ou les réseaux neuronaux quantiques. Le domaine reste jeune et expérimental, surtout à cause des limites matérielles actuelles.
• Faut-il connaître la physique quantique pour commencer ?
  Il faut comprendre les bases : qubit, superposition, intrication, mesure, circuit quantique et bruit. En revanche, il n’est pas nécessaire de commencer par un niveau avancé en physique. Pour progresser, mieux vaut relier chaque notion à un notebook ou à un exemple de code plutôt que rester dans la théorie pure.
• Quel dépôt GitHub utiliser en premier ?
  Pour commencer, awesome-quantum-machine-learning est le plus adapté, car il sert de carte du domaine. Il permet d’identifier les notions, bibliothèques, algorithmes et ressources d’étude. Ensuite, awesome-quantum-ml devient intéressant pour approfondir avec des papiers scientifiques et des ressources plus académiques.
• Pourquoi utiliser Qiskit Machine Learning ?
  Qiskit Machine Learning permet de construire des expériences QML plus structurées avec des kernels quantiques, des réseaux neuronaux quantiques, des classifieurs, des régressions et une intégration avec PyTorch via TorchConnector. C’est une bonne étape quand les bases sont acquises et que l’on veut passer de notebooks isolés à des workflows plus robustes.
• Le quantum machine learning est-il déjà utile en production ?
  Dans la majorité des cas, le QML reste un sujet de recherche, d’apprentissage avancé et d’expérimentation. Les machines quantiques actuelles ont encore des limites fortes : bruit, nombre restreint de qubits et circuits peu profonds. L’intérêt immédiat est surtout de comprendre les méthodes, tester des hypothèses et préparer des compétences techniques solides.

 

 

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 le GEO. J’ai travaillé pour des clients comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Mon approche : rendre les sujets techniques compréhensibles, testables et utiles côté business. Si vous voulez structurer vos projets data, IA ou automatisation, contactez-moi.