Le sujet de thèse porte sur le développement du calcul par réservoir quantique, une approche innovante mêlant technologies quantiques et intelligence artificielle.

Inspirée des réseaux de neurones artificiels, cette méthode de calcul utilise des systèmes quantiques en interaction pour effectuer des tâches de prédiction ou de classification. Contrairement aux ordinateurs quantiques universels, le calcul par réservoir quantique ne nécessite pas un maintien rigoureux de la cohérence quantique durant la phase de calcul, rendant cette méthode compatible avec les technologies actuelles.



Les objectifs principaux du sujet de thèse suivent deux lignes de recherche, une première ligne numérique appliquée à un dispositif expérimental concret, une autre plus théorique:

1. Modélisation de réservoirs quantiques : Le but est d'étudier numériquement des systèmes quantiques à deux niveaux, exploités comme réservoirs, pour des tâches de prédiction tout en optimisant leur architecture pour tirer parti des propriétés quantiques, telles que l'intrication et la superposition. Les systèmes quantiques envisagés sont des bits quantiques supraconducteurs et des défauts luminescents du carbure de silicium (SiC). Ces systèmes sont étudiés au sein du consortium QRC-4-ESP. Les simulations numériques seront ainsi comparées à des résultats expérimentaux.

2. Théorie générale de la prédiction par des réservoirs quantiques: Il n'existe pas de théorie générale permettant de comprendre la prédiction par des réservoirs quantiques. Le projet propose de réaliser une avancée théorique majeure en développant une théorie générale avec comme objectif principal d'estimer l'erreur commise sur la prédiction et d'en identifier les sources. Cette théorie générale sera appliquée aux systèmes quantiques étudiés par le consortium. La théorie générale permettra de comprendre le rôle de la cohérence quantique sur les propriétés de prédiction du calcul par réservoir. Nous essayerons en particulier d'identifier des réalisations expérimentales de réservoirs où les exigences sur les temps de cohérence quantique sont du même de grandeur que les solutions technologiques actuelles. Cette théorie autorisera par ailleurs une comparaison avec les approches classiques existantes en termes de nombre de neurones, de quantité de données nécessaires à l'apprentissage, autant de paramètres importants pour une implémentation écoresponsable de l'IA.



Le travail de thèse sera un travail théorique et de modélisation. L'étudiant en thèse s'attachera en particulier à comprendre et à quantifier l'apport de la physique quantique au calcul par réservoir. De solides pré-requis en physique théorique et en mathématiques sont nécessaires pour un bon déroulé de cette thèse. Des connaissances en programmation, sur les réseaux de neurones et leurs implémentations par des logiciels libres, seraient appréciées mais ne sont pas nécessaires.



Ce projet s'inscrit dans le cadre des efforts européens visant à faire progresser les technologies quantiques et à favoriser leur intégration dans des solutions innovantes pour le futur [https://www.qrc-4-esp.eu/].



Contact: emmanuel.rousseau@umontpellier.fr
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Inspired by artificial neural networks, quantum reservoir computing (QRC) is a novel computational method that leverages interacting quantum systems to perform tasks such as prediction and classification. Unlike universal quantum computing, QRC does not require strict maintenance of quantum coherence during computation, making it compatible with current quantum technologies.



The main objectives of this PhD project follow two research directions: one numerical, applied to a concrete experimental setup, and the other more theoretical:



Modeling of Quantum Reservoirs:

The goal is to numerically study two-level quantum systems used as reservoirs for prediction tasks while optimizing their architecture to exploit quantum properties such as entanglement and superposition. The quantum systems considered include superconducting qubits and luminescent defects in silicon carbide (SiC), which are studied within the QRC-4-ESP consortium. Numerical simulations will be compared with experimental results.



General Theory of Prediction with Quantum Reservoirs:

Currently, there is no general theory explaining prediction using quantum reservoirs. This project aims to make a major theoretical advancement by developing a general framework to estimate prediction errors and identify their sources. This theory will be applied to the quantum systems studied within the consortium. It will also clarify the role of quantum coherence in QRC prediction capabilities. Specifically, we will seek experimental realizations of quantum reservoirs where coherence time requirements align with current technological solutions. Furthermore, this theory will enable comparisons with classical approaches in terms of neuron count, data requirements for learning, and other parameters crucial for sustainable AI implementation.



This PhD work will primarily involve theoretical and modeling efforts. The student will focus on understanding and quantifying the contribution of quantum physics to reservoir computing. A strong background in theoretical physics and mathematics is essential for the successful completion of this research. Knowledge of programming, neural networks, and open-source implementations would be appreciated but is not mandatory.



This project is part of European efforts to advance quantum technologies and promote their integration into innovative future solutions.

https://www.qrc-4-esp.eu/



Contact: emmanuel.rousseau@umontpellier.fr
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Funding category: Contrat doctoral

Concours pour un contrat doctoral