Conception et optimisation d’un réseau de neurones quantique pour la classification de données complexes

Abstract

Cette étude porte sur la conception et l’optimisation d’un réseau de neurones quantique pour la classification de données complexes, en exploitant l’intersection entre l’informatique quantique et l’intelligence artificielle. Dans un premier temps, le mémoire a présenté les fondements théoriques des réseaux de neurones classiques et de l’informatique quantique, en définissant les réseaux de neurones quantiques et en mettant en évidence leurs caractéristiques et avantages par rapport aux modèles traditionnels. Ensuite, l’accent a été mis sur la conception d’un réseau de neurones quantique capable de classer des données complexes, ainsi que sur les stratégies d’optimisation de son architecture afin de surmonter des défis tels que le bruit quantique et la limitation des ressources. Sur le plan pratique, un modèle hybride quantique–classique a été proposé, combinant des couches neuronales traditionnelles et de simples circuits quantiques, appliqué à des données médicales pour la classification des tumeurs mammaires. Les résultats ont montré que le modèle proposé a atteint une performance remarquable et une grande précision, même avec un nombre limité de qubits, surpassant ainsi certains modèles classiques. Cette étude confirme que l’approche hybride offre des perspectives prometteuses pour la classification de données complexes, tout en soulignant la nécessité de dépasser les limitations actuelles des simulateurs quantiques et de tester ces modèles à l’avenir sur des processeurs quantiques réels, ouvrant ainsi la voie à des applications pratiques dans divers domaines tels que la médecine, la cybersécurité et la finance=================================================================================== This study focuses on the design and optimization of a quantum neural network for complex data classification, leveraging the intersection of quantum computing and artificial intelligence. First, the thesis presented the theoretical foundations of classical neural networks and quantum computing, introducing quantum neural networks while highlighting their features and advantages compared to traditional models. It then addressed the design of a quantum neural network capable of classifying complex data, as well as optimization strategies to enhance its architecture and overcome challenges such as quantum noise and limited resources. On the practical side, a hybrid quantum–classical model was proposed, combining traditional neural layers with simple quantum circuits, applied to medical data for breast tumor classification. The results demonstrated that the proposed model achieved high accuracy and outstanding performance, even with a limited number of qubits, outperforming certain classical models. This study confirms that the hybrid approach provides promising opportunities for complex data classification, while emphasizing the need to overcome the current limitations of quantum simulators and to test the semodels in the future on real quantum processors, the rebypaving the way for practical applications in fieldssuch as medicine, cybersecurity, and finance.