Informatique quantiqueL'informatique quantique est le sous-domaine de l'informatique qui traite des calculateurs quantiques et des associés. La notion s'oppose à celle d'informatique dite « classique » n'utilisant que des phénomènes de physique classique, notamment de l'électricité (exemple du transistor) ou de mécanique classique (exemple historique de la machine analytique). En effet, l'informatique quantique utilise également des phénomènes de la mécanique quantique, à savoir l'intrication quantique et la superposition.
Code quantiqueLes codes quantiques sont l'équivalent quantique des codes correcteurs. La théorie des codes quantiques est donc une branche de l'information quantique qui s'applique à protéger l'information quantique des effets de la décohérence. La correction d'erreur quantique est un élément essentiel du calcul tolérant aux fautes qui doit gérer non seulement les erreurs dans l'information stockée, mais aussi dans l'application des portes quantiques, la préparation de nouveaux états ainsi que dans les opérations de mesure.
Quantum circuitIn quantum information theory, a quantum circuit is a model for quantum computation, similar to classical circuits, in which a computation is a sequence of quantum gates, measurements, initializations of qubits to known values, and possibly other actions. The minimum set of actions that a circuit needs to be able to perform on the qubits to enable quantum computation is known as DiVincenzo's criteria. Circuits are written such that the horizontal axis is time, starting at the left hand side and ending at the right.
Quantum programmingQuantum programming is the process of designing or assembling sequences of instructions, called quantum circuits, using gates, switches, and operators to manipulate a quantum system for a desired outcome or results of a given experiment. Quantum circuit algorithms can be implemented on integrated circuits, conducted with instrumentation, or written in a programming language for use with a quantum computer or a quantum processor. With quantum processor based systems, quantum programming languages help express quantum algorithms using high-level constructs.
Rendement d'une cellule photovoltaïquevignette| Meilleurs rendements de différentes technologies de cellules photovoltaïques mesurés en laboratoire depuis 1976. Le rendement d'une cellule photovoltaïque, parfois noté η, est le rapport entre l'énergie électrique générée par effet photovoltaïque d'une part et l'énergie électromagnétique reçue par la cellule photovoltaïque sous forme de rayonnement solaire d'autre part. Avec la latitude et le climat du lieu d'installation, le rendement des cellules solaires d'un dispositif photovoltaïque détermine la production d'énergie électrique annuelle du système.
Quantum annealingQuantum annealing (QA) is an optimization process for finding the global minimum of a given objective function over a given set of candidate solutions (candidate states), by a process using quantum fluctuations. Quantum annealing is used mainly for problems where the search space is discrete (combinatorial optimization problems) with many local minima; such as finding the ground state of a spin glass or the traveling salesman problem. The term "quantum annealing" was first proposed in 1988 by B. Apolloni, N.
Intrication quantiqueEn mécanique quantique, l'intrication quantique, ou enchevêtrement quantique, est un phénomène dans lequel deux particules (ou groupes de particules) forment un système lié, et présentent des états quantiques dépendant l'un de l'autre quelle que soit la distance qui les sépare. Un tel état est dit « intriqué » ou « enchevêtré », parce qu'il existe des corrélations entre les propriétés physiques observées de ces particules distinctes. En effet, le théorème de Bell démontre que l'intrication donne lieu à des actions non locales.
Suprématie quantiqueLa suprématie quantique, aussi appelée avantage quantique, désigne le nombre de qubits au-delà duquel plus aucun superordinateur classique n'est capable de gérer la croissance exponentielle de la mémoire et la bande passante de communication nécessaire pour simuler son équivalent quantique. Les superordinateurs de 2017 peuvent reproduire les résultats d'un ordinateur quantique de , mais à partir de cela devient physiquement impossible. Le seuil d'environ 50 qubits correspond à la limite théorique de la suprématie quantique.
Apprentissage profondL'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.
DimensionLe terme dimension, du latin dimensio « action de mesurer », désigne d’abord chacune des grandeurs d’un objet : longueur, largeur et profondeur, épaisseur ou hauteur, ou encore son diamètre si c'est une pièce de révolution. L’acception a dérivé de deux façons différentes en physique et en mathématiques. En physique, la dimension qualifie une grandeur indépendamment de son unité de mesure, tandis qu’en mathématiques, la notion de dimension correspond au nombre de grandeurs nécessaires pour identifier un objet, avec des définitions spécifiques selon le type d’objet (algébrique, topologique ou combinatoire notamment).
Matrices de PauliLes matrices de Pauli, développées par Wolfgang Pauli, forment, au facteur i près, une base de l'algèbre de Lie du groupe SU(2). Elles sont définies comme l'ensemble de matrices complexes de dimensions suivantes : (où i est l’unité imaginaire des nombres complexes). Ces matrices sont utilisées en mécanique quantique pour représenter le spin des particules, notamment dès 1927 dans l'étude non-relativiste du spin de l'électron : l'équation de Pauli.
Apprentissage auto-superviséL'apprentissage auto-supervisé ("self-supervised learning" en anglais) (SSL) est une méthode d'apprentissage automatique. Il apprend à partir d'échantillons de données non étiquetés. Il peut être considéré comme une forme intermédiaire entre l'apprentissage supervisé et non supervisé. Il est basé sur un réseau de neurones artificiels. Le réseau de neurones apprend en deux étapes. Tout d'abord, la tâche est résolue sur la base de pseudo-étiquettes qui aident à initialiser les poids du réseau.
Transformeurvignette|Schéma représentant l'architecture générale d'un transformeur. Un transformeur (ou modèle auto-attentif) est un modèle d'apprentissage profond introduit en 2017, utilisé principalement dans le domaine du traitement automatique des langues (TAL). Dès 2020, les transformeurs commencent aussi à trouver une application en matière de vision par ordinateur par la création des vision transformers (ViT).
Transformeur génératif pré-entraînédroite|vignette| Architecture du modèle GPT Le transformeur génératif pré-entraîné (ou GPT, de l’anglais generative pre-trained transformer) est une famille de modèles de langage généralement formée sur un grand corpus de données textuelles pour générer un texte de type humain. Il est construit en utilisant plusieurs blocs de l'architecture du transformeur. Ils peuvent être affinés pour diverses tâches de traitement du langage naturel telles que la génération de texte, la traduction de langue et la classification de texte.
Cellule photovoltaïqueUne cellule photovoltaïque, ou cellule solaire, est un composant électronique qui, exposé à la lumière, produit de l’électricité grâce à l’effet photovoltaïque. La puissance électrique obtenue est proportionnelle à la puissance lumineuse incidente et elle dépend du rendement de la cellule. Celle-ci délivre une tension continue et un courant la traverse dès qu'elle est connectée à une charge électrique (en général un onduleur, parfois une simple batterie électrique).
Équation de DiracL'équation de Dirac est une équation formulée par Paul Dirac en 1928 dans le cadre de sa mécanique quantique relativiste de l'électron. Il s'agit au départ d'une tentative pour incorporer la relativité restreinte à des modèles quantiques, avec une écriture linéaire entre la masse et l'impulsion. Cette équation décrit le comportement de particules élémentaires de spins demi-entiers, comme les électrons. Dirac cherchait à transformer l'équation de Schrödinger afin de la rendre invariante par l'action du groupe de Lorentz, en d'autre termes à la rendre compatible avec les principes de la relativité restreinte.
Apprentissage par renforcement profondL'apprentissage par renforcement profond (en anglais : deep reinforcement learning ou deep RL) est un sous-domaine de l'apprentissage automatique (en anglais : machine learning) qui combine l'apprentissage par renforcement et l'apprentissage profond (en anglais : deep learning). L'apprentissage par renforcement considère le problème d'un agent informatique (par exemple, un robot, un agent conversationnel, un personnage dans un jeu vidéo, etc.) qui apprend à prendre des décisions par essais et erreurs.
One-dimensional spaceIn physics and mathematics, a sequence of n numbers can specify a location in n-dimensional space. When n = 1, the set of all such locations is called a one-dimensional space. An example of a one-dimensional space is the number line, where the position of each point on it can be described by a single number. In algebraic geometry there are several structures that are technically one-dimensional spaces but referred to in other terms. A field k is a one-dimensional vector space over itself.
Rendement (physique)En physique, le rendement est défini comme une grandeur sans dimension qui caractérise l'efficacité d'une transformation, physique ou chimique. En physique, la grandeur caractérise généralement la conversion d'une forme d'énergie en une autre. Pour un système réalisant une conversion d'énergie (transformateur, moteur, pompe à chaleur), le rendement est défini par certains auteurs comme étant le rapport entre l'énergie recueillie en sortie et l'énergie fournie en entrée, qui confond alors les termes d'efficacité thermodynamique et de rendement thermodynamique.
Efficacité quantiqueL'efficacité quantique QE (Quantum Efficiency en anglais) est le rapport entre le nombre de charges électroniques collectées et le nombre de photons incidents sur une surface photoréactive. Ce paramètre permet de caractériser un composant photosensible, comme un film photographique, une cellule photovoltaïque ou un capteur CCD, en termes de sensibilité électrique à la lumière. L'efficacité quantique est parfois appelée aussi IPCE (Incident-Photon-to-electron Conversion Efficiency).
