Projet en cours · Calcul quantique
Quantum
Nous utilisons le calcul quantique pour mieux lire les images médicales.
- les couches d’un QCNN sur N qubits
- log N
- pour chaque porte de la convolution
- 2 qubit
- les qubits mesurés à chaque pooling
- 1 sur 2
- de l’image à la classe
- 4 étapes
Pour celles et ceux qui viennent de physique, informatique, médecine
Le problème
Pour reconnaître une tumeur sur une IRM, un réseau de neurones convolutif, un CNN, apprend à partir de milliers d’exemples. En médecine les exemples sont peu nombreux, et les étiquettes sont posées par des médecins qui ne sont pas toujours d’accord entre eux, ni avec eux-mêmes après un certain temps.
Avec des données comme ça, les grands CNN apprennent aussi les erreurs par cœur et généralisent mal. Même les mesurer est difficile : dans deux compétitions Kaggle avec moins de 1000 cas de test, l’écart entre le classement public et le classement privé était plus grand que celui séparant le vainqueur des 10% meilleurs.
Le qubit et la sphère de Bloch
Un bit vaut 0 ou 1. Un qubit peut être dans une superposition des deux : son état est un point sur la surface d’une sphère, la sphère de Bloch. Au pôle nord il y a |0⟩, au pôle sud |1⟩, sur l’équateur les superpositions à moitié, comme |+⟩ et |−⟩.
|ψ⟩ = cos(θ/2) · |0⟩ + e^(iφ) · sin(θ/2) · |1⟩
θ de 0 à π, la latitude mesurée depuis le pôle nord
φ de 0 à 2π, la longitude sur l’équateur
point sur la sphère = (sin θ · cos φ, sin θ · sin φ, cos θ)Les portes logiques quantiques sont des rotations de la sphère. X, Y et Z font tourner l’état d’un demi-tour autour de leurs axes ; la porte de Hadamard tourne autour de l’axe à mi-chemin entre x et z, et amène |0⟩ sur |+⟩.
| |0⟩ | pôle nord | axe +z |
|---|---|---|
| |1⟩ | pôle sud | axe −z |
| |+⟩ | équateur | axe +x |
| |−⟩ | équateur | axe −x |
| |+i⟩ | équateur | axe +y |
| |−i⟩ | équateur | axe −y |
Le réseau convolutif quantique
Un QCNN porte l’idée des CNN sur les qubits. La convolution est une rangée de portes à deux qubits, identiques dans toute la couche, sur les paires de qubits voisins. Le pooling mesure la moitié des qubits et utilise les résultats pour faire tourner ceux qui restent. Couche après couche les qubits sont réduits de moitié, jusqu’à ce qu’une mesure donne la classe.
L’avantage est dans les chiffres : sur N qubits, environ log N couches suffisent, et les paramètres à apprendre croissent comme log N. Et il est démontré qu’un QCNN ne tombe pas dans les barren plateaus, les plateaux plats où l’entraînement de nombreux circuits quantiques s’arrête.
Les chiffres du graphique
| Couche | Qubit |
|---|---|
| Entrée | 8 qubit |
| Après le premier pooling | 4 qubit |
| Après le second | 2 qubit |
| Sortie | 1 qubit |
Ce qu’on sait et ce qu’on ne sait pas
Des travaux de 2025 et de 2026 montrent que de nombreux QCNN utilisés aujourd’hui peuvent être simulés efficacement même sur un ordinateur classique, parce qu’ils fonctionnent bien surtout sur des données faciles à lire avec des mesures locales.
Sur les IRM du cerveau, les chiffres publiés sont encore bas. C’est pourquoi nous ne promettons pas d’avantage quantique : notre travail est de le mesurer, à égalité, face aux méthodes classiques et sur les mêmes données.
Les chiffres du graphique
| Tâche | Exactitude |
|---|---|
| Deux classes (tumeur ou non) | de 88 à 89% |
| Quatre classes (trois tumeurs ou aucune) | de 52 à 62% |
Le parcours du projet
- 1Une image médicale, par exemple une IRM du cerveau.
- 2Le traitement sur un véritable ordinateur quantique.
- 3La comparaison avec les autres méthodes.
- 4La classification : à quel groupe appartient l’image.
En avril 2026, le code quantique est prêt pour les essais.
Les données publiques
Pour ce problème, il existe des collections publiques d’IRM avec tumeurs cérébrales, déjà étiquetées. Les principales :
| Brain Tumor MRI, Kaggle | 7.200 images | 4 classes : gliome, méningiome, hypophysaire, aucune tumeur |
|---|---|---|
| Figshare, Cheng et ses collègues | 3.064 images | de 233 patients, 3 types de tumeur |
| BraTS 2021 | 2.040 patients | 4 séquences d’IRM, avec les contours de la tumeur |
Où nous en sommes
- Avril 2026Nous avons présenté le projet au Palazzo della Borsa : le code quantique est prêt pour les essais.
- Prochaine étapeFaire tourner tout le parcours sur un véritable ordinateur quantique et le comparer aux méthodes classiques, sur les mêmes données.
Photos
Vidéos
Personnes du projet
Avec qui nous le faisons
Sources
- Cong, Choi et Lukin, Quantum convolutional neural networks, Nature Physics, 2019.
- Pesah et ses collègues, Absence of Barren Plateaus in Quantum Convolutional Neural Networks, Physical Review X, 2021.
- McClean et ses collègues, Nature Communications, 2018 ; Bermejo et ses collègues, PRX Quantum, 2026.
- Karimi et ses collègues, Medical Image Analysis, 2020 ; Varoquaux et Cheplygina, npj Digital Medicine, 2022.
- Nugraha et ses collègues, arXiv:2509.02582, 2025.
- IBM Quantum Learning, Bloch sphere.
- Présentation du Deep-Tech Showcase, Palazzo della Borsa, 21 avril 2026.
Tu veux y travailler ?
Il ne faut ni expérience ni CV. Écris-nous : nous t’invitons à la prochaine rencontre, où tu fais connaissance avec l’équipe.