Quels dépôts pour apprendre le quantum machine learning ?

Commencez par cartographier le domaine, puis passez aux articles, aux notebooks Python, aux projets near-term et enfin à Qiskit. Cette progression évite de se perdre entre théorie quantique, machine learning et contraintes matérielles.

Par où commencer sans se perdre ?

Le meilleur point de départ, à mon avis, n’est pas un papier de recherche ni une bibliothèque Python. C’est une carte du domaine. Pour ça, le dépôt awesome-quantum-machine-learning joue très bien son rôle : une table des matières du quantum machine learning.

Le quantum machine learning, ou apprentissage automatique quantique, désigne une famille de méthodes qui combine des concepts du calcul quantique avec des tâches classiques de machine learning : classification, régression, clustering ou extraction de représentations. Il ne faut pas y voir une promesse magique de modèles plus rapides partout. Aujourd’hui, le sujet reste très exploratoire, surtout à cause des limites des machines quantiques disponibles.

Le dépôt awesome-quantum-machine-learning regroupe environ 3,2k étoiles GitHub et utilise une licence CC0-1.0, une licence très permissive proche du domaine public. Son intérêt vient de sa couverture large : bases du domaine, algorithmes, kernels quantiques, circuits variationnels, limites matérielles et bibliothèques utiles.

Quelques termes reviennent souvent, autant les poser tout de suite :

• Un kernel est une fonction qui mesure une similarité entre deux données. En machine learning classique, les kernels sont notamment utilisés avec les SVM, des modèles de classification appelés machines à vecteurs de support.
• Un circuit variationnel est un circuit quantique avec des paramètres ajustables. Ces paramètres sont optimisés par un algorithme classique, un peu comme les poids d’un réseau de neurones.
• Les limites matérielles désignent surtout le nombre de qubits disponibles, le bruit physique et les erreurs de calcul. Un qubit est l’unité d’information d’un ordinateur quantique.

Usage	Se repérer rapidement dans les grandes familles de méthodes, les concepts et les bibliothèques.
Niveau	Accessible si vous connaissez déjà les bases du machine learning et un peu d’algèbre linéaire.
Risque à éviter	Cliquer partout, accumuler des liens et confondre veille technique avec apprentissage structuré.

Une liste awesome est utile au début parce qu’elle évite deux pièges fréquents : commencer par un article scientifique trop dense ou se jeter sur une bibliothèque trop spécialisée. Une fois cette carte comprise, l’étape suivante devient plus simple : construire une vraie file de lecture scientifique, avec les papiers importants dans le bon ordre.

Comment approfondir la recherche ?

L’étape suivante consiste à lire les surveys, les articles scientifiques et les ressources structurées du dépôt awesome-quantum-ml. Ce n’est pas le dépôt le plus massif, mais c’est justement son intérêt : il filtre davantage et pousse vers des contenus utiles pour comprendre la recherche en quantum machine learning.

Le dépôt awesome-quantum-ml compte environ 407 étoiles GitHub. Sa liste est plus courte que d’autres répertoires généralistes, avec une orientation claire vers les articles, les surveys et les ressources de qualité. Il convient surtout si vous avez déjà compris les bases : qubit, circuit quantique, mesure, optimisation variationnelle, kernel quantique ou réseau de neurones quantique.

Un survey est un article de synthèse. Il résume l’état d’un domaine, compare les approches, explique les limites connues et donne une bibliographie fiable. Je conseille de commencer par ces surveys avant d’attaquer les articles très techniques, souvent écrits pour répondre à une question précise avec beaucoup d’hypothèses implicites.

Quelques repères aident à lire sans se perdre :

• John Preskill, Quantum 2, 79, 2018 introduit le terme NISQ, pour “Noisy Intermediate-Scale Quantum”. Cela désigne les machines quantiques actuelles ou proches, encore bruitées, sans correction d’erreurs complète, et donc limitées.
• La documentation Qiskit Machine Learning donne des bases concrètes sur les quantum kernels, qui utilisent un circuit quantique pour calculer une similarité entre données, et les quantum neural networks, qui sont des circuits paramétrés entraînés avec des méthodes proches du machine learning classique.

Pour lire efficacement, je garde une grille simple :

Point à vérifier	Question utile
Tâche traitée	Classification, régression, génération, optimisation ou simulation ?
Hypothèses matérielles	Le résultat suppose-t-il un ordinateur quantique idéal ou une machine NISQ bruitée ?
Type de circuit	Kernel quantique, circuit variationnel, annealing ou autre approche ?
Métriques	Précision, temps d’entraînement, nombre de qubits, profondeur du circuit ?
Reproductibilité	Le code, les données et les paramètres sont-ils disponibles ?

La littérature donne le vocabulaire, les grandes tendances et les questions ouvertes. Mais les notebooks restent indispensables : c’est en exécutant les circuits, en regardant les temps de calcul et en testant les limites que l’on comprend ce qui fonctionne réellement.

Comment apprendre en codant ?

Le passage à la pratique se fait très bien avec le dépôt Hands-On-Quantum-Machine-Learning-With-Python-Vol-1, qui accompagne le livre du même nom. Le dépôt rassemble des notebooks, des scripts et du code pédagogique pour apprendre le quantum machine learning en Python, avec environ 163 étoiles GitHub au moment où ce repère est généralement cité.

Le quantum machine learning, ou QML, consiste à utiliser des circuits quantiques dans des tâches proches du machine learning classique : classification, optimisation, représentation de données ou apprentissage variationnel. Le dépôt est utile parce qu’il ne se limite pas à montrer du code fini. Il propose des expériences modifiables, donc vous pouvez casser, relancer, comparer et comprendre.

Les notebooks sont particulièrement adaptés à cet apprentissage. Ils permettent d’exécuter le code cellule par cellule, de modifier un paramètre, d’observer immédiatement les sorties et de relier les formules au comportement réel du programme. C’est important en QML, car une petite variation dans un circuit, un nombre de qubits ou une méthode d’optimisation peut changer fortement le résultat.

Python joue ici le rôle de langage de travail. Il domine la data science parce qu’il sert à prototyper rapidement des modèles, manipuler des données et piloter des bibliothèques spécialisées, y compris des bibliothèques quantiques. Vous n’avez pas besoin d’en faire un langage “magique” : c’est surtout une interface pratique entre les données, les algorithmes et les expériences.

Une méthode simple évite de survoler le dépôt sans rien retenir :

• Cloner le dépôt localement pour garder une trace de vos modifications.
• Créer un environnement isolé afin de ne pas mélanger les dépendances Python.
• Exécuter un notebook sans rien changer pour vérifier que tout fonctionne.
• Modifier un seul paramètre à la fois, par exemple une taille de jeu de données ou un nombre d’itérations.
• Comparer les résultats avant et après modification.
• Noter les erreurs rencontrées, car elles indiquent souvent ce que vous ne maîtrisez pas encore.

# Workflow générique, sans API spécifique

donnees = charger_donnees("source")
donnees_preparees = preparer_donnees(donnees)

modele_ou_circuit = definir_modele(
    nombre_qubits=4,
    parametres_initiaux="aleatoires"
)

resultats_entrainement = entrainer(
    modele_ou_circuit,
    donnees_preparees
)

score = evaluer(
    modele_ou_circuit,
    donnees_preparees
)

afficher(score)

Après ces notebooks guidés, l’étape suivante consiste à affronter les contraintes des appareils quantiques actuels : bruit, faible nombre de qubits utiles, erreurs de mesure et temps d’exécution parfois imprévisibles.

Que valent les projets near term ?

Les projets near-term valent surtout pour une chose : tester les contraintes réelles des machines quantiques actuelles. Le domaine reste expérimental, mais c’est précisément pour cela qu’il est utile de manipuler des dépôts concrets plutôt que de rester sur des promesses abstraites.

Le dépôt Quantum-Machine-Learning-on-Near-Term-Quantum-Devices, avec environ 25 étoiles GitHub, entre dans cette catégorie. Il rassemble des projets pratiques pensés pour des appareils quantiques bruyants et limités en nombre de qubits. Un qubit est l’unité d’information quantique, l’équivalent conceptuel du bit classique, mais avec des propriétés comme la superposition.

Le terme near-term désigne les machines quantiques disponibles aujourd’hui, ou proches de l’être, avec peu de qubits, beaucoup de bruit et sans correction d’erreur complète. Le sigle NISQ, pour Noisy Intermediate-Scale Quantum, décrit cette génération de machines. John Preskill a popularisé ce terme dans Quantum 2, 79, 2018, une référence sérieuse pour comprendre le cadre scientifique derrière ces expérimentations.

Les exemples typiques du dépôt couvrent plusieurs familles utiles pour apprendre. Un SVM quantique reprend l’idée du Support Vector Machine, un modèle de classification qui cherche une marge séparant au mieux des classes. Un réseau convolutionnel quantique s’inspire des réseaux convolutionnels classiques, souvent utilisés en vision, qui traitent localement les données pour extraire des motifs. Le data re-uploading consiste à réinjecter plusieurs fois les données dans un circuit quantique paramétré, afin d’augmenter sa capacité d’expression.

Famille	Objectif	Intérêt pédagogique	Limite principale
SVM quantique	Classer des données avec une frontière de décision.	Comprendre les noyaux quantiques et la notion de marge.	Comparer équitablement avec un SVM classique reste difficile.
Réseaux convolutionnels quantiques	Extraire des motifs locaux dans les données.	Relier architectures classiques et circuits quantiques.	La profondeur du circuit augmente vite avec la taille des données.
Data re-uploading	Améliorer l’expressivité d’un circuit paramétré.	Voir comment les données sont encodées plusieurs fois.	Le bruit peut dégrader fortement l’apprentissage.

La bonne posture consiste à utiliser ces projets pour comprendre les limites, pas pour promettre un avantage quantique automatique. Les points à surveiller sont simples : taille du jeu de données, coût de simulation, bruit matériel, profondeur du circuit et comparaison avec un modèle classique simple. Sans cette comparaison, une démonstration quantique peut sembler impressionnante tout en faisant moins bien qu’une régression logistique ou qu’un SVM standard.

Quand passer à Qiskit ?

Il faut passer à Qiskit Machine Learning quand l’objectif n’est plus seulement d’apprendre les concepts, mais de construire des workflows plus robustes, testables et extensibles.

Le dépôt qiskit-machine-learning, disponible sur GitHub, tourne autour de 939 étoiles, un chiffre qui varie évidemment avec le temps. Ce n’est pas juste une collection de notebooks. C’est une bibliothèque complète de machine learning quantique intégrée à l’écosystème Qiskit, co-maintenu par IBM et Hartree Centre.

Le projet couvre les briques utiles pour aller au-delà des démonstrations isolées :

• Les kernels quantiques permettent de mesurer des similarités entre données avec un circuit quantique, puis de les utiliser dans des méthodes classiques comme les machines à vecteurs de support.
• Les quantum neural networks sont des modèles paramétrés inspirés des réseaux de neurones, mais dont une partie du calcul passe par un circuit quantique.
• Les classifieurs servent à prédire une catégorie, par exemple “fraude” ou “non fraude”.
• Les régresseurs servent à prédire une valeur numérique, par exemple un prix, un score ou une mesure physique.
• TorchConnector fait le pont avec PyTorch, ce qui permet d’utiliser certains modèles quantiques dans des pipelines PyTorch classiques.

Les sources les plus fiables restent la documentation officielle Qiskit Machine Learning, notamment pour les classes, les tutoriels et TorchConnector : https://qiskit-community.github.io/qiskit-machine-learning/. Le dépôt GitHub donne l’état réel du projet, les exemples et l’activité de maintenance : https://github.com/qiskit-community/qiskit-machine-learning.

La bonne séquence évite de commencer trop vite par l’outillage lourd. D’abord, awesome-quantum-machine-learning sert à cartographier le domaine. Ensuite, awesome-quantum-ml aide à remonter vers la littérature scientifique. Puis, les notebooks Python permettent de manipuler les circuits, les datasets et les premières métriques. Après cela, les projets “near-term”, c’est-à-dire adaptés aux machines quantiques actuelles encore bruitées, donnent une meilleure idée des contraintes matérielles. Enfin, Qiskit Machine Learning devient pertinent pour industrialiser l’apprentissage.

Ressource	Meilleur moment pour l’utiliser	Livrable attendu
Awesome-quantum-machine-learning	Début du parcours	Carte mentale du domaine
Awesome-quantum-ml	Lecture et veille scientifique	Liste d’articles à approfondir
Notebooks Python	Premiers tests pratiques	Expériences reproductibles
Projets near-term	Compréhension des limites matérielles	Prototype réaliste
Qiskit Machine Learning	Construction de workflows extensibles	Pipeline maintenable et intégrable

Le bon parcours alterne théorie, code et contraintes matérielles, sans confondre curiosité académique et capacité à produire un workflow exploitable.

Quel parcours allez-vous suivre maintenant ?

Pour apprendre le quantum machine learning sans vous disperser, je partirais d’une carte du domaine, puis d’une sélection d’articles, avant de passer aux notebooks Python et aux projets near-term. Qiskit Machine Learning arrive ensuite, quand vous voulez structurer des pipelines plus solides avec kernels, réseaux quantiques, classifieurs, régresseurs et intégration PyTorch. Cette progression a un avantage simple : vous comprenez d’abord le vocabulaire, puis les limites, puis les outils. Vous évitez les promesses vagues et vous construisez une compétence vérifiable, utile pour lire la recherche, tester des idées et décider si le sujet mérite du temps dans votre contexte.

FAQ

• Qu’est-ce que le quantum machine learning ?
  Le quantum machine learning regroupe des méthodes qui utilisent des concepts du calcul quantique pour résoudre ou explorer des tâches de machine learning, comme la classification, la régression ou la représentation des données. Le sujet reste très expérimental : l’objectif raisonnable est d’apprendre les modèles, les limites et les outils avant d’attendre un gain concret.
• Quel dépôt GitHub choisir en premier ?
  Le dépôt awesome-quantum-machine-learning est le meilleur point de départ pour cartographier le domaine. Il couvre les bases, les algorithmes, les kernels, les circuits variationnels, les limites matérielles et les bibliothèques. C’est utile avant de lire des articles ou d’installer des outils plus avancés.
• Faut-il connaître la physique quantique pour commencer ?
  Il faut comprendre quelques notions, mais pas commencer par toute la physique quantique. Les priorités sont les qubits, les circuits, la mesure, le bruit, puis les concepts de machine learning comme classification, régression, optimisation et métriques. Les listes awesome et les notebooks aident à progresser par étapes.
• Pourquoi les projets near-term sont-ils importants ?
  Les projets near-term montrent les contraintes des machines actuelles : peu de qubits, bruit, profondeur de circuit limitée et résultats parfois difficiles à comparer à des modèles classiques. Ils sont importants pour garder une vision réaliste du sujet et comprendre ce que les ressources matérielles permettent vraiment.
• Quand utiliser Qiskit Machine Learning ?
  Qiskit Machine Learning devient pertinent quand vous avez déjà les bases et que vous voulez construire des workflows plus structurés. La bibliothèque propose des kernels quantiques, des quantum neural networks, des classifieurs, des régresseurs et une intégration PyTorch via TorchConnector, ce qui facilite le passage du test pédagogique au pipeline plus robuste.

 

 

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 avec des références comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Mon approche : transformer des sujets techniques complexes en systèmes compréhensibles, mesurables et exploitables. Disponible pour aider votre entreprise à structurer ses projets data, automatisation et IA : contactez-moi.