Comment apprendre le quantum machine learning sur GitHub ?

En combinant cartographie, lectures scientifiques, notebooks Python, projets NISQ et Qiskit. GitHub peut devenir un vrai parcours d’apprentissage du quantum machine learning, à condition de ne pas empiler les dépôts au hasard.

Par où commencer ?

Il faut commencer par cartographier le domaine avant d’écrire du code. Le quantum machine learning, ou QML, combine des méthodes de machine learning avec des circuits quantiques, c’est-à-dire des programmes qui manipulent des qubits au lieu de simples bits classiques. Le risque principal, au début, consiste à se perdre entre algorithmes, bibliothèques, matériel quantique et articles de recherche.

Le dépôt awesome-quantum-machine-learning est utile parce qu’il fonctionne comme une table des matières du domaine. Il regroupe des ressources sur les bases du QML, les algorithmes, les bibliothèques, les matériels et les grandes sous-thématiques : kernels quantiques, circuits variationnels, apprentissage supervisé quantique, optimisation, limites matérielles. Sa licence CC0-1.0 indique que la liste est pensée comme une ressource ouverte et réutilisable, avec une logique proche du domaine public.

Quelques termes reviennent très vite. Un kernel quantique sert à projeter des données dans un espace de caractéristiques via un circuit quantique, afin de mesurer des similarités difficiles à représenter avec des méthodes classiques. Un circuit variationnel est un circuit paramétré que l’on entraîne comme un modèle de machine learning : on ajuste ses paramètres pour minimiser une erreur. Le matériel quantique actuel reste limité par le bruit, c’est-à-dire les erreurs physiques qui perturbent les calculs, et par le faible nombre de qubits réellement exploitables. On parle souvent de machines NISQ, pour “Noisy Intermediate-Scale Quantum”, soit des ordinateurs quantiques encore bruités et de taille intermédiaire.

La bonne méthode n’est pas de tout lire. Je conseille de parcourir les sections du dépôt, de repérer les mots-clés qui reviennent souvent, de noter les bibliothèques comme PennyLane, Qiskit ou Cirq, puis de classer les sujets en trois piles :

• À comprendre : Les concepts qui reviennent partout, comme qubit, circuit, mesure, kernel et circuit variationnel.
• À tester : Les bibliothèques avec exemples reproductibles et notebooks simples.
• À ignorer pour l’instant : Les articles trop théoriques ou les sujets liés au matériel avancé.

L’objectif est de construire une carte mentale, pas de transformer GitHub en tunnel de lecture.

Objectif	Comprendre les grandes familles du QML avant de coder.
Usage recommandé	Parcourir le dépôt, extraire les mots-clés, choisir une bibliothèque et un premier exemple simple.
Erreur à éviter	Lire toutes les ressources dans l’ordre sans pratiquer ni filtrer les sujets trop avancés.

Quels articles lire ?

Il faut lire peu d’articles, mais les choisir avec méthode. Le dépôt awesome-quantum-ml est utile pour ça : il ressemble moins à une liste fourre-tout qu’à une sélection orientée vers des articles scientifiques, des surveys et des ressources académiques plus solides.

Cette ressource convient surtout après une première cartographie du domaine. Avant de vous y plonger, mieux vaut déjà comprendre les bases : un qubit, c’est l’unité d’information quantique ; un circuit quantique, c’est une suite d’opérations appliquées à des qubits ; l’optimisation sert à ajuster les paramètres d’un modèle ; la classification prédit une catégorie ; la régression prédit une valeur ; la validation mesure si le modèle généralise au-delà des données d’entraînement.

Un survey est un article de synthèse. Il résume un champ de recherche, ses méthodes, ses limites, ses résultats et les questions encore ouvertes. Dans un domaine aussi jeune que le quantum machine learning, c’est souvent le meilleur point d’entrée.

Une méthode simple fonctionne bien :

• Commencer par les surveys pour comprendre le vocabulaire et les grandes familles d’approches.
• Extraire les concepts qui reviennent souvent : circuits variationnels, encodage des données, kernels quantiques, bruit matériel.
• Repérer les jeux de données utilisés, car beaucoup d’articles restent sur des exemples très contrôlés.
• Noter les métriques de performance : précision, erreur, temps d’entraînement, nombre de qubits, profondeur du circuit.
• Lire ensuite les papiers spécialisés, seulement quand leur question de recherche est claire.

Le projet accepte aussi des contributions via pull requests. Une pull request est une proposition de modification soumise à un dépôt GitHub. C’est pratique pour suivre l’évolution du domaine et repérer les ressources que la communauté juge suffisamment utiles pour les ajouter.

Le point de vigilance est important : ne confondez pas résultat expérimental, simulation et preuve d’avantage quantique. Beaucoup de travaux QML explorent des pistes prometteuses, mais ne démontrent pas encore un gain business ou technique immédiat sur des cas réels.

Question à se poser	Pourquoi elle compte	Exemple de réponse attendue
Est-ce un survey ou un papier spécialisé ?	Le niveau de lecture n’est pas le même.	Survey général sur les circuits variationnels.
Les résultats viennent-ils d’une simulation ou d’un vrai matériel quantique ?	Une simulation ne prouve pas un avantage pratique.	Simulation sur petit jeu de données.
Quelle métrique est utilisée ?	Sans métrique claire, la comparaison est faible.	Accuracy, erreur moyenne, temps de calcul.
Le code ou les données sont-ils disponibles ?	La reproductibilité dépend de ces éléments.	Dépôt GitHub avec notebook et dataset.

Comment pratiquer avec Python ?

Il faut exécuter des notebooks, modifier les paramètres et observer ce qui change. Le dépôt Hands-On-Quantum-Machine-Learning-With-Python-Vol-1 est associé à un livre et organisé en chapitres, avec des notebooks prêts à lancer. C’est un bon format si vous apprenez mieux en codant qu’en lisant uniquement de la théorie.

Un notebook est un environnement interactif où l’on mélange du texte, du code Python, des résultats et des visualisations dans un même fichier. En QML, pour Quantum Machine Learning, c’est particulièrement pratique : vous pouvez tester un circuit quantique, changer le nombre de couches, modifier un optimiseur, c’est-à-dire l’algorithme qui ajuste les paramètres du modèle, puis comparer une prédiction sans reconstruire tout un projet.

La progression la plus efficace reste simple. Installez l’environnement Python demandé par le dépôt, lancez les notebooks sans modification, puis relisez les cellules importantes. Ensuite, changez un seul paramètre à la fois. Par exemple, augmentez le nombre de qubits, modifiez le taux d’apprentissage ou remplacez l’optimiseur. Notez ce qui change dans la perte, les prédictions ou les graphiques. Le vrai apprentissage commence quand vous comprenez les sorties, pas quand toutes les cellules passent au vert.

Voici le type de squelette que vous pouvez créer pour vérifier que vous comprenez la logique générale. Il reste illustratif et ne démontre aucun avantage quantique.

import pennylane as qml
import numpy as np

# Données simples : deux exemples avec deux variables chacun.
X = np.array([[0.1, 0.2], [0.8, 0.7]])
y = np.array([0, 1])

# Simulateur quantique local avec deux qubits.
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def circuit(x, weights):
    # Encodage des données dans le circuit.
    qml.RY(x[0], wires=0)
    qml.RY(x[1], wires=1)

    # Couche paramétrée entraînable.
    qml.RX(weights[0], wires=0)
    qml.RX(weights[1], wires=1)
    qml.CNOT(wires=[0, 1])

    return qml.expval(qml.PauliZ(0))

def predict(x, weights):
    return circuit(x, weights)

def loss(weights):
    preds = np.array([predict(x, weights) for x in X])
    return np.mean((preds - y) ** 2)

weights = np.array([0.01, 0.02], requires_grad=True)
opt = qml.GradientDescentOptimizer(stepsize=0.1)

for step in range(20):
    weights = opt.step(loss, weights)
    print("Étape", step, "perte", loss(weights))

Dans un notebook, avancez avec une logique d’expérience contrôlée. Une seule modification à la fois suffit souvent à comprendre un mécanisme.

Action	Objectif
Exécuter	Vérifier que l’environnement fonctionne et obtenir un résultat de référence.
Modifier	Changer un paramètre précis, comme le nombre de couches ou le taux d’apprentissage.
Comparer	Observer l’impact sur la perte, les prédictions ou les visualisations.
Documenter	Noter les hypothèses, les résultats et les erreurs pour progresser sans tourner en rond.

Quels projets tester ?

Il faut tester des projets pensés pour les machines quantiques actuelles, pas pour un matériel idéal. Le dépôt Quantum-Machine-Learning-on-Near-Term-Quantum-Devices est intéressant pour cette raison : il regroupe des projets pratiques orientés vers les dispositifs quantiques de proche terme, donc vers les contraintes que vous rencontrerez vraiment en QML, pour Quantum Machine Learning.

Le terme NISQ, pour Noisy Intermediate-Scale Quantum, a été popularisé par John Preskill en 2018 dans son article publié dans Quantum. Il désigne des machines quantiques intermédiaires, bruitées, encore limitées, mais déjà utilisables pour expérimenter. Cette limite matérielle change tout : la profondeur de circuit doit rester faible, le bruit perturbe les mesures, le nombre de qubits reste contraint, les résultats peuvent varier d’une exécution à l’autre, et le coût d’exécution augmente vite sur du vrai hardware.

Ce type de dépôt permet de tester plusieurs familles de modèles utiles pour comprendre le QML sans rester dans une simulation trop propre :

• SVM quantiques : Un SVM, pour Support Vector Machine, classe des données en cherchant une frontière de décision entre plusieurs catégories. La version quantique utilise un circuit pour calculer ou approximer une représentation des données.
• CNN quantiques : Un CNN, pour Convolutional Neural Network, est un réseau conçu pour extraire des motifs, par exemple dans des images. Une version quantique adapte cette logique avec des circuits paramétrés.
• Data re-uploading : Le principe consiste à injecter plusieurs fois les mêmes données dans un circuit quantique afin d’augmenter sa capacité expressive, c’est-à-dire sa capacité à représenter des relations plus complexes.

L’intérêt pédagogique est clair : ces projets vous forcent à regarder les contraintes réelles du hardware, pas seulement la précision finale affichée dans un notebook. Mon réflexe consiste à comparer systématiquement chaque résultat avec un modèle classique simple, comme une régression logistique, un SVM classique ou un petit réseau dense. Avant d’interpréter un gain QML, il faut vérifier que le modèle quantique bat au moins une baseline raisonnable.

Profil	Projet à tester	Objectif principal
Débutant avancé	SVM quantique	Comprendre l’encodage des données et la frontière de décision.
Profil data scientist	Data re-uploading pour classification	Comparer proprement performance, généralisation et baseline classique.
Profil ingénieur ML	CNN quantique	Étudier les circuits paramétrés, le bruit et les limites de scalabilité.

Quand passer à Qiskit ?

Il faut passer à Qiskit quand l’objectif devient de construire des workflows QML robustes, réutilisables et proches d’un usage professionnel. Qiskit-machine-learning est une bibliothèque complète de machine learning quantique, intégrée à l’écosystème Qiskit, co-maintenu par IBM et le Hartree Centre.

Son intérêt n’est pas seulement de lancer un circuit quantique dans un notebook. Il sert à organiser un vrai pipeline, c’est-à-dire une chaîne reproductible qui va de la préparation des données à l’entraînement, l’évaluation et l’exploitation du modèle. Cette logique devient indispensable dès que l’on quitte le notebook exploratoire, où tout est souvent mélangé : chargement des données, tests rapides, métriques partielles et code difficile à rejouer.

Les briques principales couvrent les cas d’usage QML les plus courants :

• Kernels quantiques : Ils transforment les données dans un espace quantique pour mesurer des similarités, souvent utilisées avec des méthodes comme les SVM, ou machines à vecteurs de support.
• Réseaux neuronaux quantiques : Ils utilisent des circuits paramétrés, dont certains paramètres sont optimisés comme les poids d’un réseau neuronal classique.
• Classifieurs : Ils prédisent une catégorie, par exemple distinguer deux types de signaux ou deux classes d’images simplifiées.
• Régressions : Elles prédisent une valeur continue, comme un score, une mesure physique ou une variable numérique.

Qiskit Machine Learning devient aussi intéressant grâce à son interopérabilité avec PyTorch via TorchConnector. PyTorch est l’un des frameworks les plus utilisés pour le deep learning, notamment en recherche et en prototypage. TorchConnector permet d’insérer un composant quantique dans une architecture d’apprentissage classique, par exemple un modèle hybride avec des couches neuronales standards et un circuit quantique paramétré.

La progression la plus saine reste graduelle. Commencez avec une liste awesome pour comprendre le terrain, lisez des surveys pour stabiliser les concepts, pratiquez avec des notebooks Python, testez des projets NISQ, puis passez à Qiskit Machine Learning pour construire des pipelines plus avancés. NISQ signifie Noisy Intermediate-Scale Quantum : ce sont les machines quantiques actuelles, encore bruitées et limitées, mais utiles pour expérimenter.

Dépôt	Rôle	Niveau conseillé	Meilleur usage	Piège à éviter
Awesome QML	Cartographie des ressources	Débutant	Repérer livres, cours, papiers et bibliothèques	Accumuler les liens sans pratiquer
Surveys QML	Stabilisation théorique	Débutant avancé	Comprendre les familles de méthodes	Lire trop tôt des papiers très techniques
Notebooks Python	Pratique guidée	Intermédiaire	Manipuler circuits, données et métriques	Copier sans modifier les exemples
Projets NISQ	Expérimentation réaliste	Intermédiaire	Tester les limites du matériel actuel	Confondre démonstration et avantage quantique
Qiskit Machine Learning	Pipelines QML avancés	Intermédiaire à avancé	Construire des modèles réutilisables	Y aller avant de maîtriser les bases Python et Qiskit

Quel dépôt GitHub choisir en premier ?

Le bon choix dépend de votre niveau, mais l’ordre compte. Je commencerais par awesome-quantum-machine-learning pour comprendre le paysage, puis awesome-quantum-ml pour structurer une veille scientifique sérieuse. Ensuite, les notebooks Python permettent de passer de la théorie à la pratique, avant de tester des projets NISQ plus proches des contraintes réelles. Qiskit Machine Learning devient pertinent quand vous voulez construire des pipelines propres et extensibles. Cette progression évite de confondre curiosité technologique et compétence opérationnelle. Le bénéfice pour vous : apprendre le QML plus vite, avec moins de bruit et de meilleurs repères.

FAQ

• Faut-il connaître la physique quantique pour apprendre le quantum machine learning ?
  Il faut connaître les bases, mais pas commencer par un doctorat en physique. Les notions utiles au départ sont les qubits, les portes quantiques, les circuits, la mesure et le bruit. Pour progresser en QML, il faut aussi de bonnes bases en machine learning : classification, régression, optimisation et validation de modèle.
• Quel dépôt GitHub utiliser en premier pour débuter ?
  Le plus logique est de commencer par awesome-quantum-machine-learning. Il sert de carte du domaine et aide à identifier les sujets importants : kernels quantiques, circuits variationnels, bibliothèques, hardware et limites actuelles. C’est une bonne porte d’entrée avant de lire des articles ou d’exécuter du code.
• Quelle différence entre QML théorique et projets NISQ ?
  Le QML théorique explore les modèles, les propriétés mathématiques et les promesses d’avantage quantique. Les projets NISQ, pour Noisy Intermediate-Scale Quantum, travaillent avec les limites des machines actuelles : bruit, peu de qubits, circuits peu profonds et résultats parfois instables. Les deux approches sont complémentaires.
• Qiskit Machine Learning est-il adapté à un usage professionnel ?
  Oui, surtout pour construire des workflows QML structurés. La bibliothèque propose des kernels quantiques, des réseaux neuronaux quantiques, des classifieurs, des régressions et une intégration avec PyTorch via TorchConnector. Elle reste cependant à utiliser avec méthode : comparer avec des modèles classiques reste indispensable.
• Le quantum machine learning donne-t-il déjà de meilleurs résultats que le machine learning classique ?
  Pas de manière générale. Beaucoup de travaux QML sont encore exploratoires, et les machines quantiques actuelles sont bruitées et limitées. Le bon réflexe est de traiter le QML comme un champ d’expérimentation sérieux, pas comme une solution miracle. Tout résultat doit être comparé à un modèle classique simple et reproductible.

 

 

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 pour des références comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Disponible pour aider votre entreprise à structurer ses projets data, automatisation et IA : contactez-moi.