Application du découpage de circuits quantiques pour la détection d'anomalies réseaux

La décomposition de circuit est une technique qui permet de couper un circuit quantique dans le but de l’exécuter sur une machine avec moins de qubit que ce que le circuit original demande. Dans les modèles d’apprentissage machine quantique, les jeux de donnés doivent être encodé sous forme d’états quantiques pour être utilisé pour l’entraînement. Des jeux de données trop volumineux sont difficiles à utiliser car après l’encodage, ils donnent lieu à des circuits quantiques trop grands qui font que leur entraînement prends un temps exponentiel par rapport à leur dimension. Dans cette contribution on applique la décomposition de circuit dans un jeu de données volumineux pour pouvoir exécuter l’entraînement avec moins de qubits. Nous utiliserons dans la démonstration le dataset de détection d’attaque réseau UNSW-NB15, qu’on mettra en entrée d’un modèle de réseau neuronal quantique hybride constitué d’une couche quantique et d’une couche classique, nous montrerons à travers nos expériences que le découpage de circuit quantique peut être une alternative intéressante pour la réduction de données en comparant trois modèles de circuits coupés à un circuit normal avec encodage par amplitude, et un circuit normal avec données réduites par analyse en composantes principales.