Wikipédia

Ewin Tang

chercheuse américaine en informatique théorique

Ewin Tang est une chercheuse américaine en informatique théorique née en 2000, spécialisée en informatique quantique et docteure de l'Université de Washington. Sa découverte en 2018, à l'âge de 18 ans, d'algorithmes applicables par des ordinateurs classiques et capables d'effectuer des calculs jusque-là jugés uniquement réalisables par des ordinateurs quantiques lui a valu une reconnaissance scientifique exceptionnellement précoce.

Ewin Tang
une illustration sous licence libre serait bienvenue
Biographie
Naissance
Nationalité
Formation
Activité
Autres informations
Site web

modifier - modifier le code - modifier WikidataDocumentation du modèle

Débuts

modifier

Dès 2014, Ewin Tang publie ses premiers travaux de recherche dans le domaine de la technologie biomédicale. Ils portent sur l'imagerie in vivo par sondes optiques de macrophages polarisés lors de réactions à des corps étrangers[pub 1], d'infections bactériennes[pub 2] ou de dépôts de fibrine [pub 3], et sur la détection en temps réel de la réponse des neutrophiles[pub 4]. Elle saute les trois dernières classes du lycée et intègre à 14 ans l'Université du Texas à Austin[1]. En 2017, elle est repérée par le professeur Scott Aaronson, spécialiste de l'informatique quantique, qui lui propose de réaliser un projet de recherche sous sa direction en lui laissant le choix du sujet parmi plusieurs problèmes ouverts difficiles.Tang choisit le problème de recommandation.

Recherche en informatique quantique

modifier

Avant les résultats d'Ewin Tang, les meilleurs algorithmes classiques connus résolvant certains problèmes d'algèbre linéaire étaient exponentiellement plus lents, sous certaines hypothèses, que le meilleur algorithme quantique pour le même problème. En s'inspirant de la solution quantique basée sur l'algorithme de Harrow, Hassidim et Lloyd (HHL), Tang a découvert[pub 5],[pub 6],[pub 7] des algorithmes classiques résolvant ces problèmes en un temps similaire à celui des algorithmes quantiques, sous des hypothèses similaires, les "déquantifiant" ainsi et apportant une amélioration exponentielle par rapport aux meilleurs algorithmes classiques connus.

La première publication d'Ewin Tang en informatique quantique est son mémoire de premier cycle universitaire (en deux disciplines : informatique et mathématiques pures) de 2018 intitulé Un algorithme classique d'inspiration quantique pour les systèmes de recommandation[pub 5], sous la direction de Scott Aaronson. Ce travail détaille un nouvel algorithme qui résout le problème de recommandation ; par exemple, comment Amazon ou Netflix prédisent-ils quels livres ou films un consommateur spécifique appréciera personnellement ? L'algèbre linéaire permet d'appréhender le problème ainsi : étant donné m utilisateurs et n produits, ainsi que des données incomplètes sur les produits que les utilisateurs préfèrent (organisées dans une structure d'arbre binaire) ; en supposant qu'il n'y a pas beaucoup de façons différentes dont les utilisateurs classent leurs préférences (la matrice des préférences est donc de faible rang), quels sont les produits qu'un utilisateur donné peut vouloir acheter? Une stratégie classique d'algébrique linéaire pour résoudre ce problème consiste à reconstruire une approximation de la matrice de préférence complète et à l'utiliser pour prédire le prochain produit préféré. Une telle stratégie nécessite un temps au moins polynomial en la dimension de la matrice. En 2016, Iordanis Kerenidis et Anupam Prakash ont trouvé un algorithme quantique exponentiellement plus rapide ; cet algorithme utilise l'algorithme HHL pour échantillonner le produit directement à partir d'une approximation de la matrice de préférence sans reconstruire la matrice elle-même, évitant ainsi la limite polynomiale mentionnée ci-dessus. L'algorithme classique de Tang, inspiré de l'algorithme quantique rapide de Kerenidis et Prakash, est capable d'effectuer les mêmes calculs mais sur un ordinateur normal sans avoir besoin d'un apprentissage automatique quantique. Les deux approches fonctionnent en temps polylogarithmique, ce qui signifie que le temps de calcul total est seulement de l'ordre d'une puissance du logarithme des variables du problème telles que le nombre total de produits et d'utilisateurs. La différence est que Tang utilise une réplication classique des techniques d'échantillonnage quantique. Avant ce résultat, il était généralement admis qu'aucun algorithme classique rapide n'existait ; Kerenidis et Prakash n'ont pas tenté d'étudier la solution classique, et le travail assigné à Tang par Aaronson à l'origine était de prouver son inexistence[1]. Ewin Tang présente ses travaux les 18 et 19 juin 2018 à un atelier d'informatique quantique où Kerenidis et Prakash sont présents[2]. Après quatre heures de discussion, les chercheurs sont convaincus de la validité de l'algorithme classique de Tang.

La même année, elle commence son doctorat en informatique théorique à l'Université de Washington sous la direction de James Lee[1]. Elle poursuit ses recherches et généralise le résultat ci-dessus, en déquantifiant d'autres problèmes d'apprentissage automatique quantique basés sur l'algorithme HHL : analyse en composantes principales [pub 6] et régression stochastique de faible rang[pub 7].

Impact

modifier

Le résultat prouvé par Ewin Tang suscite de nombreuses réactions. On considère généralement que son algorithme classique aussi performant qu'un algorithme quantique pour le problème de recommandation élimine l'un des meilleurs exemples d'accélération quantique[1],[3],[4],[5]. Certains chercheurs en tirent cependant des conclusions positives pour l'informatique quantique, comme Robert Young (directeur du Quantum Technology Centre de l'Université de Lancaster), qui rappelle que « Si nous n'avions pas investi dans l'informatique quantique, l'algorithme quantique qui a inspiré [Ewin] Tang n'aurait pas existé ».

Ewin Tang est nommée par le magazine Forbes dans sa liste annuelle (pour 2019) des 30 scientifiques américains de moins de 30 ans les plus influents[6].

Notes et références

modifier
Publications
  1. ↑ Baker, Zhou, Tsai et Patty, « Development of optical probes for in vivo imaging of polarized macrophages during foreign body reactions », Acta Biomaterialia, vol. 10, no 7,‎ , p. 2945–2955 (ISSN 1742-7061, PMID 24726956, PMCID 4041819, DOI 10.1016/j.actbio.2014.04.001)
  2. ↑ Tang, Nair, Baker et Hu, « In Vivo Imaging of Infection Using a Bacteria-Targeting Optical Nanoprobe », Journal of Biomedical Nanotechnology, vol. 10, no 5,‎ , p. 856–863 (ISSN 1550-7033, PMID 24734538, PMCID 5033601, DOI 10.1166/jbn.2014.1852)
  3. ↑ Tsai, Zhou, Weng et Tang, « Optical imaging of fibrin deposition to elucidate participation of mast cells in foreign body responses », Biomaterials, vol. 35, no 7,‎ , p. 2089–2096 (ISSN 0142-9612, PMID 24342726, PMCID 3934503, DOI 10.1016/j.biomaterials.2013.11.040)
  4. ↑ (en) Zhou, Zhou, Tsai et Weng, « Real-time detection of implant-associated neutrophil responses using a formyl peptide receptor-targeting NIR nanoprobe », International Journal of Nanomedicine, vol. 7,‎ , p. 2057–68 (ISSN 1178-2013, PMID 22619542, PMCID 3356202, DOI 10.2147/ijn.s29961)
  5. ↑ a et b Ewin Tang, Proceedings of the 51st Annual ACM SIGACT Symposium on Theory of Computing - STOC 2019, , 217–228 p. (ISBN 9781450367059, DOI 10.1145/3313276.3316310, arXiv 1807.04271), « A quantum-inspired classical algorithm for recommendation systems »
  6. ↑ a et b Ewin Tang, « Quantum-inspired classical algorithms for principal component analysis and supervised clustering », arXiv,‎ (lire en ligne)
  7. ↑ a et b András Gilyén, Seth Lloyd et Ewin Tang, « Quantum-inspired low-rank stochastic regression with logarithmic dependence on the dimensions », arXiv,‎ (lire en ligne)
Notes
Références
  1. ↑ a b c et d « Teenager Finds Classical Alternative to Quantum Recommendation Algorithm | Quanta Magazine » (consulté le )
  2. ↑ (en) « Challenges in Quantum Computation | Simons Institute for the Theory of Computing », simons.berkeley.edu (consulté le )
  3. ↑ (en-US) « A Student Took Down One of Quantum Computing's Top Applications—Now What? », (consulté le )
  4. ↑ (en-GB) « The race to make the world's most powerful computer ever », (consulté le )
  5. ↑ (en-US) « Maybe We Don't Need Quantum Computing After All - Developer.com », www.developer.com (consulté le )
  6. ↑ (en) « Ewin Tang », Forbes (consulté le )

Liens externes

modifier
Ce document provient de « https://fr.wiki.x.io/w/index.php?title=Ewin_Tang&oldid=218512716 ».