Microalgorithm Technology (NASDAQ : MLGO) utilise la transformée de Fourier quantique (QFT) pour améliorer l'efficacité de la compression d'images et du filtrage.

Dans la vague de fusion profonde entre intelligence artificielle et calcul quantique, les techniques traditionnelles de traitement d’images font face à des limites d’efficacité. La transformée de Fourier classique (DFT), bien qu’elle permette de convertir une image du domaine spatial au domaine fréquentiel pour la compression et le filtrage, voit sa complexité de calcul croître exponentiellement avec la taille des données, rendant difficile la réalisation en temps réel. Le calcul quantique, grâce à ses propriétés de superposition et d’intrication, offre une percée pour le traitement d’images haute fréquence. Micro Algorithm Technologies (NASDAQ : MLGO) a rapidement saisi le potentiel de la transformée de Fourier quantique (QFT) — version quantique de la DFT classique — qui peut effectuer la conversion en domaine fréquentiel en temps polynomial, augmentant ainsi l’efficacité de compression d’images de manière exponentielle, tout en optimisant la précision du filtrage grâce à la parallélisation quantique. Cette avancée technologique fournit des solutions efficaces pour la télédétection haute résolution, l’analyse d’images médicales, et d’autres scénarios.

La transformée de Fourier quantique (QFT) est l’algorithme central pour la conversion entre domaines temporel et fréquentiel en calcul quantique. Son principe consiste à utiliser la superposition et l’interférence des états quantiques pour mapper l’information de phase d’un état quantique d’entrée du domaine spatial vers le domaine fréquentiel. Mathématiquement, la QFT pour un état de n qubits est définie comme :

[formule]

Comparée à la DFT classique, la sortie de la QFT est un état de superposition quantique, dont la distribution de probabilité doit être mesurée pour être extraite. Son avantage principal réside dans l’utilisation de la parallélisation quantique, réduisant la complexité de O(n2^n) de la DFT classique à O(n^2), tout en réalisant la superposition cohérente via des portes de rotation de phase, ce qui dépasse la limite linéaire des opérations de multiplication et d’addition complexes en nombres complexes classiques. Micro Algorithm Technologies intègre la QFT dans le traitement d’images en concevant des circuits quantiques permettant d’encoder efficacement les données d’image en états quantiques, réalisant ainsi la compression et le filtrage dans le domaine fréquentiel.

L’encodage d’états quantiques : les données d’images classiques doivent d’abord être converties en états quantiques. Micro Algorithm Technologies utilise une combinaison d’encodage par amplitude et par angle, mappant les valeurs de pixels en amplitudes ou en angles de rotation de qubits. Par exemple, une image médicale de 256×256 pixels, après réduction de dimension par analyse en composantes principales, est encodée en un état quantique de 8 qubits, chaque qubit portant une partie des caractéristiques de l’image.

Construction du circuit QFT : l’état quantique encodé est introduit dans un circuit quantique paramétré (PQC). Le PQC de Micro Algorithm Technologies adopte une structure variationnelle en couches, chaque couche comprenant des portes de rotation sur un seul qubit (Rx, Ry, Rz) et des portes de phase contrôlées à deux qubits (CROT). Les paramètres de rotation sont ajustés dynamiquement par un optimiseur classique pour une transformation adaptative de l’espace de caractéristiques ; les portes CROT renforcent la corrélation des caractéristiques via l’intrication quantique. Par exemple, lors du traitement d’images satellitaires, le PQC peut capturer automatiquement les caractéristiques périodiques des textures terrestres, difficiles à modéliser explicitement dans l’espace classique.

Opérations en domaine fréquentiel et filtrage : après la QFT, qui convertit l’état quantique du domaine spatial au domaine fréquentiel, Micro Algorithm Technologies réalise le filtrage en mesurant l’état quantique. Pour la compression, le système identifie et élimine les composantes de bruit haute fréquence, conservant les structures basse fréquence ; pour le renforcement des contours, il utilise un filtre passe-haut pour accentuer les détails haute fréquence. Par exemple, dans le contrôle qualité industriel, la QFT permet de distinguer précisément les défauts microscopiques sur la surface des puces, en séparant le signal de défaut du bruit de fond, augmentant le rapport signal/bruit de 40 % après filtrage.

Décodage hybride quantique-classique : l’état quantique filtré doit être converti en données classiques via une mesure. Micro Algorithm Technologies utilise une méthode d’échantillonnage répété, exécutant plusieurs fois le même circuit quantique pour obtenir une distribution de probabilité moyenne, qui sert de prédiction finale. Par ailleurs, en réduisant le nombre de portes à deux qubits grâce à une conception de circuit dynamique, la complexité d’un circuit de 16 qubits passe de O(n^2) à O(n). Des expérimentations sur du matériel quantique supraconducteur d’IBM ont montré que cette conception permettait d’atteindre une fidélité de processus supérieure à 50 %.

La technologie d’analyse en composantes principales quantique (QPCA) de Micro Algorithm Technologies, grâce à la parallélisation quantique, accélère exponentiellement le calcul, permettant d’extraire en temps polynomial les principales composantes d’images haute dimension, avec une efficacité plusieurs ordres de grandeur supérieure à celle de la PCA classique. La propriété de l’espace de Hilbert quantique permet de capturer des caractéristiques complexes difficiles à découvrir avec des modèles classiques, tout en maintenant une haute stabilité dans des scénarios à peu d’échantillons ou avec du bruit. La conception de circuits dynamiques et le codage d’erreur réduisent considérablement la complexité de calcul, renforçant la résistance au bruit et la robustesse.

À l’avenir, avec l’amélioration des performances du matériel quantique et l’innovation algorithmique, la technologie QPCA de Micro Algorithm Technologies (NASDAQ : MLGO) accélérera sa mise en pratique et sa démocratisation. L’augmentation du nombre de qubits et l’amélioration de la correction d’erreurs permettront de traiter en temps réel des images ultra-haute définition 4K/8K, pour la perception en conduite autonome ou la prise de décision robotique industrielle ; associée à des modèles génératifs, elle pourra également réaliser une extraction de caractéristiques auto-supervisée dans des analyses médicales multimodales ou la détection de fraude financière avec peu d’échantillons. La construction d’une plateforme d’images quantiques universelle favorisera la diffusion de cette technologie, en la combinant avec le calcul en périphérie pour former un réseau collaboratif cloud-edge, et ainsi établir une infrastructure d’intelligence quantique couvrant de nombreux secteurs, menant le calcul mondial vers une nouvelle ère « quantique prioritaire ».