L’apprentissage de la structure des réseaux bayésiens est un problème NP-difficile qui a été abordé par plusieurs méthodes traditionnelles au cours des dernières décennies. Actuellement, les technologies quantiques offrent une large gamme d’avantages pouvant être exploités pour résoudre des tâches d’optimisation qui ne peuvent pas être traitées de manière efficace avec des approches de calcul classiques.
Dans ce travail, un type spécifique d’algorithme quantique variationnel, l’algorithme d’optimisation approximative quantique, a été utilisé pour résoudre le problème de l’apprentissage de la structure des réseaux bayésiens, en utilisant 3n(n − 1)/2 qubits, où n est le nombre de nœuds dans le réseau bayésien à apprendre.
Nos résultats ont montré que l’approche de l’algorithme d’optimisation approximative quantique offre des résultats compétitifs par rapport aux méthodes de pointe et une résilience quantitative au bruit quantique. Cette approche a été appliquée à un problème de référence sur le cancer, et les résultats ont justifié l’utilisation des algorithmes quantiques variationnels pour résoudre le problème de l’apprentissage de la structure des réseaux bayésiens.