Apprentissage sur graphes quantique hybride pour la détection des vieilles forêts

Cette thèse s'inscrit dans le projet Q-FOREST, financé par l'initiative TIRIS et porté par les laboratoires IRIT et DYNAFOR. Elle bénéficie de l'infrastructure de calcul hybride quantique de la Maison Quantique Occitanie et du programme national HQI (France 2030). Les vieilles forêts, anciennes et matures, constituent des réservoirs remarquables de biodiversité. Elles représentent moins de 2 % de la surface forestière, mais leur cartographie est devenue une priorité de la Stratégie européenne pour la biodiversité et du Plan national d'actions « Vieux bois et forêts subnaturelles ». Le projet Q-FOREST vise à automatiser cette cartographie par le traitement à grande échelle de données de télédétection multimodales : orthophotographies infrarouge couleur de l'IGN, modèles de hauteur de canopée, LiDAR HD et cartes de biomasse. Une première thèse, débutée en 2025 au laboratoire DYNAFOR, aborde ce problème avec des méthodes d'apprentissage profond classiques. La présente thèse, menée en collaboration avec elle, explore l'apport des algorithmes hybrides quantiques-classiques. La détection repose sur des séries temporelles d'images de natures différentes, dont les plus anciennes remontent à 1950. Une condition nécessaire est la présence continue de la forêt depuis cette date, la maturité du peuplement étant ensuite caractérisée à partir des orthophotographies et des cartes de biomasse. Le problème revient donc à détecter, dans des séries d'images multimodales, des zones présentant une continuité temporelle. Le codage d'images en mémoire quantique étant particulièrement coûteux, la thèse privilégie l'apprentissage automatique quantique sur graphes. Cette représentation permet de fusionner les différentes sources comme attributs de nœuds ou d'arêtes sur un graphe spatial commun, et d'exprimer directement le critère de continuité sous forme de séries temporelles de graphes. Elle se prête aussi mieux à une implémentation quantique, les graphes s'appariant naturellement à la connectivité des qubits et à la structure des portes d'intrication. Quatre familles de réseaux de neurones quantiques sur graphes seront étudiées : architectures à hamiltonien de graphe, à marches quantiques, à états graphes, et noyaux quantiques pour la classification SVM. Elles seront évaluées pour une exécution sur les processeurs quantiques actuels, bruités et limités en profondeur (NISQ), et sur les futures machines tolérantes aux fautes (FTQC). La thèse répondra à trois questions : peut-on concevoir un modèle hybride quantique-classique résolvant le problème de détection de Q-FOREST ? Si oui, existe-t-il une solution à court terme (NISQ) et à long terme (FTQC) ? Une approche quantique apporte-t-elle un avantage par rapport à un réseau de neurones sur graphes classique ? Après une formation au calcul quantique et un état de l'art, un modèle GNN classique de référence sera développé. Un modèle quantique pour architecture FTQC sera ensuite conçu et testé sur émulateur avec des jeux de données synthétiques réduits, puis un modèle adapté aux architectures NISQ sera implémenté sur simulateurs et matériel réel, et comparé aux approches classiques. Les résultats seront publiés dans les conférences et revues du domaine et partagés au sein du réseau HQI/Maisons du Quantique. École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Direction : Katia JAFFRES-RUNSER Financement : Financement d'un établissement public Français