Dans cet article, nous étudions des modèles d'apprentissage automatique basés sur des circuits probabilistes en utilisant le cadre de la théorie de l'information quantique. Les circuits probabilistes sont apparus comme une classe attractive de modèles génératifs permettant la délimitation en temps polynomial de variables aléatoires par imbrication récursive de sommes et de produits. Dans ce travail, nous présentons les circuits unitaires positifs (PUnC), qui généralisent l'évaluation de circuits pour les probabilités réelles positives à l'évaluation de circuits pour les matrices semi-définies positives. Par conséquent, les PUnC généralisent non seulement les circuits probabilistes, mais aussi une classe de circuits tels que les circuits PSD, introduits récemment.
