Mais les portes quantiques introduisent du bruit, ce qui peut nuire aux performances d'une machine quantique.

Des chercheurs du MIT et d'autres institutions s'efforcent de résoudre ce problème en développant une technique qui rend le circuit quantique lui-même résistant au bruit. (Il s'agit plus précisément de circuits quantiques « paramétrés » contenant des portes quantiques accordables.) L'équipe a créé un cadre permettant d'identifier le circuit quantique le plus robuste pour une tâche de calcul donnée et de générer un modèle de mappage adapté aux qubits d'un dispositif quantique spécifique.

Leur méthode, appelée QuantumNAS (recherche adaptative au bruit), est beaucoup moins gourmande en ressources de calcul que les autres méthodes de recherche et permet d'identifier des circuits quantiques qui améliorent la précision des tâches d'apprentissage automatique et de chimie quantique. Lorsque les chercheurs ont utilisé cette technique pour identifier des circuits quantiques pour de véritables dispositifs quantiques, les circuits obtenus ont surpassé ceux générés par d'autres méthodes.

« L'idée clé est que, sans cette technique, nous devrions tester chaque architecture de circuit quantique et chaque scénario de mappage dans l'espace de conception, les entraîner, les évaluer, et si le résultat n'est pas satisfaisant, nous devrions les abandonner et recommencer. Mais grâce à cette méthode, nous pouvons obtenir simultanément de nombreux circuits et stratégies de mappage différents sans avoir à les entraîner de multiples fois », explique Song Han, professeur associé au département de génie électrique et informatique (EECS) et auteur principal de l'article.

Outre Han, les principaux auteurs de cette étude sont Hanrui Wang et Yujun Lin, doctorants en génie électrique et informatique ; Yongshan Ding, maître de conférences en informatique à l’université de Yale ; David Z. Pan, titulaire de la chaire de génie électrique Silicon Labs à l’université du Texas à Austin, et Jiaqi Gu, doctorant dans la même université ; Fred Chong, professeur Seymour Goodman au département d’informatique de l’université de Chicago ; et Zirui Li, étudiant de premier cycle à l’université Jiao Tong de Shanghai. Ces travaux de recherche seront présentés lors du Symposium international de l’IEEE sur l’architecture des ordinateurs à hautes performances.

De nombreuses options de conception

La construction d'un circuit quantique paramétré implique la sélection d'un certain nombre de portes quantiques, qui correspondent aux opérations physiques que les qubits effectueront. Cette tâche est complexe, car il existe de nombreux types de portes. De plus, un circuit peut comporter un nombre quelconque de portes, et la position de ces portes — c'est-à-dire les qubits physiques auxquels elles correspondent — peut varier.

« Avec autant d'options différentes, l'espace de conception est extrêmement vaste. Le défi consiste à concevoir une architecture de circuit performante. Avec QuantumNAS, nous souhaitons concevoir une architecture très robuste face au bruit », explique Wang.

Les chercheurs se sont intéressés aux circuits quantiques variationnels, qui utilisent des portes quantiques à paramètres paramétrables capables d'apprendre une tâche d'apprentissage automatique ou de chimie quantique. Pour concevoir un circuit quantique variationnel, un chercheur doit généralement le concevoir manuellement ou utiliser des méthodes basées sur des règles pour une tâche spécifique, puis tenter de trouver l'ensemble de paramètres idéal pour chaque porte quantique par un processus d'optimisation.

Dans la méthode de recherche naïve, où les circuits potentiels sont évalués individuellement, les paramètres de chaque circuit quantique candidat doivent être optimisés, ce qui représente une charge de calcul considérable. De plus, le chercheur doit d'abord identifier le nombre idéal de paramètres et l'architecture du circuit.

Dans les réseaux de neurones classiques, l'ajout de paramètres accroît généralement la précision du modèle. En revanche, en informatique quantique variationnelle, un plus grand nombre de paramètres requiert davantage de portes quantiques, ce qui introduit davantage de bruit.

Avec QuantumNAS, les chercheurs tentent de réduire le coût global de la recherche et de l'entraînement, tout en identifiant le circuit quantique qui contient le nombre idéal de paramètres et l'architecture appropriée pour maximiser la précision et minimiser le bruit.

Pour construire un « supercircuit
», on conçoit d'abord un « supercircuit » contenant toutes les portes quantiques paramétrées possibles dans l'espace de conception. Ce supercircuit servira à générer des circuits quantiques plus petits, qui pourront ensuite être testés.

Le SuperCircuit est entraîné une seule fois, puis, comme tous les autres circuits candidats de l'espace de conception sont des sous-ensembles du SuperCircuit, ils héritent des paramètres correspondants déjà entraînés. Cela réduit la charge de calcul du processus.

Une fois le SuperCircuit entraîné, il est utilisé pour rechercher des architectures de circuits répondant à un objectif précis : la robustesse face à un bruit élevé. Ce processus consiste à rechercher simultanément des circuits quantiques et des correspondances de qubits à l’aide d’un algorithme de recherche évolutionnaire.

Cet algorithme génère plusieurs circuits quantiques et des correspondances de qubits candidates, puis évalue leur précision à l'aide d'un modèle de bruit ou sur une machine réelle. Les résultats sont réinjectés dans l'algorithme, qui sélectionne les composants les plus performants et les utilise pour relancer le processus jusqu'à l'obtention des candidats idéaux.

« Nous savons que les qubits ont des propriétés et des taux d'erreur différents. Puisque nous n'utiliserons qu'un sous-ensemble de qubits, pourquoi ne pas utiliser les plus fiables ? Nous pouvons le faire en recherchant conjointement l'architecture et en cartographiant les qubits», explique Wang.

Une fois le circuit quantique optimal identifié, les chercheurs en optimisent les paramètres et procèdent à l'élagage des portes quantiques, en supprimant celles dont les valeurs sont proches de zéro, car elles contribuent peu aux performances globales. La suppression de ces portes réduit les sources de bruit et améliore encore les performances des machines quantiques réelles. Ils affinent ensuite les paramètres restants pour récupérer la précision perdue.

Une fois cette étape franchie, ils pourront déployer le circuit quantique dans une machine réelle.

Lorsque les chercheurs ont testé leurs circuits sur de véritables dispositifs quantiques, ils ont obtenu des résultats supérieurs à toutes les méthodes de référence, y compris celles conçues manuellement et celles créées à l'aide de différentes méthodes de calcul. Dans une expérience, ils ont utilisé QuantumNAS pour produire un circuit quantique robuste au bruit, qui a permis d'estimer l'énergie de l'état fondamental d'une molécule spécifique, une avancée majeure en chimie quantique et en découverte de médicaments. Leur méthode a fourni une estimation plus précise que toutes les méthodes de référence.

Ayant démontré l'efficacité de QuantumNAS, les chercheurs souhaitent désormais appliquer ces principes pour rendre les paramètres d'un circuit quantique robustes au bruit. Ils envisagent également d'améliorer l'évolutivité d'un réseau neuronal quantique en entraînant un circuit quantique sur une véritable machine quantique, plutôt que sur un ordinateur classique.

Pour encourager davantage de travaux dans ce domaine, les chercheurs ont créé une bibliothèque open source, appelée TorchQuantum, qui contient des informations sur leurs projets, des tutoriels et des outils pouvant être utilisés par d'autres groupes de recherche.

Ces travaux ont été financés par la National Science Foundation, le laboratoire d'intelligence artificielle MIT-IBM Watson, le programme Qualcomm Innovation Fellowship et le département de l'Énergie des États-Unis.

###

Article rédigé par Adam Zewe, service de presse du MIT