⚛️ quantum physics

Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

Cet article présente la première validation de principe d'une technique d'atténuation des erreurs quantiques utilisant le partitionnement par ensembles flous (Fuzzy C-Means clustering) pour identifier les modèles d'erreurs de mesure, démontrant une amélioration de la précision des valeurs d'espérance pour des circuits à un et deux qubits sur un processeur supraconducteur réel de 5 qubits sans nécessiter de fidélités matérielles de pointe.

Auteurs originaux : Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitie

Publié 2026-06-23

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitiello, Giovanni Acampora, Davide Massarotti

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Réparer un ordinateur quantique bruyant

Imaginez que vous possédez un instrument de musique très délicat et de haute technologie (un ordinateur quantique) capable de jouer des morceaux magnifiques et complexes (résoudre des problèmes difficiles). Cependant, cet instrument se trouve actuellement dans une pièce très bruyante. Chaque fois que vous essayez de jouer une note, le vent souffle, le sol vibre et le microphone capte des parasites. Au moment où la musique parvient à vos oreilles, elle est déformée et erronée.

C'est l'état actuel des processeurs quantiques supraconducteurs. Ils sont puissants, mais ils sont « bruyants ». Les erreurs se produisent parce que les machines sont si sensibles que le simple fait de les mesurer introduit des erreurs.

Les auteurs de cet article n'ont pas essayé de construire une pièce plus calme (ce qui est incroyablement difficile et coûteux). À la place, ils ont inventé une nouvelle façon de nettoyer l'enregistrement après coup. Ils ont utilisé un tour mathématique appelé Clustering Flou (Fuzzy Clustering) pour comprendre exactement comment le bruit perturbe la musique, puis ils l'ont corrigé.

Le problème : La mesure « désordonnée »

Dans un monde parfait, si vous dites à un ordinateur quantique de préparer un état spécifique (comme un interrupteur sur « On »), il reste sur « On ». Mais dans le monde réel, l'ordinateur peut accidentellement basculer l'interrupteur sur « Off » juste au moment où vous le regardez.

L'analogie : Imaginez que vous prenez en photo un groupe d'amis. Parce que l'appareil photo tremble et que l'éclairage est mauvais, la photo fait parfois croire que votre ami porte un chapeau alors qu'il n'en a pas, ou qu'il sourit alors qu'il fronce les sourcils.
Le résultat : Vous obtenez une photo « bruyante ». Vous savez ce que vous avez essayé de prendre, mais le résultat est déformé.

La solution : Le détective « flou »

Les chercheurs ont utilisé une technique appelée Clustering par Moyennes Floues (FCM).

L'analogie : Imaginez que vous êtes un détective essayant de comprendre pourquoi les photos de vos amis ont l'air bizarres. Vous prenez 100 photos de votre ami dans une pose « Souriante » et 100 photos dans une pose « Froncée ».
- Certaines photos « Souriantes » donnent l'impression qu'il fronce les sourcils (une erreur).
- Certaines photos « Froncées » donnent l'impression qu'il sourit (une erreur).
- Mais la plupart sont correctes.

Au lieu de dire : « Cette photo est définitivement une erreur », l'approche Floue dit : « Cette photo a 70 % de chances d'être un sourire et 30 % de chances d'être un froncement de sourcils ». Elle reconnaît que l'erreur n'est pas noire ou blanche ; c'est un flou.

En analysant des milliers de ces photos « floues » (points de données), l'algorithme crée une Carte d'Erreurs (appelée Matrice de Mitigation). Cette carte dit à l'ordinateur : « Hé, chaque fois que tu vois un résultat qui ressemble à X, il y a 20 % de chances qu'il était censé être Y. »

Une fois qu'ils ont cette carte, ils peuvent faire passer les résultats bruts et bruyants de l'ordinateur à travers un « nettoyeur » (un filtre mathématique) pour obtenir la bonne réponse.

Ce qu'ils ont réellement fait

L'équipe n'a pas seulement simulé cela sur un ordinateur ; ils l'ont testé sur une puce quantique réelle et physique fabriquée par QuantWare.

Le matériel : Ils ont utilisé une puce supraconductrice à 5 qubits (5 bits) mais se sont concentrés sur seulement 2 qubits (comme tester une seule touche de piano et celle d'à côté).
La configuration : Ils n'ont pas utilisé l'équipement le plus cher et le plus parfait. Leur puce avait des performances « moyennes » — elle n'était pas la meilleure au monde et présentait des erreurs significatives (les erreurs de lecture étaient d'environ 20 à 40 % dans certains cas). C'est important car cela prouve que la technique fonctionne même lorsque le matériel n'est pas parfait.
Le test : Ils ont exécuté des circuits quantiques simples (comme basculer un interrupteur ou basculer deux interrupteurs ensemble).
- Sans la correction : Les résultats étaient souvent faux.
- Avec la correction Floue : Ils ont appliqué leur « carte d'erreur » aux résultats.

Les résultats : Nettoyer le signal

L'article rapporte que cette méthode a bien fonctionné, surtout pour les circuits les plus « désordonnés » :

Circuits simples : Pour des tâches simples, les résultats étaient déjà assez bons, et la correction a apporté un léger gain (amélioration de la précision d'environ 3 à 10 %).
Circuits complexes : Pour des tâches impliquant deux qubits travaillant ensemble (qui sont beaucoup plus bruyantes), l'amélioration a été énorme. Dans certains cas, ils ont amélioré la précision de 30 % ou plus.
Le « chiffre magique » : Ils ont mesuré le succès à l'aide de ce qu'on appelle la « Fidélité de Hellinger » (un score de proximité avec la vérité).
- Quand l'ordinateur fonctionnait très mal (score ~30 %), la correction aidait un peu, mais ne pouvait pas réparer un désastre total.
- Quand l'ordinateur fonctionnait correctement (score ~60 %), la correction l'a transformé en un excellent résultat (score ~90 %+).

L'essentiel à retenir

L'article affirme que le Clustering Flou est un outil puissant pour nettoyer les données quantiques bruitées.

C'est du logiciel, pas du matériel : Vous n'avez pas besoin de construire une meilleure machine ; vous avez juste besoin d'une meilleure mathématique pour traiter les données après l'exécution de la machine.
Cela fonctionne sur des puces « imparfaites » : Cela ne nécessite pas un ordinateur quantique parfait et de pointe pour fonctionner. Cela aide même les machines les plus « rudimentaires » à mieux performer.
C'est rapide : Cela se passe sur un ordinateur classique après l'expérience quantique, donc cela ne ralentit pas la machine quantique elle-même.

En résumé, les chercheurs ont montré que même si votre ordinateur quantique est un peu « ivre » (bruyant), vous pouvez utiliser un filtre mathématique intelligent pour l'aider à dire la vérité.

Résumé Technique : Atténuation des erreurs sur les processeurs quantiques supraconducteurs par partitionnement flou (Fuzzy Clustering)

Énoncé du problème
L'utilité pratique du matériel quantique supraconducteur est actuellement limitée par les contraintes de l'ère NISQ (Noisy Intermediate Scale Quantum) : un nombre modeste de qubits et des niveaux élevés d'erreurs de contrôle et de lecture. Ces erreurs proviennent du couplage intentionnel avec l'environnement externe nécessaire à la manipulation et à la lecture, ainsi que des fuites d'état et du couplage croisé. Bien que la correction d'erreurs quantiques (QEC) offre une solution à long terme, elle nécessite un overhead matériel important (des milliers à des centaines de milliers de qubits physiques) qui est actuellement irréalisable. Par conséquent, les techniques d'atténuation d'erreurs quantiques (QEM) sont essentielles pour améliorer la précision des valeurs d'espérance dans les dispositifs actuels. Les méthodes QEM existantes, telles que l'extrapolation de bruit nul (ZNE) ou l'annulation d'erreur probabiliste (PEC), nécessitent souvent des coûts d'échantillonnage élevés ou des ajustements de paramètres complexes. De plus, les démonstrations précédentes de l'utilisation du partitionnement de type Fuzzy C-Means (FCM) pour la QEM étaient limitées à des simulateurs quantiques bruités et n'avaient pas été validées sur un matériel NISQ réel.

Méthodologie
Les auteurs proposent et valident expérimentalement une technique de QEM basée sur le partitionnement Fuzzy C-Means (FCM) pour identifier et corriger les modèles d'erreur de mesure. Le flux de travail comprend trois étapes principales :

Création du jeu de données : Le registre à 2 qubits est initialisé dans les quatre états de la base de calcul ( $\lvert00\rangle, \lvert01\rangle, \lvert10\rangle, \lvert11\rangle$ ). Pour chaque état, $t$ expériences sont exécutées pour collecter des vecteurs de probabilité représentant les résultats de lecture. Cela génère quatre jeux de données ( $D_i$ ), contenant chacun des instances de probabilités de mesure.
Partitionnement flou (Fuzzy Clustering) : L'algorithme FCM est appliqué à chaque jeu de données pour regrouper les vecteurs de probabilité en différents modèles d'erreur. Contrairement au partitionnement strict (hard clustering), le FCM assigne un degré d'appartenance à chaque instance pour chaque groupe. Le nombre optimal de clusters est déterminé en maximisant le coefficient de partition floue ( $f_{pc}$ ).
Construction de la matrice de mitigation : L'algorithme sélectionne les vecteurs de probabilité les "plus appropriés" — ceux ayant les degrés d'appartenance les plus incertains dans la matrice de partition floue, représentant un compromis entre les modèles d'erreur. Ces vecteurs sont utilisés pour construire une matrice de calibration $M$ . La matrice de mitigation $S$ est ensuite calculée comme l'inverse de $M$ ( $S = M^{-1}$ ). Cette matrice est appliquée classiquement aux vecteurs de comptage bruités ( $C_{noisy}$ ) pour estimer les vecteurs de comptage idéaux ( $C_{ideal} = S \cdot C_{noisy}$ ).

Configuration Expérimentale
La technique a été validée sur un processeur quantique supraconducteur réel à 5 qubits (QuantWare Soprano) basé sur des qubits transmon. L'expérience s'est concentrée sur un sous-ensemble de 2 qubits composé des qubits Q0 (basse fréquence) et Q2 (fréquence moyenne centrale).

Caractéristiques du matériel : Le dispositif présentait des temps de cohérence modérés (ex. : $T_1 \approx 24 \mu s$ pour Q0, $T_1 \approx 8 \mu s$ pour Q2) et des fidélités de lecture allant de 60 % à 80 %, sans utiliser d'amplification limitée par le bruit quantique ou de techniques de lecture sophistiquées.
Performance des portes : Les fidélités des portes à un qubit étaient d'environ 99,8 % (Q0) et 99,43 % (Q2). La fidélité de la porte à deux qubits CZ était d'environ 89 %, ce qui est inférieur aux références de pointe, offrant ainsi un banc d'essai exigeant pour l'atténuation d'erreurs.
Circuits : La validation impliquait 16 circuits de test (4 états initiaux $\times$ 4 types de circuits) comprenant des portes à un qubit (rotations de Hadamard, X, Y) et des portes à deux qubits (CNOT construit via CZ).

Résultats Clés
La performance de la technique FCM-QEM a été évaluée à l'aide de la fidélité de Hellinger ($HF$), mesurant la similitude entre les distributions de probabilité idéales et expérimentales (atténuées et non atténuées).

Circuits à un qubit : La technique a apporté une amélioration modeste. Pour le "Circuit à un qubit 1", la $HF$ moyenne s'est améliorée d'environ +3 % (ex. : de 93 % à 96 %). Pour le "Circuit à un qubit 2", les améliorations allaient de +10 % à +15 %.
Circuits à deux qubits : Des améliorations significatives ont été observées pour les circuits présentant des fidélités initiales plus faibles.
- Pour le "Circuit à deux qubits 1" (CNOT + H), l'amélioration variait de +5 % à +33 %, avec une amélioration maximale de +33 % pour l'état initial $\lvert00\rangle$ (faisant passer la fidélité de 54 % à 87 %).
- Pour le "Circuit à deux qubits 2" (CNOT seul), les améliorations allaient de +0 % à +30 %.
Limites de performance : Les auteurs ont observé que lorsque la fidélité de Hellinger non atténuée était très faible (inférieure à 50 %), la technique de mitigation offrait une correction minimale (5 à 9 % d'amélioration). Cependant, pour des fidélités initiales autour de 60 %, la technique pouvait améliorer la lecture jusqu'à 30 %. Dans les cas où le circuit non atténué présentait déjà une fidélité élevée (90 %), la technique pouvait porter le résultat à ~99 %.

Signification et Revendications
L'article affirme fournir la première validation de preuve de concept de la technique FCM-QEM sur un dispositif NISQ réel basé sur des qubits supraconducteurs de type transmon. La portée de ce travail réside dans la démonstration que :

Indépendance vis-à-vis du matériel : La technique de QEM basée sur le FCM peut améliorer la précision des valeurs d'espérance pour des circuits de portes à un et deux qubits sans nécessiter de cohérence, de portes ou de fidélités de lecture de pointe. Elle est efficace même sur un matériel aux métriques de performance "modestes".
Commodité expérimentale : La méthode repose entièrement sur le post-traitement classique et une routine d'initialisation, évitant le besoin de ressources matérielles supplémentaires ou de corrections complexes dans le circuit (contrairement à ZNE ou t-REx).
Stabilité : La technique démontre une répétabilité sur plusieurs passages, tenant compte efficacement de l'aléa de lecture et du bruit de tir (shot noise).
Mise en garde sur la scalabilité : Les auteurs reconnaissent que, comme d'autres techniques de QEM basées sur des matrices, le coût computationnel pour construire et inverser la matrice de mitigation augmente exponentiellement avec le nombre de qubits, un défi à aborder dans les travaux futurs.

Les auteurs concluent que la FCM-QEM est un candidat approprié pour l'atténuation des erreurs de lecture sur les dispositifs NISQ, particulièrement ceux dotés de caractéristiques de lecture non optimisées, et peut être intégrée dans les interfaces logicielles entre les configurations matérielles et les processeurs quantiques.