Cross-platform hardware benchmark of style-based quantum GANs for data augmentation on superconducting and trapped-ion processors

Cet article présente un benchmark multiplateforme comparant les performances d'un GAN quantique à style fixe pour l'augmentation de données en haute énergie sur les processeurs supraconducteurs ibm_torino d'IBM et aria-1 d'IonQ, révélant que si IonQ a obtenu une qualité statistique légèrement supérieure, la plateforme d'IBM a offert un temps d'exécution de bout en bout nettement plus rapide.

L'essentiel

Imaginez que vous essayez d'enseigner à un robot chef comment recréer une recette très spécifique et complexe (comme un plat rare d'un restaurant gastronomique). Vous avez un petit échantillon du plat réel, et vous voulez que le robot apprenne à cuisiner ce plat si bien qu'il puisse en réaliser des milliers de copies parfaites. C'est le travail d'un GAN Quantique (Réseau Antagoniste Génératif). Voyez cela comme un jeu entre deux robots :

• Le Chef (le Générateur) : Essaie de cuisiner un plat faux qui a l'air vrai.
• Le Critique (le Discriminateur) : Essaie de repérer la différence entre le plat faux et le plat réel.

Ils jouent à ce jeu encore et encore jusqu'à ce que le Chef devienne si bon que le Critique ne puisse plus faire la différence.

Ce document est une « course » pour voir quel type de matériel d'ordinateur quantique est le meilleur pour aider le Chef à apprendre cette recette. Les chercheurs n'ont pas inventé une nouvelle recette ; ils en ont pris une existante et l'ont testée sur deux types de « cuisines » très différents.

Les deux cuisines concurrentes

Le document compare deux ordinateurs quantiques disponibles commercialement, qui sont comme deux types de cuisines avec des outils et des vitesses très différents :

1. La cuisine IBM (Supraconductrice) :

   • L'outil : Utilise de minuscules circuits supraconducteurs (comme des boucles électriques super rapides et super froides).
   • L'ambiance : C'est une voiture de Formule 1. Elle est incroyablement rapide. Les « portes » (les étapes que l'ordinateur suit) se produisent en microsecondes. Elle peut traiter une énorme quantité de données très rapidement.
   • Le défaut : Elle est un peu « bruyante ». Les ingrédients (qubits) sont un peu agités, et lorsque l'ordinateur lit le résultat final (le plat), il commet plus d'erreurs (erreurs de lecture) que l'autre cuisine.

2. La cuisine IonQ (Ions Piégés) :

   • L'outil : Utilise des atomes individuels (ions) maintenus en place par des lasers.
   • L'ambiance : C'est une montre suisse de précision. Elle est beaucoup plus lente. Les étapes prennent plus de temps à être exécutées. Cependant, les ingrédients sont très stables, et la lecture finale est extrêmement précise avec très peu d'erreurs.
   • Le défaut : Elle est lente. Si vous devez cuisiner un million de plats, cela prendra beaucoup de temps car chaque étape est délibérée et lente.

L'expérience : « Augmentation de données »

Le but n'était pas seulement de voir qui était le plus rapide, mais de voir qui pouvait créer les meilleures « fausses » données pour aider les scientifiques. Dans ce cas, les données concernaient la physique des particules (plus précisément, les collisions de protons au Grand Collisionneur de Hadrons).

Les chercheurs ont pris un « Chef » entraîné (l'algorithme quantique) et l'ont envoyé dans les deux cuisines. Ils ont gardé la recette exactement la même et ont désactivé tout logiciel de « réduction de bruit » pour voir comment le matériel brut se comportait.

Pour rendre la course équitable et efficace, ils ont utilisé une astuce appelée Réplication de Circuit.

• Analogie : Imaginez que vous avez un petit tampon. Au lieu de tamponner une feuille de papier 100 fois une par une, vous collez 16 tampons ensemble et vous appuyez une seule fois. Vous obtenez 16 tampons d'un coup.
• Les chercheurs ont fait cela avec les circuits quantiques. Ils ont exécuté la recette sur 16 ensembles de qubits à la fois sur la machine IBM et sur 8 ensembles sur la machine IonQ. Cela signifiait qu'ils devaient envoyer moins de « commandes » aux ordinateurs pour obtenir le même nombre de résultats.

Les résultats : Vitesse vs Précision

Voici ce qui s'est passé lorsqu'ils ont comparé les deux cuisines :

1. Le test de goût (Précision) :

• Le gagnant : La cuisine IonQ (Ion Piégé).
• Pourquoi : Les « faux » plats qu'elle a produits étaient plus proches de la vraie recette. Les calculs ont montré que la machine IonQ faisait moins d'erreurs dans le goût final.
• La raison : La machine IonQ est beaucoup plus précise lorsqu'elle lit le résultat final. C'est comme un chef qui a une main très stable et un palais parfait, même s'il cuisine lentement.

2. Le chronomètre (Vitesse) :

• Le gagnant : La cuisine IBM (Supraconductrice).
• Pourquoi : Elle a terminé toute la tâche en environ 6 heures et 43 minutes. La machine IonQ a pris près de 60 heures (presque 2,5 jours) pour faire exactement le même travail.
• La raison : La machine IBM est simplement fulgurante. Même si elle commet un peu plus d'erreurs, elle peut enchaîner le travail si rapidement qu'elle a terminé tout le projet en une fraction du temps.

Le mot de la fin

Le document conclut qu'il n'existe pas un seul « meilleur » ordinateur ; cela dépend de ce que vous valorisez :

• Si vous avez besoin du résultat le plus précis et que vous pouvez attendre longtemps, la machine IonQ (Ion Piégé) est meilleure.
• Si vous avez besoin du résultat rapidement et que vous pouvez tolérer un peu plus d'erreurs, la machine IBM (Supraconductrice) est la grande gagnante.

Les auteurs soulignent qu'il s'agit d'un test pratique du matériel actuel. Ils ne disent pas que cette technologie est « meilleure » pour le futur de l'univers, mais plutôt que pour cette tâche spécifique (générer des données de physique des particules), vous devez choisir entre la vitesse (IBM) et la précision (IonQ).

Point clé à retenir : Le document ne prétend pas que cela guérira les maladies ou résoudra le changement climatique dès maintenant. Il dit simplement : « Si vous êtes un scientifique essayant de générer des données à l'aide d'ordinateurs quantiques aujourd'hui, voici le compromis auquel vous serez confronté entre ces deux machines spécifiques. »

Résumé technique

Résumé Technique : Benchmark multiplateforme de qGANs de type « style-based » pour l'augmentation de données

Énoncé du Problème
Dans l'ère du NISQ (Noisy Intermediate-Scale Quantum), il existe un besoin critique de benchmarks contrôlés des charges de travail de l'apprentissage automatique quantique (QML) à travers différentes modalités matérielles. Bien que les avancées algorithmiques se poursuivent, la performance de algorithmes spécifiques sous les piles d'exécution natives des fournisseurs reste hétérogène en raison des différences de connectivité, de vitesse des portes, de fidélité et de piles logicielles. Plus précisément, bien que les réseaux antagonistes génératifs quantiques (qGANs) de type « style-based » aient montré un potentiel pour les tâches d'augmentation de données — particulièrement pour la génération de distributions non gaussiennes en physique des hautes énergies (HEP) — les démonstrations précédentes étaient largement confinées à des plateformes matérielles uniques (par exemple, les systèmes supraconducteurs d'IBM) ou manquaient de comparaison rigoureuse entre plateformes. Ce travail comble cette lacune en évaluant quantitativement si un générateur qGAN de type « style-based » fixe peut effectuer une augmentation de données efficace sur deux architectures matérielles distinctes : des qubits supraconducteurs à transmon et des qubits à ions piégés.

Méthodologie
L'étude implémente un benchmark multiplateforme contrôlé utilisant un flux de travail de qGAN « style-based » fixe, entraîné sur un ensemble de données de $10^4$ événements de Monte Carlo pour la production de quarks top-antiquark ($pp \to t\bar{t}$) au Grand Collisionneur de Hadrons (LHC). L'objectif est de générer $10^5$ échantillons synthétiques pour augmenter les données d'entraînement.

• Plateformes Matérielles :
  • IBM ibm torino : Basé sur l'architecture Heron avec 133 qubits supraconducteurs à transmon disposés en un réseau heavy-hex.
  • IonQ aria-1 : Basé sur des qubits à ions piégés ($^{171}\text{Yb}^+$) avec 25 qubits et une connectivité all-to-all.
• Algorithme et Architecture :
  • Le générateur est un circuit quantique paramétré (PQC) à une seule couche, utilisant une approche « style-based » où les variables latentes sont re-téléchargées (re-uploaded) tout au long du réseau plutôt qu'uniquement à l'entrée.
  • Le discriminateur est un réseau de neurones convolutifs profonds classique.
  • Contrainte Cruciale : L'architecture du générateur et les paramètres entraînés sont fixes sur les deux plateformes. Le modèle a été entraîné précédemment (dans la Réf. [16]) et les points de contrôle (checkpoints) ont été réutilisés pour assurer une comparaison équitable de l'exécution matérielle plutôt qu'un réentraînement.
  • Réplication de Circuit : Pour améliorer le débit d'échantillonnage, le circuit de base à 3 qubits a été répliqué $m$ fois au sein d'une seule soumission de tâche.
    • Sur ibm torino : 16 réplications utilisant 48 qubits ($m=16$).
    • Sur aria-1 : 8 réplications utilisant 24 qubits ($m=8$).
    • Cette stratégie a réduit le nombre de soumissions de tâches requises de $10^5$ à $6\,250$ (IBM) et $12\,500$ (IonQ) pour générer l'ensemble d'échantillons cible.
• Conditions Expérimentales :
  • Exécution Native : L'atténuation d'erreur intégrée (ex: debiasing) a été délibérément désactivée pour comparer les performances matérielles « brutes ».
  • Budgets de Tir (Shots) : IBM a utilisé le nombre nominal de 4 000 tirages par circuit ; IonQ a utilisé 512 tirages par circuit, déterminé via une simulation de bruit pour équilibrer le temps d'exécution (wall-clock time) et la qualité statistique.
  • Métriques : La qualité a été mesurée à l'aide de la divergence de Kullback-Leibler (KL) entre les distributions générées et de référence pour les observables physiques ($s, t, y$). Les métriques de temps incluaient le temps d'exécution total (wall-clock time), le temps par circuit et le temps par tirage (per-shot).

Résultats Clés
Les deux plateformes ont réussi à compléter la tâche d'augmentation de données, produisant des distributions avec de faibles divergences KL, bien qu'avec des compromis distincts en termes de qualité et de vitesse.

• Qualité (Divergence KL) :

  • IonQ aria-1 a obtenu des divergences KL marginales plus faibles (meilleures) : $0,25$($s$),$0,14$($t$) et $0,07$($y$).
  • IBM ibm torino a montré des divergences légèrement plus élevées : $0,51$($s$),$0,31$($t$) et $0,44$($y$).
  • Les auteurs attribuent la précision supérieure sur IonQ principalement à son taux d'erreur de lecture (readout error) nettement plus bas (environ $5,1 \times 10^{-3}$ contre $2,7 \times 10^{-2}$ sur IBM) et à sa connectivité all-to-all, ce qui réduit le besoin de portes SWAP et l'accumulation d'erreurs dans les circuits peu profonds.
  • L'analyse d'incertitude (via la propagation de la variance des échantillons) indique que l'écart de performance est plus faible que ne le suggèrent les valeurs nominales, mais IonQ reste plus précis dans cette configuration non atténuée spécifique.

• Temps d'Exécution et Débit :

  • IBM ibm torino a été nettement plus rapide, complétant la génération des $10^5$ échantillons en environ 6 heures et 43 minutes.
  • IonQ aria-1 a nécessité environ 59 heures et 57 minutes pour la même tâche.
  • L'avantage de vitesse d'IBM est piloté par les temps de porte et de lecture ordres de grandeur plus rapides des transmons supraconducteurs par rapport aux ions piégés, ainsi que par la capacité de regrouper (batcher) plusieurs circuits par tâche.
  • Le temps d'exécution par circuit (incluant la transpilation) était d'environ 1 ms sur IBM contre 34 ms sur IonQ.

Signification et Revendications
Le papier positionne ce travail non pas comme une revendication de nouveauté algorithmique, mais comme un benchmark de compromis pratique et spécifique à une application.

1. Première Comparaison Contrôlée : À la connaissance des auteurs, il s'agit de l'une des premières comparaisons contrôlée matériel-à-matériel de qGANs de type « style-based » pour l'augmentation de données en HEP.
2. Compromis Matériels : Les résultats soulignent un compromis clair :
   • Les systèmes à ions piégés (IonQ) offrent une plus grande fidélité pour les circuits variationnels peu profonds dans des configurations non atténuées, probablement grâce à une meilleure fidélité de lecture et une meilleure connectivité, ce qui les rend adaptés aux applications privilégiant la précision distributionnelle sur la vitesse.
   • Les systèmes supraconducteurs (IBM) offrent un temps de traitement et un débit nettement plus élevés, ce qui les rend préférables pour les applications où le volume d'échantillons et la vitesse sont critiques, pouvant potentiellement compenser une fidélité moindre par des techniques d'atténuation ou des tailles d'échantillons plus grandes.
3. Mise en Œuvre Pratique : L'étude démontre que la réplication de circuit est une stratégie efficace pour passer à l'échelle le débit d'échantillonnage sur les dispositifs NISQ actuels sans réentraîner le modèle.
4. Limites : Les auteurs précisent explicitement que les conclusions sont spécifiques au flux de travail. Le benchmark est limité par l'exécution d'un seul passage par plateforme, des nombres de tirages différents et l'exclusion de l'atténuation d'erreur au niveau de l'utilisateur. Ils notent que l'application de l'atténuation de lecture sur IBM pourrait réduire l'écart de précision, et que les futures améliorations matérielles (vitesse des portes pour IonQ, meilleure lecture pour IBM) déplaceront ces benchmarks.

En résumé, le papier fournit une base quantitative sur la manière dont un modèle génératif quantique fixe se comporte sur deux des principales modalités de matériel quantique, démontrant que les deux peuvent effectuer une augmentation de données utile mais avec des profils opérationnels distincts concernant la précision et le temps d'exécution.