Improving Figures of Merit for Quantum Circuit Compilation

Cet article propose une nouvelle métrique d'évaluation basée sur l'apprentissage automatique qui prédit avec plus de précision la qualité d'exécution réelle d'un circuit quantique sur un processeur physique, surpassant les figures de mérite traditionnelles de 49 % en moyenne.

L'essentiel

Imaginez que vous êtes un chef cuisinier (le programmeur quantique) qui veut préparer un plat complexe (un algorithme quantique) pour un restaurant très spécifique (un ordinateur quantique réel).

Ce papier de recherche parle d'un problème majeur dans ce monde : comment savoir si votre recette va vraiment bien se passer dans la cuisine avant même de l'essayer ?

Voici l'explication simple, avec des analogies, de ce que les auteurs ont découvert et proposé.

1. Le Problème : Les "Indicateurs de Qualité" trompeurs

Jusqu'à présent, pour juger si une recette (un circuit quantique) est bonne, les chefs utilisaient des règles simples, comme des indicateurs de qualité :

• Le nombre d'ingrédients (portes logiques) : Moins il y a d'étapes, mieux c'est.
• La longueur de la recette (profondeur du circuit) : Plus c'est court, plus c'est rapide.
• La "fidélité attendue" : Une estimation basée sur la qualité théorique des ingrédients.

L'analogie du GPS :
Imaginez que vous utilisez un GPS pour aller d'un point A à un point B.

• Les anciennes méthodes (nombre de portes, profondeur) disent : "Prenez la route la plus courte en kilomètres."
• Les méthodes un peu plus avancées (fidélité, ESP) disent : "Prenez la route avec le moins de bouchons théoriques."

Le problème découvert par les auteurs :
En réalité, la route la plus courte ou celle avec le moins de bouchons théoriques n'est pas toujours la meilleure !
Parfois, la route courte passe par un pont qui tremble (interférence entre les qubits voisins) ou traverse une zone de travaux imprévus (erreurs matérielles). Le GPS classique ne voit pas ces détails. Il vous dit que le trajet est parfait, mais en réalité, vous arrivez en retard ou avec le plat brûlé.

Les chercheurs ont testé ces "GPS" sur de vrais ordinateurs quantiques et ont découvert qu'ils étaient souvent mauvais pour prédire le résultat réel. Parfois, une recette plus longue (plus d'ingrédients) donnait un meilleur plat parce qu'elle évitait les zones dangereuses de la cuisine.

2. La Solution : Un "Cuisinier IA" qui apprend par l'expérience

Au lieu de se fier à des règles fixes (comme "moins c'est long, mieux c'est"), les auteurs proposent d'utiliser l'Intelligence Artificielle (Machine Learning).

L'analogie du Chef Apprenti :
Imaginez que vous entraînez un robot-cuisinier. Au lieu de lui donner une règle simple, vous lui faites goûter des milliers de plats préparés sur de vraies cuisines.

• Vous lui montrez la recette (le circuit).
• Vous lui montrez le résultat réel (le plat final sur l'ordinateur quantique).
• Le robot apprend à repérer des motifs invisibles pour l'œil humain : "Ah, quand j'ai 3 ingrédients qui tournent en même temps sur des plaques voisines, ça brûle tout, même si la recette est courte."

Ce robot développe alors un nouvel indicateur de qualité (un "Figure of Merit") qui est bien plus précis. Il ne se contente pas de compter les ingrédients ; il comprend comment la cuisine fonctionne réellement.

3. Les Résultats : Une amélioration massive

Les chercheurs ont comparé leur "Cuisinier IA" aux anciennes méthodes :

• Les anciennes méthodes avaient une corrélation (un accord avec la réalité) d'environ 73%. C'est correct, mais pas excellent.
• La nouvelle méthode IA a atteint une corrélation de 91%.

C'est une amélioration de 49% ! En langage simple : leur nouvelle méthode prédit presque parfaitement si le plat va réussir, là où les anciennes méthodes se trompaient souvent.

4. Pourquoi ça marche si bien ?

L'IA a découvert que ce n'est pas seulement le nombre d'étapes qui compte, mais comment elles sont faites :

• L'activité des qubits : Est-ce que les "cuisiniers" (les qubits) sont occupés ou en train de rien faire ?
• Le parallélisme : Est-ce qu'on essaie de faire trop de choses en même temps sur des plaques qui chauffent trop ?
• La communication : Est-ce que les ingrédients doivent voyager trop loin dans la cuisine ?

L'IA combine toutes ces petites informations pour donner un score de qualité beaucoup plus fiable, sans même avoir besoin de connaître les détails techniques précis de la cuisine (les données de calibration), ce qui est très pratique car ces données changent souvent et sont parfois introuvables.

En résumé

Ce papier dit : "Arrêtez de compter simplement les étapes de votre recette quantique. C'est trop simpliste. Utilisez une intelligence artificielle qui a 'goûté' des milliers de résultats réels pour vous dire si votre recette va vraiment marcher sur la machine réelle."

C'est comme passer d'un GPS qui ne regarde que la distance, à un GPS connecté en temps réel qui connaît les nids-de-poule, les feux rouges et la météo, vous garantissant d'arriver à l'heure avec un plat parfait.

Résumé technique

1. Problématique

La compilation de circuits quantiques est une étape cruciale pour exécuter des algorithmes sur des unités de traitement quantique (QPU) réelles. Ce processus implique le mappage des qubits, la synthèse des portes et l'optimisation du circuit. Pour évaluer la qualité d'un circuit compilé et guider les compilateurs, les chercheurs utilisent des indicateurs de performance (figures of merit) standards :

• Le nombre de portes (surtout les portes à deux qubits).
• La profondeur du circuit.
• La fidélité attendue (Expected Fidelity).
• La probabilité de succès estimée (ESP - Estimated Success Probability).

Le problème identifié : Bien que ces métriques soient couramment utilisées, l'article démontre qu'elles ne reflètent pas fidèlement la qualité d'exécution réelle sur du matériel quantique. Les QPUs réels souffrent de bruit environnemental, d'erreurs de portes, de temps de relaxation ($T_1, T_2$) et d'interférences (crosstalk) complexes. Les métriques existantes, même celles basées sur des données de calibration (comme l'ESP), échouent souvent à capturer ces effets dynamiques. De plus, des métriques plus complexes ne garantissent pas une meilleure corrélation avec la performance réelle, et certaines dépendent de données de calibration qui peuvent devenir obsolètes rapidement.

2. Méthodologie

Les auteurs proposent une approche en deux temps pour résoudre ce problème :

A. Investigation de la corrélation existante

Pour quantifier l'écart entre les métriques traditionnelles et la réalité, les auteurs ont :

1. Défini une métrique de vérité terrain : Ils utilisent la distance de Hellinger ($d(P, Q)$) pour mesurer l'écart entre la distribution de probabilité idéale (simulée sans bruit) et la distribution obtenue lors de l'exécution réelle sur un QPU. Une distance de 0 indique une exécution parfaite, tandis que 1 indique un échec total.
2. Collecté des données : Ils ont exécuté 222 circuits quantiques (provenant de la bibliothèque MQT Bench, couvrant des algorithmes comme VQE, QAOA, QFT) sur deux QPUS supraconducteurs réels (IQM Q20-A et Q20-B) au Leibniz Supercomputing Centre.
3. Calculé les corrélations : Ils ont calculé le coefficient de corrélation de Pearson entre la distance de Hellinger (qualité réelle) et les métriques traditionnelles (nombre de portes, profondeur, fidélité, ESP).

B. Proposition d'un nouvel indicateur basé sur le Machine Learning

Motivés par la faible corrélation des méthodes actuelles, les auteurs proposent un nouvel indicateur de performance généré par un modèle d'apprentissage automatique :

• Approche : Entraînement d'un modèle de régression (Random Forest) pour prédire directement la distance de Hellinger d'un circuit sans avoir besoin de l'exécuter physiquement.
• Entrées (Features) : Le modèle utilise un vecteur de caractéristiques (features) vectorisé et indépendant de la profondeur du circuit. Ces caractéristiques incluent :
  • Des métriques de base (profondeur, nombre de portes).
  • Des métriques avancées : "Liveness" (activité des qubits), ratios de portes, parallélisme, et communication dirigée du programme.
  • Point clé : Ce vecteur ne nécessite aucune donnée de calibration (comme $T_1, T_2$), contrairement à l'ESP.
• Sortie (Label) : La distance de Hellinger mesurée expérimentalement.
• Fonctionnement : Une fois entraîné sur un QPU spécifique, le modèle sert d'estimateur pour évaluer la qualité d'exécution de n'importe quel circuit compilé pour cette machine.

3. Contributions Clés

1. Analyse empirique complète : Première étude comparant systématiquement la corrélation des métriques établies (y compris l'ESP) avec la performance réelle sur des machines quantiques réelles.
2. Nouvel indicateur de performance (ML-based) : Introduction d'une métrique prédictive basée sur l'apprentissage automatique qui surpasse les méthodes traditionnelles.
3. Indépendance vis-à-vis des données de calibration : Le modèle proposé fonctionne sans nécessiter les données de calibration détaillées et souvent obsolètes des QPUs, tout en capturant indirectement leurs caractéristiques via l'entraînement sur des données réelles.
4. Interprétabilité : Le modèle permet d'identifier quelles caractéristiques du circuit influencent le plus la qualité d'exécution (via l'analyse d'importance des caractéristiques).

4. Résultats

Les résultats expérimentaux, présentés dans le tableau I de l'article, sont concluants :

• Faiblesse des métriques actuelles :

  • Le nombre de portes et la profondeur montrent une corrélation faible avec la qualité réelle (environ 0,53 - 0,54).
  • Les métriques basées sur le matériel (Fidélité attendue et ESP) sont meilleures mais restent imparfaites (corrélation combinée de 0,73 pour la fidélité et 0,64 pour l'ESP).
  • Surprise : L'ESP, bien que plus complexe, n'est pas systématiquement meilleur que la simple fidélité attendue, suggérant que les données de calibration ($T_1, T_2$) utilisées peuvent être obsolètes ou insuffisantes.

• Performance de l'approche proposée :

  • Le modèle Random Forest atteint une corrélation de 0,88 sur le QPU Q20-A et 0,94 sur le QPU Q20-B.
  • Amélioration moyenne : Par rapport à la moyenne des meilleures métriques existantes, la nouvelle approche améliore la corrélation de 49 %.
  • Analyse des caractéristiques : L'importance des caractéristiques (Fig. 3) montre que le modèle repose principalement sur la "liveness" (activité des qubits), les ratios de portes, le parallélisme et la communication dirigée, plutôt que sur le simple comptage des portes ou la profondeur.

5. Signification et Impact

Ce travail a des implications majeures pour le développement de compilateurs quantiques et l'optimisation des algorithmes :

• Meilleure optimisation des compilateurs : En remplaçant les métriques de coût traditionnelles par cette nouvelle métrique ML, les compilateurs peuvent générer des circuits qui sont réellement plus robustes sur le matériel cible, évitant les pièges des métriques simplistes.
• Robustesse face à l'obsolescence des données : La capacité à prédire la qualité sans données de calibration en temps réel rend la méthode plus pratique et résiliente, car les données de calibration changent fréquemment sur les QPUs réels.
• Compréhension du bruit matériel : L'analyse des caractéristiques révèle que des facteurs comme l'activité des qubits et le parallélisme sont des prédicteurs plus fiables de la performance que la simple longueur du circuit.
• Évolutivité : Contrairement à d'autres approches d'apprentissage automatique qui peinent avec les circuits profonds, cette méthode utilise une représentation vectorielle de taille constante, la rendant applicable à des circuits plus complexes.

En conclusion, l'article démontre que l'apprentissage automatique, correctement appliqué pour combiner les caractéristiques pertinentes des circuits, permet de surmonter les limites des métriques heuristiques actuelles, offrant une estimation beaucoup plus précise de la qualité d'exécution sur les ordinateurs quantiques réels.