Quantum Encoding of Structured Data with Matrix Product States

Les ordinateurs quantiques promettent de résoudre des problèmes actuellement impossibles pour les machines classiques, mais ils font face à un obstacle fondamental avant même de pouvoir commencer : l'introduction des bonnes informations en leur sein. Pour effectuer un calcul, un ordinateur quantique doit d'abord charger des données classiques — nombres, images ou fonctions — dans son état quantique. Ce processus, appelé préparation d'état, est notoirement difficile. Comme l'espace des possibilités pour un système quantique croît exponentiellement à chaque particule ajoutée, le chargement d'un ensemble de données complexes et non structurées nécessite généralement un circuit si profond et complexe qu'il prendrait plus de temps que l'âge de l'univers pour s'exécuter sur le matériel actuel. Ce goulot d'étranglement menace d'annuler les avantages de vitesse qu'offrent les ordinateurs quantiques dans des domaines tels que la finance, la médecine et l'apprentissage automatique. Le défi consiste donc non seulement à construire des machines plus rapides, mais aussi à trouver un moyen de compresser de vastes quantités de données dans un format quantique suffisamment simple pour être chargé rapidement et avec précision.

Des chercheurs de l'Université de l'Australie occidentale ont développé une nouvelle méthode pour contourner ce goulot d'étranglement en exploitant la structure cachée présente dans de nombreux ensembles de données du monde réel. Au lieu d'essayer de forcer un ordinateur quantique à mémoriser chaque pixel d'une image ou chaque valeur d'une fonction complexe, ils utilisent une technique mathématique appelée état de produit de matrice. Considérez cela comme un moyen de décrire une longue et compliquée chaîne de données en la décomposant en petits segments connectés qui n'ont besoin de se souvenir que de leurs voisins immédiats, plutôt que de la chaîne entière à la fois. Cette approche fonctionne car de nombreux phénomènes naturels, des courbes lisses d'une fonction mathématique aux motifs d'un scanner médical, ne possèdent pas de connexions aléatoires ou chaotiques ; ils possèdent une structure locale limitée qui peut être capturée avec beaucoup moins de ressources que ne le nécessiterait une description complète et non structurée.

L'équipe, dirigée par Josh Green et Jingbo Wang, a démontré que cette technique de compression leur permet de préparer des états quantiques représentant des fonctions et des images complexes avec une rapidité et une précision remarquables. Ils se sont concentrés sur un algorithme spécifique connu sous le nom de "Matrix Product Disentangler" (Désintriqueur de produit de matrice), qui agit comme un outil d'ingénierie inverse. Il prend un ensemble de données cible et détermine la séquence la plus simple d'opérations quantiques nécessaires pour le créer. Cependant, cet outil initial n'est pas parfait en soi. Pour affiner le résultat, les chercheurs l'ont combiné avec une seconde étape appelée optimisation par réseau de tenseurs. Ce processus agit comme un mécanisme de réglage fin, ajustant les paramètres du circuit quantique pour minimiser les erreurs et pousser la précision vers la perfection quasi totale. Le résultat est une méthode capable de charger des données dans un ordinateur quantique à l'aide d'un circuit suffisamment peu profond pour s'exécuter sur les machines imparfaites actuelles, appelées dispositifs NISQ.

Les chercheurs ont testé leur approche sur une large gamme de fonctions mathématiques, incluant celles présentant des ruptures nettes, des sauts soudains et des formes irrégulières qui perturbent typiquement les algorithmes quantiques. Ils ont constaté que pour les fonctions qui ne sont pas complètement aléatoires — telles que les polynômes de bas degré, les fonctions racines et les courbes logarithmiques — leur méthode pouvait préparer l'état quantique avec une précision dépassant 99,99 %. Ce niveau de précision est atteint en utilisant des circuits de seulement quelques centaines d'étapes de profondeur, une réduction massive par rapport aux millions d'étapes habituellement requises. L'équipe a montré que même pour les fonctions présentant des discontinuités, où la valeur change brusquement, la méthode reste robuste, à condition que la structure globale des données ne soit pas trop chaotique.

La démonstration la plus frappante de cette capacité concernait une image médicale réelle. Les chercheurs ont pris une image de 128 par 128 pixels issue de l'ensemble de données ChestMNIST, qui contient des radiographies thoraciques utilisées pour diagnostiquer des pathologies pulmonaires. Ils ont réussi à encoder cette image dans un état quantique en utilisant seulement 14 qubits. Le circuit quantique résultant, composé de seulement 425 opérations de base, a produit une reconstruction de l'image avec une fidélité supérieure à 99,2 %. Cela signifie que l'état quantique détenait une copie presque parfaite du scan médical original. Le succès de cette expérience est significatif car il prouve que la méthode peut traiter des données structurées en deux dimensions comme les images, et non seulement des courbes mathématiques unidimensionnelles simples.

Cependant, l'étude définit également clairement les limites de cette approche. La méthode repose sur le fait que les données possèdent un type spécifique d'ordre, où les connexions entre les différentes parties des données décroissent rapidement. Lorsque les chercheurs ont testé la méthode sur des données complètement aléatoires ou du bruit hautement complexe et non structuré, la précision a considérablement chuté. L'algorithme ne peut pas compresser magiquement une information qui n'a aucun motif sous-jacent ; si les données sont véritablement chaotiques, le circuit quantique requis pour les représenter devient aussi profond et difficile à construire que le problème d'origine. Cette distinction est cruciale : la technique est un outil puissant pour les données structurées, mais elle n'est pas une solution universelle pour tout type d'information.

Les chercheurs ont également comparé leur méthode optimisée à d'autres techniques connues de chargement de données. Ils ont découvert que, bien que d'autres méthodes puissent théoriquement atteindre la même précision, elles nécessitaient souvent des circuits beaucoup plus profonds ou avaient besoin de qubits "ancilla" supplémentaires pour servir de stockage temporaire, ce que le matériel actuel ne peut supporter. En revanche, la nouvelle méthode atteint une haute précision sans qubits supplémentaires et utilise une profondeur de circuit qui évolue linéairement avec la taille des données, ce qui la rend bien plus pratique pour l'avenir proche. L'équipe a noté que pour l'image ChestMNIST, leur approche optimisée atteignait le même niveau de précision qu'une méthode "exacte" théorique, mais avec un circuit environ quatre fois moins profond.

Dans le contexte plus large, ce travail suggère une voie claire pour les applications de l'informatique quantique. Il indique que pour les tâches impliquant des données structurées — comme la définition des conditions aux limites pour résoudre des équations physiques, la préparation de distributions de probabilité pour des simulations financières ou l'encodage d'images pour l'apprentissage automatique — les ordinateurs quantiques peuvent être utiles bien plus tôt qu'on ne le pensait auparavant. La capacité de charger des données avec une haute fidélité à l'aide de circuits peu profonds lève un obstacle majeur qui a empêché de nombreux algorithmes quantiques d'être testés sur du matériel réel. Bien que la méthode ne résolve pas le problème du chargement de données totalement non structurées, elle offre un moyen hautement efficace et respectueux des ressources pour gérer la grande majorité des ensembles de données structurés réellement utilisés par les scientifiques et les ingénieurs.

L'étude conclut que la combinaison de l'algorithme de désintriqué et de l'optimisation ultérieure crée un outil polyvalent pour l'ère actuelle de la technologie quantique. Elle permet aux chercheurs de dépasser les limitations théoriques de la préparation d'état et de commencer des expériences pratiques avec des données du monde réel. En démontrant qu'une image de 128 par 128 peut être encodée avec une telle fidélité sur un petit nombre de qubits, ce travail offre un exemple concret de la manière dont les ordinateurs quantiques pourraient bientôt être utilisés pour traiter des données médicales ou des modèles financiers. Les conclusions ne prétendent pas avoir résolu tous les problèmes de préparation d'état quantique, mais elles établissent une méthode fiable, efficace et précise pour la classe spécifique de problèmes structurés qui sont les plus pertinents pour les applications à court terme.