⚛️ quantum physics

Quantum State Preparation with the QNN-based SRBB Algorithm

Cet article propose un nouvel algorithme quantique variationnel pour la préparation d'états approximative qui exploite un réseau de neurones quantiques construit sur la sous-algèbre diagonale de la hiérarchie de la base de blocs récursifs standard (SRBB) afin de réduire considérablement la profondeur du circuit et le nombre de portes CNOT tout en atteignant une grande précision sur des simulations à petite échelle et sur de véritables dispositifs quantiques.

Auteurs originaux : Marco Mordacci, Giacomo Belli, Michele Amoretti

Publié 2026-09-11

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Marco Mordacci, Giacomo Belli, Michele Amoretti

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

Les ordinateurs quantiques promettent de résoudre des problèmes qui prendraient des milliers d'années aux machines classiques, mais ils sont confrontés à un obstacle fondamental avant même de pouvoir commencer : placer la machine dans la bonne position de départ. Dans le monde de la mécanique quantique, l'information est stockée dans l'état de minuscules particules, et pour exécuter un algorithme, les chercheurs doivent d'abord préparer un arrangement spécifique et complexe de ces particules. Ce processus, connu sous le nom de préparation d'état quantique, est comparable à la mise en place d'un puzzle massif et complexe où chaque pièce doit être placée avec une précision parfaite. Si l'arrangement initial est même légèrement décalé, tout le calcul échoue. Pendant des années, les scientifiques ont lutté pour construire des circuits capables de créer ces états efficacement, ce qui nécessitait souvent tant d'étapes et de connexions que le processus devenait trop lent et sujet aux erreurs pour être utile sur du matériel réel.

Une équipe de chercheurs de l'Université de Parme a proposé une nouvelle façon de relever ce défi, une méthode qui simplifie le processus en se concentrant sur la géométrie sous-jacente du problème. Au lieu d'essayer de construire un circuit capable de tout faire à la fois, ils ont conçu un système qui divise la tâche en deux parties distinctes : régler l'intensité de l'état quantique et régler son timing. Ils ont utilisé une structure mathématique appelée algèbre de Lie, qui décrit comment ces états quantiques peuvent être pivotés et transformés, pour créer un outil spécialisé. Cet outil, construit sur une hiérarchie connue sous le nom de Base de Blocs Récursive Standard (Standard Recursive Block Basis), leur permet de construire les circuits quantiques nécessaires en utilisant beaucoup moins de connexions que les méthodes traditionnelles. En éliminant l'aspect inutile de la complexité et en se concentrant uniquement sur les composantes diagonales du cadre mathématique, ils ont créé un design beaucoup plus peu profond et qui nécessite nettement moins d'opérations pour être exécuté.

Les chercheurs ont testé leur nouvelle approche, qu'ils appellent Réseau de Neurones Quantiques, en utilisant à la fois de puissantes simulations informatiques et de véritables ordinateurs quantiques. Dans les simulations, ils ont demandé au système de préparer divers états quantiques, allant de motifs simples à des arrangements aléatoires complexes, en utilisant jusqu'à huit qubits, les unités de base de l'information quantique. Les résultats ont montré que pour des systèmes allant jusqu'à quatre qubits, la méthode était incroyablement précise, créant les états souhaités avec une exactitude telle que l'erreur était presque inexistante. À mesure que le nombre de qubits augmentait, le système restait efficace, bien que la complexité de la tâche rende plus difficile l'atteinte du même niveau de perfection. L'équipe a également testé l'algorithme sur des dispositifs quantiques réels fournis par différentes entreprises, incluant des machines dotées de qubits supraconducteurs et celles utilisant des ions piégés. Sur ces machines physiques, le système a bien performé avec deux et trois qubits, créant avec succès des états spécifiques comme l'état de Bell et des superpositions uniformes. Cependant, à mesure que le nombre de qubits passait à quatre et cinq, les taux d'erreur augmentaient, un défi courant dans le domaine où le bruit et les imperfections du matériel commencent à interférer avec les délicats états quantiques.

L'une des découvertes les plus significatives de ce travail est la manière dont le nouveau design gère les deux aspects différents d'un état quantique : sa magnitude et sa phase. Les chercheurs ont constaté que tenter d'apprendre les deux en même temps faisait lutter le système, alors ils ont séparé le travail. La première partie de leur réseau a appris à définir les probabilités correctes pour chaque résultat, tandis que la seconde partie a appris à ajuster le timing, ou la phase, des ondes quantiques. Cette séparation a permis au système d'apprendre de manière beaucoup plus efficace. Ils ont également découvert que, bien que la théorie mathématique permette une solution parfaite, le matériel réel introduisait une limitation spécifique liée aux phases globales, qui sont des décalages subtils ne changeant pas les résultats finaux de mesure mais pouvant confondre le processus d'apprentissage. Malgré ces obstacles, la méthode a prouvé qu'il est possible d'utiliser une version simplifiée, uniquement diagonale, d'une base mathématique complexe pour préparer des états quantiques avec une profondeur et un nombre de portes compétitifs.

L'étude souligne à la fois le potentiel et les limites actuelles de cette approche. Bien que l'algorithme ait atteint une grande précision dans les simulations pour de petits systèmes, la performance sur le matériel réel a montré que le passage à l'échelle reste difficile. Les taux d'erreur sur les dispositifs physiques variaient considérablement selon l'état spécifique préparé ; certains états uniformes simples étaient créés avec une haute fidélité, tandis que des états plus complexes et épars entraînaient des erreurs beaucoup plus élevées. Les chercheurs ont noté qu'augmenter le nombre de fois où la machine était sollicitée pour mesurer le résultat, appelé "shots", n'améliorait pas substantiellement la performance, suggérant que le problème réside dans la conception du circuit et le bruit du matériel plutôt que dans l'incertitude statistique. Ce travail ne prétend pas avoir résolu entièrement le problème de la préparation d'état quantique, mais il offre une voie plus fluide vers l'avenir. En connectant directement la conception du circuit quantique à la structure topologique du groupe de transformations qu'il doit effectuer, l'équipe a fourni un plan pour construire des algorithmes quantiques plus efficaces qui pourraient un jour rendre ces machines puissantes plus pratiques pour des applications du monde réel.

Résumé Technique : Préparation d'États Quantiques avec l'Algorithme SRBB basé sur le QNN

Énoncé du Problème
La préparation d'états quantiques (QSP - Quantum State Preparation) est un sous-programme fondamental dans de nombreux algorithmes quantiques, notamment l'apprentissage automatique quantique (QML), les solveurs d'équations linéaires et la simulation hamiltonienne. L'objectif est de construire un opérateur unitaire $U$ tel que $U|0\rangle^{\otimes n} = |\psi\rangle$ , où $|\psi\rangle$ est un état de $n$ qubits souhaité. Bien qu'il existe des algorithmes de QSP exacts (par exemple, utilisant des rotations uniformément contrôlées), ceux-ci souffrent souvent d'une profondeur et d'un nombre de portes exponentiels ( $O(2^n)$ ), ce qui les rend irréalisables pour le matériel de l'ère NISQ (near-term). De plus, de nombreuses approches existantes reposent sur des qubits ancillaires pour obtenir de meilleurs compromis espace-temps, ce qui augmente les exigences matérielles. Le défi consiste à développer une méthode de QSP approximative qui minimise les ressources (spécifiquement le compte de CNOT et la profondeur du circuit) tout en maintenant une précision élevée, sans dépendre de qubits ancillaires.

Méthodologie
Les auteurs proposent un nouvel algorithme quantique variationnel structuré sur le Standard Recursive Block Basis (SRBB), une construction hiérarchique pour l'algèbre matricielle du groupe $SU(2^n)$ . La méthodologie exploite les propriétés topologiques et algébriques des groupes de Lie pour concevoir un circuit quantique variationnel (VQC).

Cadre Théorique (SRBB et Algèbres de Lie) :
- L'algorithme est fondé sur la décomposition du groupe unitaire $U(2^n)$ en un produit local de $U(1)$ et $SU(2^n)$ . Le SRBB fournit une base récursive pour l'algèbre de Lie $\mathfrak{su}(2^n)$ .
- Crucialement, les auteurs restreignent l'ansatz variationnel à la sous-algèbre diagonale (le facteur $Z$ ) du SRBB. Bien que le SRBB complet inclue des composantes hors-diagonales (facteurs $\Psi$ et $\Phi$ ) nécessaires pour la synthèse unitaire générale, la composante diagonale seule est suffisante pour paramétrer les matrices unitaires diagonales.
- En utilisant l'identité $R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger$ , les auteurs projettent la structure traditionnelle en "échelle" de la QSP (composée de portes uniformément contrôlées ou UCG) sur un circuit composé entièrement de portes $S$ , $H$ et $R_z$ . Cela permet au facteur $Z$ diagonal du SRBB d'approximer les modules des amplitudes de l'état cible, tandis qu'un bloc séparé gère les phases.
Architecture de l'Algorithme :
- Le réseau de neurones quantiques (QNN) proposé fonctionne en deux étapes d'entraînement distinctes pour éviter les conflits d'optimisation :
  - Apprentissage du Module : La première partie du circuit approxime les amplitudes réelles (modules) de l'état cible en utilisant le facteur $Z$ diagonal du SRBB.
  - Apprentissage de la Phase : La seconde partie approxime les phases complexes de l'état cible.
- La profondeur du circuit est optimisée en exploitant la structure récursive du facteur $Z$ du SRBB, qui utilise un motif de code de Gray pour minimiser les portes CNOT. La profondeur résultante suit une échelle $D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3$ , ce qui est compétitif par rapport aux bornes asymptotiquement optimales atteintes par d'autres méthodes, mais sans qubits ancillaires.
Optimisation et Fonctions de Perte :
- L'algorithme est testé avec deux optimiseurs : Adam (utilisé avec les fonctions de perte de Fidélité et de Distance de Trace) et Nelder-Mead (utilisé avec la Norme de Frobenius).
- L'entraînement minimise la distance entre l'état produit par le VQC et l'état cible (ou la matrice unitaire idéale).

Contributions Clés
Le papier présente quatre contributions principales :

Nouvel Algorithme : Il propose un cas d'utilisation spécifique de la hiérarchie SRBB pour la QSP approximative, en la formulant comme un problème variationnel.
Réduction de la Profondeur : Il implémente la structure traditionnelle en échelle de la QSP en utilisant uniquement la sous-algèbre diagonale optimisée pour les CNOT du SRBB. Cela réduit la profondeur du circuit et le compte de CNOT par un facteur exponentiel par rapport à l'utilisation de l'algèbre complète, approchant les bornes asymptotiquement optimales sans qubits ancillaires.
Évaluation Complète : Les performances sont évaluées à travers des états aléatoires, des états creux (sparse) et des distributions de probabilité uniformes pour des systèmes allant de 2 à 8 qubits en simulation.
Validation sur Matériel Réel : L'algorithme est testé sur du matériel quantique réel (IQM Deneb, IQM Garnet, Rigetti Ankaa-3, et IonQ Forte1) pour évaluer les performances dans des environnements bruités.

Résultats

Simulation :
- Pour jusqu'à 4 qubits, l'algorithme atteint une précision élevée avec des erreurs allant de $10^{-13}$ à $10^{-15}$ en utilisant l'optimiseur Nelder-Mead.
- L'optimiseur Adam montre des temps d'entraînement plus longs pour les petits nombres de qubits mais ne croît pas de manière exponentielle en temps, maintenant une précision élevée jusqu'à 4 qubits.
- Les performances se dégradent lorsque le nombre de qubits dépasse 4 ; pour 8 qubits, les erreurs montent à environ $10^{-3}$ .
- Le réseau reproduit avec succès des états spécifiques comme les états de Bell et de GHZ avec une haute fidélité en simulation.
Matériel Réel :
- Sur les dispositifs réels (2–5 qubits), l'algorithme donne de bons résultats pour les faibles nombres de qubits, bien que les performances varient considérablement selon l'état cible.
- Pour des états spécifiques comme les superpositions uniformes et les états de Bell, la distance de Hellinger est relativement faible (ex: $\sim 0,01$ à $0,12$ pour 2 qubits).
- Pour les états creux ou les distributions plus complexes, l'erreur augmente significativement (ex: distance de Hellinger $\sim 0,74$ pour un état creux de 4 qubits sur IQM Deneb).
- L'augmentation du nombre de tirages (shots) (de 1024 à 8192) sur les dispositifs Rigetti n'a pas apporté d'amélioration significative des performances, suggérant que le bruit et la profondeur du circuit sont les facteurs limitants plutôt que le bruit de tirage (shot noise).

Signification et Revendications
Les auteurs affirment que ce travail fournit un nouveau schéma pour la préparation approximative d'états quantiques dans un cadre variationnel qui lie explicitement les paramètres variationnels à la géométrie des groupes unitaires. La principale importance réside dans la capacité de réduire les ressources du circuit (CNOT et profondeur) en exploitant la sous-algèbre diagonale du SRBB, respectant ainsi le "principe de relaxation" consistant à minimiser les ressources tout en maintenant la précision.

Le papier reconnaît modestement les limites actuelles :

Scalabilité : L'algorithme fait face à des défis avec l'augmentation du nombre de qubits, où l'optimiseur peine à converger efficacement, probablement en raison de la complexité du paysage paramétrique (potentiels plateaux stériles ou Barren Plateaux).
Bruit du Matériel : Sur les dispositifs réels, l'erreur n'est pas fixe mais varie considérablement selon l'état cible spécifique, indiquant une sensibilité au bruit et à la complexité de l'état.
Travaux Futurs : Les auteurs suggèrent que les recherches futures devraient comparer ce cadre aux algorithmes de QSP établis et aux techniques de codage (comme l'encodage d'amplitude), optimiser davantage les portes de rotation, et analyser le paysage d'optimisation pour atténuer les problèmes de convergence dans les systèmes plus larges.

Le travail ne prétend pas résoudre immédiatement le problème de la QSP pour des systèmes arbitraires à grande échelle, mais démontée une approche viable et efficiente en ressources pour des nombres de qubits faibles à modérés, faisant le pont entre la théorie des algèbres de Lie et les circuits quantiques variationnels pratiques.

Résumé Technique : Préparation d'États Quantiques avec l'Algorithme SRBB basé sur le QNN

Articles similaires