Iceberg Beyond the Tip: Co-Compilation of a Quantum Error Detection Code and a Quantum Algorithm

Cet article présente un cadre de co-optimisation qui adapte l'encodage flexible du code de détection d'erreurs quantiques Iceberg à l'algorithme d'optimisation quantique approximative (QAOA), réalisant des améliorations significatives de la probabilité de succès et des taux de post-sélection sur l'ordinateur quantique Quantinuum H2-1 par rapport aux démonstrations antérieures de l'état de l'art.

L'essentiel

La Vue d'Ensemble : Le Problème de l'« Iceberg »

Imaginez que vous essayez d'écouter un signal radio faible (un calcul quantique) au milieu d'une tempête bruyante. Le signal est si faible que le bruit statique (le bruit) l'engloutit.

Dans le monde de l'informatique quantique, les scientifiques utilisent une technique appelée Détection d'Erreurs Quantiques (DEQ). Pensez-y comme à un « inspecteur de contrôle qualité » dans une usine. Si un produit (une exécution de calcul) sort avec un défaut, l'inspecteur le jette et vous réessayez. Vous ne gardez que les parfaits.

Un « inspecteur » spécifique utilisé dans ce document s'appelle le code Iceberg. Il porte ce nom car, comme un vrai iceberg, la majeure partie de sa structure est cachée sous l'eau. Il encode vos données dans une forme plus grande et plus complexe pour attraper les erreurs.

Le Problème :
Le document soutient que, bien que le code Iceberg soit un excellent inspecteur, la façon dont nous construisons l'usine (la « compilation ») était inefficace.

• L'Ancienne Façon : Nous construisions l'usine avec des murs rigides et préfabriqués. Même si l'inspecteur avait une méthode flexible pour vérifier les choses, nous forçions les ouvriers à suivre un chemin strict et lent. Cela poussait les ouvriers à rester inactifs (en attente), ce qui les fatiguait et les rendait sujets aux erreurs (erreurs de mémoire).
• Le Résultat : L'usine était trop grande, trop lente, et le « contrôle qualité » jetait trop de bons produits parce que le processus était si désordonné.

La Solution : La Co-Compilation (L'Approche « Tango »)

Les auteurs proposent une nouvelle méthode appelée Co-Compilation. Au lieu de construire d'abord l'algorithme puis de coller le code de détection d'erreurs dessus comme un autocollant, ils les construisent ensemble, comme des partenaires dansant un tango.

Ils ont réalisé que l'« inspecteur » (le code Iceberg) possédait une flexibilité cachée. Il pouvait vérifier les erreurs dans un ordre différent ou en utilisant des outils différents. En laissant l'algorithme et l'inspecteur danser ensemble, ils peuvent :

1. Éliminer les temps d'attente : Garder les ouvriers en mouvement continu pour qu'ils ne se fatiguent pas.
2. Réduire l'usine : Rendre l'ensemble du processus beaucoup plus court.
3. Maintenir la sécurité : S'assurer que l'inspecteur attrape toujours tous les mauvais produits.

Comment Ils l'Ont Fait (Les Trois Astuces)

L'équipe a utilisé trois astuces principales pour faire fonctionner cette danse :

1. Redessiner les Outils (Nouveaux Gadgets) :
   Ils ont construit de nouvelles versions plus rapides des « outils de l'inspecteur ». Imaginez que les anciens outils consistaient à utiliser un marteau pour enfoncer un clou, puis un tournevis, puis une clé à molette. Ils ont redessiné les outils pour que l'inspecteur puisse faire le travail en moins d'étapes, réduisant le temps de moitié pour certaines tâches.

2. Réarranger les Meubles (Ressynthèse des Gadgets) :
   Dans l'ancienne configuration, les outils de l'inspecteur étaient disposés en un long escalier sinueux. Les auteurs ont réalisé qu'ils pouvaient réarranger les meubles pour former une ligne droite ou une autoroute à deux voies. Parce que l'« inspecteur » se fiche de l'ordre dans lequel il vérifie les qubits (tant qu'il les vérifie tous), ils ont pu réorganiser les étapes pour éviter les embouteillages.

3. Utiliser la Symétrie (L'Astuce Z2) :
   Le problème spécifique qu'ils ont testé (MaxCut) possède une symétrie particulière : inverser chaque interrupteur dans la pièce donne le même résultat. Les auteurs ont réalisé qu'ils pouvaient utiliser cette propriété « d'image miroir » pour faire deux choses à la fois au lieu d'une. C'est comme réaliser que vous pouvez peindre le côté gauche d'un mur et le côté droit simultanément parce qu'ils sont identiques, réduisant ainsi le temps de peinture de moitié.

Les Résultats : Briser le Point de « Rupture d'Équilibre »

En informatique quantique, il existe un concept appelé « Rupture d'Équilibre ». C'est le moment où l'utilisation de la correction d'erreurs rend en réalité le résultat meilleur que de simplement exécuter la version désordonnée et non corrigée. Auparavant, la correction d'erreurs ajoutait généralement tellement de surcharge qu'elle empirait les choses.

Ce qu'ils ont accompli :

• Plus Rapide : Ils ont réduit la « profondeur » (le nombre d'étapes) du calcul jusqu'à 55 %.
• Plus Fiable : Ils ont augmenté le nombre de résultats « bons » conservés (taux de post-sélection) de 4 % à 33 % pour un test spécifique.
• Plus Grand : Ils ont exécuté avec succès un calcul complexe sur 34 qubits (les unités de base de l'information quantique). Avant cela, le meilleur résultat obtenu par quiconque avec ce code spécifique était de 20 qubits.
• Mieux que le Bruit : Pour la première fois, la version corrigée par les erreurs a surpassé la version non corrigée à ces échelles plus grandes.

La Découverte de la « Longue Queue »

Lorsqu'ils ont examiné les résultats, ils ont remarqué quelque chose d'intéressant. Les résultats corrigés par les erreurs présentaient une « longue queue » de résultats étranges et à haute énergie.

• La Métaphore : Imaginez une courbe en cloche des scores d'un examen. La « longue queue » signifie qu'il y a quelques étudiants qui ont obtenu des scores extrêmement mauvais, bien pire que la moyenne.
• La Correction : Les auteurs ont réalisé que, puisque le détecteur d'erreurs rejette les pires erreurs, les erreurs restantes de la « longue queue » sont en fait des types spécifiques de fautes. Ils ont montré qu'en ignorant simplement les pires valeurs aberrantes dans les données (une astuce de post-traitement), ils pouvaient obtenir un résultat qui ressemblait presque exactement à un calcul parfait et sans bruit.

Résumé

Ce document traite de l'apprentissage d'une informatique quantique plus efficace. Au lieu de traiter la correction d'erreurs comme un fardeau rigide et lourd, les auteurs l'ont traitée comme un partenaire flexible. En redessinant les outils, en réorganisant les étapes et en utilisant les mathématiques du problème à leur avantage, ils ont rendu l'ordinateur quantique plus rapide, plus fiable et capable de résoudre des problèmes plus vastes que jamais auparavant sur le matériel actuel.

Résumé technique

1. Énoncé du problème

Les récents progrès dans le matériel quantique, en particulier les dispositifs à ions piégés comme le Quantinuum H2-1, ont permis des démonstrations de qubits logiques. Cependant, un défi central persiste : atténuer le bruit pour extraire des observables algorithmiques précises.

• La limitation des flux actuels : Bien que les codes de détection d'erreurs quantiques (QED) (comme le code Iceberg) puissent identifier et rejeter les exécutions erronées, les flux de compilation conventionnels traitent l'algorithme et les gadgets de détection d'erreurs comme des entités séparées. Ils utilisent des structures de gadgets fixes et un ordonnancement rigide.
• La conséquence : Cette séparation échoue à exploiter la flexibilité inhérente au codage et à l'ordonnancement des gadgets QED. Cela entraîne :
  • Une réduction du parallélisme.
  • Une augmentation de l'inactivité (idling) des qubits, qui expose les qubits aux erreurs de mémoire (décohérence) et à la décohérence.
  • L'impossibilité d'atteindre des performances "au-delà du point d'équilibre" (où le circuit codé surpasse le non codé) pour des circuits à grande échelle (généralement >20 qubits).

2. Méthodologie : Cadre de co-compilation

Les auteurs proposent un cadre de co-compilation conscient du matériel qui optimise conjointement le circuit algorithmique et les gadgets QED. La philosophie centrale consiste à traiter l'algorithme et le code de détection d'erreurs comme un système unique et flexible plutôt que comme deux étapes séquentielles.

Stratégies d'optimisation clés :

1. Nouveaux gadgets tolérants aux pannes :

   • Initialisation : Redesignée pour utiliser une construction GHZ à deux branches, réduisant la profondeur du circuit de moitié par rapport aux constructions linéaires précédentes.
   • Mesure du syndrome : Optimisée en réordonnant les portes CNOT pour réduire la profondeur de $k+6$ à $k+2$ (où $k$ est le nombre de qubits logiques).
   • Mesure finale : Réduction du nombre de qubits ancilla et de CNOT d'une unité.

2. Resynthèse des gadgets et réordonnancement des qubits :

   • L'ordre implicite des qubits dans les gadgets (généralement $[t, 1, \dots, k, b]$) n'est pas fixe. Le cadre permuté cet ordre pour prioriser les qubits fréquemment utilisés, réduisant les conflits et le temps d'inactivité.
   • Exemple : Réordonner les qubits dans le gadget d'initialisation pour correspondre à la connectivité des qubits les plus actifs de l'algorithme.

3. Exploitation de la symétrie du problème (symétrie $Z_2$) :

   • Pour des problèmes comme MaxCut, la solution est invariante sous un retournement global de bits ($X_1 X_2 \dots X_k$).
   • Dans le code Iceberg, cette symétrie permet d'implémenter les rotations logiques $X$ en utilisant soit le qubit du haut ($t$), soit le qubit du bas ($b$) comme contrôle.
   • Impact : Cela permet de diviser la couche de mélange en deux branches parallèles, réduisant la profondeur du circuit de moitié pour l'opérateur de mélange.

4. Compilation basée sur une recherche arborescente :

   • Pour naviguer dans l'espace de conception exponentiellement vaste créé par l'ordonnancement flexible des portes et les structures de gadgets, les auteurs ont développé un algorithme de recherche arborescente.
   • Représentation par graphe : Utilise un "graphe non compilé" pour estimer la profondeur et un "graphe exécutable" pour suivre les combinaisons de portes valides à chaque étape.
   • Fonction de coût heuristique : Combine la longueur du chemin actuel ($G$) avec une estimation heuristique de la profondeur restante ($H$), calculée en fonction du poids maximal des arêtes dans le graphe non compilé.
   • Objectif : Trouver le chemin le plus court (profondeur minimale) du nœud source (non compilé) au nœud objectif (complètement compilé) tout en préservant la tolérance aux pannes.

3. Contributions clés

1. Pipeline de co-compilation : Un cadre novateur qui optimise conjointement les circuits algorithmiques et les gadgets QED, dépassant le paradigme du "gadget fixe".
2. Recherche arborescente automatisée : Un compilateur évolutif qui utilise des représentations par graphes et des heuristiques pour explorer le vaste espace des ordonnancements de portes valides et des permutations de gadgets.
3. Démonstrations matérielles : Exécution réussie sur le processeur à ions piégés Quantinuum H2-1, démontrant des améliorations significatives en termes de profondeur, de taux de post-sélection et de probabilités de succès.
4. Passage à l'échelle au-delà du point d'équilibre : Extension de la limite des performances tolérantes aux pannes de 20 qubits (état de l'art précédent) à 34 qubits logiques.

4. Résultats expérimentaux

Le cadre a été évalué sur le matériel Quantinuum H2-1 et un émulateur, principalement en utilisant l'algorithme d'optimisation quantique approximative (QAOA) pour MaxCut, ainsi que des circuits Instantaneous Quantum Polynomial (IQP) et de Transformée de Fourier Quantique (QFT).

• Réduction de la profondeur du circuit :
  • Pour QAOA MaxCut, la co-compilation a réduit la profondeur à deux qubits jusqu'à 55 % par rapport aux bases de référence à gadgets fixes.
  • Pour les graphes réguliers, la réduction de profondeur était d'environ 54,8 % ; pour les graphes aléatoires (densité 0,2), environ 43,9 %.
• Taux de post-sélection :
  • Augmentation de 4 % à 33 % pour une instance $k=22$ (330 portes algorithmiques, 744 portes physiques).
  • Maintien d'un taux de post-sélection gérable de 6,6 % même à $k=38$.
• Probabilité de succès (au-delà du point d'équilibre) :
  • Atteinte de performances au-delà du point d'équilibre (surpassant les circuits non codés) pour jusqu'à 34 qubits algorithmiques.
  • À $k=22$, la probabilité de succès est passée de 44 % (référence) à 65 % (proposée).
  • À $k=34$, le circuit codé a surpassé la version non codée, alors que les méthodes précédentes échouaient à cette échelle.
• Autres algorithmes :
  • Circuits IQP : Réduction de profondeur jusqu'à 37 %.
  • Circuits QFT : Réduction de profondeur jusqu'à 13 % (limitée par la structure du circuit mais toujours bénéfique).
• Distribution d'énergie :
  • Les circuits codés Iceberg ont capturé la distribution d'énergie sans bruit plus précisément que les circuits non codés.
  • Une stratégie simple de post-traitement (troncature des queues longues) a amélioré la distance de variation totale (TVD) jusqu'à 57 % pour les circuits codés.

5. Signification

• Évolutivité des systèmes hybrides NISQ/tolérants aux pannes : Ce travail démontre que des performances "au-delà du point d'équilibre" sont réalisables sur du matériel à court terme pour des tailles de problèmes significativement plus grandes (jusqu'à 34 qubits) que ce qui était précédemment considéré comme possible.
• Atténuation des erreurs de mémoire : En réduisant agressivement la profondeur du circuit et l'inactivité des qubits grâce à la co-compilation, l'approche s'attaque directement au principal goulot d'étranglement des systèmes à ions piégés : les erreurs de mémoire (décohérence pendant les temps d'inactivité).
• Généralisabilité : Bien que démontré sur le code Iceberg et QAOA, le cadre de co-compilation est applicable à d'autres codes QED (par exemple, codes H) et algorithmes, offrant une voie vers des architectures tolérantes aux pannes plus efficaces.
• Étalonnage pratique : La capacité à extraire des distributions d'énergie de haute fidélité à partir de matériel bruyant suggère que la QED, combinée à une compilation intelligente, est un outil viable pour l'étalonnage des algorithmes quantiques à court terme, même avant la disponibilité de la correction d'erreurs complète.

En résumé, l'article soutient que le "bout de l'iceberg" (les performances QED actuelles) peut être considérablement étendu en traitant le code de détection d'erreurs et l'algorithme comme un système unifié et co-optimisé, débloquant le potentiel du matériel quantique actuel pour des tâches algorithmiques complexes.