Parametrized Quantum Circuit Learning for Quantum Chemical Applications

Les chimistes s'appuient depuis longtemps sur de puissants ordinateurs pour prédire le comportement des molécules, une tâche qui nécessite souvent la résolution d'équations incroyablement complexes pour comprendre le monde invisible des électrons. Pendant des décennies, ces calculs ont été le domaine des ordinateurs classiques, qui traitent l'information de manière directe et séquentielle. Cependant, une nouvelle frontière est apparue où les scientifiques tentent d'exploiter les règles étranges de la mécanique quantique — la physique qui régit les particules les plus petites — pour résoudre ces énigmes chimiques. L'espoir est qu'en utilisant des ordinateurs quantiques, capables d'exister dans plusieurs états à la fois, les chercheurs puissent un jour prédire les propriétés moléculaires plus rapidement et plus précisément que jamais. Une approche spécifique appelée apprentissage automatique quantique tente de fusionner ces deux mondes, en utilisant des ordinateurs quantiques pour apprendre des modèles dans les données chimiques, tout comme un humain apprendrait par l'expérience. Pourtant, bien que la théorie soit passionnante, il reste incertain si ces machines peuvent réellement surpasser les ordinateurs classiques que nous utilisons déjà pour les problèmes chimiques courants.

Une équipe de chercheurs s'est donné pour mission de tester cette idée en construisant et en entraînant une grande variété de circuits numériques conçus pour fonctionner sur des ordinateurs quantiques. Ils se sont concentrés sur deux défis chimiques très différents pour voir comment ces circuits pouvaient apprendre. Le premier défi consistait à prédire l'énergie nécessaire pour rompre des liaisons chimiques spécifiques dans une large collection de molécules, une tâche relativement simple pour les ordinateurs standards. Le second défi était plus spécialisé, impliquant la prédiction du comportement des électrons dans les molécules d'eau, un problème profondément ancré dans la mécanique quantique elle-même. Pour ce faire, les scientifiques ont construit 168 versions différentes de ces circuits quantiques, mélangeant et associant 14 façons d'injecter des données dans la machine avec 12 structures internes différentes conçues pour traiter cette information. Ils ont testé ces circuits sur des simulations d'ordinateurs quantiques de cinq et seize qubits, les unités de base de l'information dans un système quantique, avant de faire tourner leurs meilleurs modèles sur du matériel quantique réel et physique.

Les résultats ont brossé un tableau à la fois prometteur et marqué par des limitations significatives. Lorsque les chercheurs ont testé les circuits sur les données d'énergie de rupture de liaison, les modèles quantiques ont énormément peiné. Même les circuits les plus performants n'ont pas pu prédire les valeurs d'énergie avec une précision utile, se comportant souvent de la même manière qu'une simple estimation de la valeur moyenne pour chaque molécule. L'étude suggère que la façon dont les données chimiques ont été traduites dans un format compréhensible pour l'ordinateur quantique a peut-être éliminé trop de détails, laissant la machine avec trop peu d'informations pour apprendre. En revanche, les circuits quantiques ont obtenu de bien meilleurs résultats sur les données de la molécule d'eau, qui traitent directement du comportement des électrons. Ici, les modèles ont pu apprendre les modèles suffisamment bien pour faire des prédictions précises, atteignant un niveau de succès qui peut être considéré comme utile. Cette différence suggère que les machines quantiques pourraient être mieux adaptées aux problèmes qui sont intrinsèquement quantiques, plutôt que d'essayer de forcer ces machines à résoudre des problèmes que les ordinateurs classiques gèrent déjà facilement.

Les chercheurs ont également examiné si le fait de rendre les circuits plus complexes les aiderait à mieux apprendre. Ils ont essayé d'ajouter plus de couches aux circuits et de faire passer les données à travers la machine plusieurs fois, une technique destinée à aider le modèle à saisir des motifs plus complexes. Pour les données de rupture de liaison, ajouter de la complexité n'a fait aucune différence ; les modèles sont restés bloqués. Pour les données de la molécule d'eau, cependant, l'augmentation de la profondeur du circuit a amélioré la précision, permettant au modèle d'apprendre plus efficacement. Pourtant, même avec ces améliorations, les modèles quantiques n'ont toujours pas pu égaler la performance des meilleurs modèles informatiques classiques, qui ont résolu les deux problèmes avec une précision quasi parfaite. L'étude soutient explicitement l'idée que le simple ajout de paramètres ou de données d'entraînement à un circuit quantique ne conduira pas automatiquement à des résultats supérieurs, montrant que pour ces tâches chimiques spécifiques, l'approche quantique est actuellement dépassée par les méthodes traditionnelles.

Le test final a consisté à faire tourner le modèle de molécule d'eau le plus performant sur un ordinateur quantique réel accessible au public. Alors que la simulation sur un ordinateur prédisait les résultats avec une grande précision, au moment où l'expérience est passée sur l'appareil physique réel, la performance s'est effondrée. L'environnement bruyant de la machine réelle, rempli d'interférences et d'erreurs, a rendu les prédictions peu fiables et inexactes. Ce résultat souligne un obstacle majeur : bien que la théorie mathématique de ces circuits fonctionne bien dans une simulation parfaite et sans bruit, la génération actuelle de matériel quantique est simplement trop imparfaite pour gérer les calculs délicats requis pour des applications chimiques pratiques. L'étude conclut que si l'apprentissage automatique quantique possède un potentiel théorique, particulièrement pour les problèmes naturellement quantiques, la technologie n'est pas encore prête à remplacer les ordinateurs classiques pour les tâches chimiques qu'elle était censée traiter. La voie à suivre, suggèrent les auteurs, ne réside pas seulement dans la construction de machines plus grandes, mais dans la recherche de nouvelles manières de formuler les problèmes chimiques afin qu'ils bénéficient réellement des capacités uniques de l'informatique quantique.