Implementing Pearl's $\mathcal{DO}$-Calculus on Quantum Circuits: A Simpson-Type Case Study on NISQ Hardware

Cet article présente une méthode pour implémenter le calcul DO de Pearl sur des circuits quantiques via une « chirurgie de circuit », démontrant par une étude de cas de type Simpson sur un processeur NISQ que les distributions d'intervention peuvent être exécutées physiquement avec une précision correspondant aux prévisions classiques.

L'essentiel

🌟 Le Titre : Quand la Médecine Quantique Répare les Mensonges des Statistiques

Imaginez que vous essayez de comprendre pourquoi une nouvelle médecine fonctionne (ou non). Vous regardez les données, mais quelque chose cloche : les chiffres vous disent une chose, alors que la réalité en dit une autre. C'est ce qu'on appelle le Paradoxe de Simpson.

Cet article raconte comment un chercheur, Pilsung Kang, a utilisé un ordinateur quantique (une machine futuriste très puissante) pour résoudre ce mystère, en transformant les mathématiques abstraites de la "causalité" en un véritable circuit électrique quantique.

Voici l'histoire, expliquée simplement.

---

1. Le Problème : Le Magicien des Statistiques (Le Paradoxe de Simpson)

Imaginez un hôpital où l'on teste un nouveau médicament.

• Le groupe A (les hommes) : 85 % prennent le médicament. Ils vont plutôt mal, car ils étaient déjà très malades.
• Le groupe B (les femmes) : 15 % prennent le médicament. Elles vont très bien, car elles étaient en bonne santé.

Si vous regardez tous les patients ensemble sans faire attention au genre, vous allez penser : "Oh non ! Le médicament est dangereux, car ceux qui le prennent vont moins bien !".
C'est un mensonge statistique. En réalité, le médicament fonctionne très bien pour tout le monde ! Le problème vient d'un "chef de la confusion" caché : le genre. Les hommes (qui étaient plus malades) ont pris le médicament plus souvent que les femmes.

En langage scientifique, on dit qu'il y a un facteur de confusion (le genre) qui fausse les résultats. Pour trouver la vérité, il faut faire une "opération chirurgicale" sur les données pour isoler l'effet du médicament. C'est ce que le mathématicien Judea Pearl appelle le DO-calcul (l'art de dire "Si on force tout le monde à prendre le médicament...").

2. La Solution : Le "Chirurgien Quantique"

Jusqu'à présent, on faisait ces calculs sur des ordinateurs classiques, comme des feuilles de calcul géantes. Mais ici, l'auteur a eu une idée brillante : et si on construisait le circuit de l'ordinateur quantique pour qu'il ressemble exactement au schéma de la maladie ?

Voici comment ils ont fait, avec une analogie simple :

• Les Qubits sont des personnages : Imaginez trois petites pièces de monnaie quantiques (des qubits).
  • La pièce 1 = Le Genre (Homme/Femme).
  • La pièce 2 = Le Traitement (Médicament ou Non).
  • La pièce 3 = Le Résultat (Guéri ou Pas).
• Les Portes Quantiques sont des liens : Au lieu d'écrire des formules, ils ont branché ces pièces entre elles avec des "portes" spéciales. Si la pièce "Genre" tombe sur "Homme", elle active une porte qui change la probabilité que la pièce "Traitement" tombe sur "Médicament". C'est comme si le destin des pièces était lié par un fil invisible.
• La "Chirurgie de Circuit" (Circuit Surgery) : C'est la partie la plus cool. Pour simuler l'intervention (le "DO"), ils ont pris le circuit physique et ont arraché le fil qui reliait le Genre au Traitement.
  • Avant la chirurgie : Le genre dictait qui prenait le médicament (c'est la réalité observée, biaisée).
  • Après la chirurgie : Ils ont forcé la pièce "Traitement" à tomber sur "Médicament", peu importe le genre. Ils ont recréé un monde où le médicament est distribué au hasard, comme dans une vraie expérience scientifique parfaite.

3. L'Expérience : Sur Terre et dans le Nuage

L'auteur a testé cette idée de deux manières :

1. La Simulation (Le Monde Parfait) : Sur un ordinateur classique ultra-rapide, ils ont simulé le circuit quantique. Résultat : Le paradoxe a disparu ! Le circuit a correctement montré que le médicament était bénéfique, même si les données brutes disaient le contraire.
2. L'Expérience Réelle (Le Monde Bruité) : Ils ont envoyé ce circuit sur un vrai ordinateur quantique (un IonQ Aria) qui utilise des ions piégés. Ces machines sont encore petites et font des erreurs (du "bruit").
   • Le résultat : Même avec les erreurs de la machine, le circuit a réussi à retrouver la vérité ! Il a confirmé que le médicament fonctionne, là où les statistiques classiques auraient pu se tromper.

Ils ont aussi testé un modèle plus complexe avec 10 qubits (comme un petit hôpital virtuel avec beaucoup de patients et de facteurs confus), et là encore, la méthode quantique a réussi à démêler le vrai effet du médicament.

4. Pourquoi c'est important ? (La Morale de l'Histoire)

Ce n'est pas une machine qui va devenir plus rapide que les autres demain matin. L'auteur le précise : ce n'est pas une question de vitesse, mais de méthode.

• L'analogie finale : Imaginez que vous voulez comprendre pourquoi une voiture ne démarre pas.
  • La méthode classique, c'est de regarder les statistiques des pannes sur des milliers de voitures et de deviner.
  • La méthode de cet article, c'est de construire une maquette physique de la voiture, de couper un fil spécifique (la chirurgie), et de voir directement ce qui se passe quand on force le moteur à tourner.

En résumé :
Cet article prouve qu'on peut utiliser la physique quantique pour faire de la "médecine des données". En transformant les graphes de causalité en circuits électriques réels, on peut littéralement couper les liens de la confusion et voir la vérité nue. C'est un pas de géant pour créer des intelligences artificielles plus justes, qui ne se fient pas aux apparences trompeuses, mais qui comprennent vraiment les causes et les effets.

C'est comme passer de la lecture d'une carte à la conduite réelle de la voiture pour comprendre le chemin.

Résumé technique

1. Problématique

La distinction entre corrélation et causalité constitue un défi fondamental pour l'intelligence artificielle, en particulier dans des domaines à haut risque comme la médecine ou la finance. Un exemple paradigmatique de cette difficulté est le paradoxe de Simpson, où une tendance observée dans des sous-groupes de données s'inverse ou disparaît lorsque les données sont agrégées, souvent en raison d'une variable de confusion cachée.

Bien que le calcul DO de Pearl (DO-calculus) offre un cadre théorique rigoureux pour résoudre ces problèmes en calculant des probabilités d'intervention $P(Y | DO(X))$, sa mise en œuvre est généralement abstraite et symbolique, basée sur des distributions de probabilité classiques. La question centrale de cet article est de savoir si cette logique d'intervention peut être donnée une sémantique exécutable sur des dispositifs physiques quantiques, en particulier sur les processeurs quantiques à échelle intermédiaire bruyants (NISQ).

2. Méthodologie

Les auteurs proposent un cadre qui mappe les modèles causaux structurels (SCM) directement sur des circuits quantiques. La méthodologie repose sur trois piliers principaux :

• Encodage des variables causales : Chaque nœud du graphe causal (variables binaires) est représenté par un registre de qubits. Les états $|0\rangle$ et $|1\rangle$ correspondent aux valeurs binaires des variables.
• Implémentation des liens probabilistes : Les relations causales (flèches du graphe) sont implémentées à l'aide de portes quantiques contrôlées, spécifiquement des portes de rotation contrôlée autour de l'axe Y ($CRY(\theta)$). L'angle de rotation $\theta$ encode la force de la relation causale (probabilité conditionnelle).
• Chirurgie de circuit (Circuit Surgery) : C'est le cœur de l'approche pour réaliser l'opérateur $DO$. Pour simuler une intervention sur une variable $X$ (par exemple, forcer un traitement), les auteurs effectuent une « chirurgie » physique sur le circuit :
  1. Ils suppriment toutes les portes quantiques correspondant aux flèches entrantes vers le nœud $X$ (ce qui équivaut à couper les liens de confusion).
  2. Ils préparent l'état du qubit $X$ de manière déterministe à la valeur souhaitée (par exemple, en appliquant une porte $X$ pour forcer l'état à $|1\rangle$).
     Cela crée un nouveau circuit représentant un « monde causal » modifié où $X$ n'est plus influencé par ses causes antérieures.

L'étude valide cette approche sur deux modèles :

1. Un modèle fondamental à 3 qubits représentant un scénario de paradoxe de Simpson avec une variable de confusion (Genre) affectant à la fois le Traitement et le Résultat.
2. Un modèle complexe à 10 qubits simulant un réseau de soins de santé avec des confusions à plusieurs niveaux.

3. Contributions Clés

Les contributions principales de l'article sont :

• Compilation exécutable : Transformation des SCM binaires en circuits quantiques bloc-diagonaux, où les opérations du DO-calculus (intervention, conditionnement, marginalisation) ont une traduction directe en primitives de circuit.
• Validation expérimentale sur NISQ : Réalisation d'une preuve de concept sur le processeur à ions piégés IonQ Aria. Les résultats montrent une bonne concordance entre les estimations matérielles et les bases de référence classiques, malgré le bruit inhérent aux dispositifs NISQ.
• Résolution du paradoxe de Simpson : Démonstration que l'approche par chirurgie de circuit permet de récupérer l'effet causal véritable (ACE) en éliminant les biais de confusion, là où l'analyse observationnelle échoue.
• Quantification du biais : Application de la méthode à un réseau de 10 qubits pour montrer que la stratification statistique simple (sur une seule variable) est insuffisante pour corriger les biais dans des systèmes complexes, tandis que l'intervention quantique le fait correctement.

4. Résultats

• Modèle à 3 qubits :
  • Observation : L'analyse observationnelle montre un effet de traitement positif dans les sous-groupes (Hommes et Femmes) mais un effet global négatif (paradoxe de Simpson), avec un effet de -0,061 en simulation.
  • Intervention ($DO$) : Après chirurgie de circuit, l'effet causal véritable est retrouvé positif (+0,232 en simulation, +0,222 sur le matériel IonQ).
  • Bruit : Bien que les intervalles de confiance sur le matériel soient plus larges en raison du bruit, la tendance qualitative et la résolution du paradoxe sont confirmées.
• Modèle à 10 qubits :
  • L'analyse observationnelle sous-estime l'effet causal réel (+0,377 vs +0,486).
  • La stratification par une seule variable (Âge ou Région) donne des résultats inconsistants ou partiellement corrigés.
  • L'intervention quantique isole l'effet causal moyen (ACE) exact de +0,486, démontrant la capacité du cadre à gérer des confusions multiples simultanément.

5. Signification et Implications

• Pas de supériorité quantique revendiquée : Les auteurs précisent qu'ils ne revendiquent pas d'accélération quantique (speedup) ni de nouveaux critères d'identification causale. L'objectif est de valider expérimentalement le calcul DO classique sur du matériel quantique.
• Laboratoire computationnel : Ce cadre offre un « laboratoire computationnel » pour tester des interventions causales qui seraient trop coûteuses, non éthiques ou impossibles à réaliser physiquement (ex: essais cliniques randomisés complets ou réécriture de l'histoire).
• IA Explicable et Équitable : En permettant de distinguer les corrélations spurious des effets causaux réels, cette approche contribue au développement de systèmes d'IA plus robustes, équitables et explicables.
• Futur de la recherche : L'article ouvre la voie vers des algorithmes quantiques pour la découverte de graphes causaux (apprendre la structure du graphe) et le développement de circuits d'inférence causale résistants au bruit, dépassant les limites des modèles simulables classiquement.

En conclusion, cet article établit une voie concrète pour représenter, exécuter et tester empiriquement les graphes causaux et les interventions de style Pearl au sein du formalisme des circuits quantiques, validant ainsi le potentiel des dispositifs NISQ pour l'inférence causale.