Auteurs originaux : Nannan Ma, Heng Dai, Jiangbin Gong

Publié 2026-05-05

📖 5 min de lecture🧠 Analyse approfondie

Auteurs originaux : Nannan Ma, Heng Dai, Jiangbin Gong

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

Imaginez que vous essayez de trouver le point le plus bas d'une vaste chaîne de montagnes enveloppée de brouillard. Dans le monde de la physique, ce « point le plus bas » est appelé l'état fondamental, et les sommets plus élevés sont des états excités. Connaître l'emplacement de ces points aide les scientifiques à comprendre comment se comportent les matériaux, comment fonctionnent les aimants et comment fonctionnent les ordinateurs quantiques.

Pendant longtemps, trouver ces points sur un ordinateur a été comparable à essayer de cartographier chaque centimètre carré de cette chaîne de montagnes avec une règle. À mesure que la montagne grandit (plus de particules impliquées), la tâche devient impossible pour les ordinateurs classiques car la quantité de données explose.

Cet article présente un nouvel algorithme quantique « sans pénalité » qui agit comme un drone intelligent et automatisé pour trouver ces points. Voici comment cela fonctionne, décomposé en concepts simples :

1. Le problème des anciennes méthodes

La plupart des méthodes actuelles ressemblent à une tentative de trouver le point le plus bas par essais et erreurs. Vous construisez un modèle, devinez un emplacement, puis utilisez un ordinateur classique pour ajuster votre hypothèse.

Le piège : Parfois, l'ordinateur reste coincé dans un « plateau stérile » — une zone plate où, peu importe la direction dans laquelle vous poussez votre hypothèse, elle ne s'améliore pas. C'est comme marcher dans un désert plat sans savoir dans quelle direction mène la vallée.
La pénalité : Pour trouver le deuxième point le plus bas (le premier état excité), les anciennes méthodes doivent souvent ajouter une « pénalité » aux mathématiques. C'est comme placer un énorme rocher sur le point le plus bas pour forcer le drone à l'ignorer et chercher le suivant. Ce rocher est difficile à construire et brise souvent le système.

2. La nouvelle approche : l'« Échantillonneur stochastique »

Les auteurs proposent une méthode qui ne devine pas, n'utilise pas de pénalités et n'a pas besoin d'un ordinateur classique pour l'aider. Elle repose sur l'Évolution en Temps Imaginaire (ITE).

Considérez l'ITE comme un filtre magique qui draine lentement l'« énergie » d'un système. Si vous commencez avec un mélange aléatoire d'états, ce filtre élimine naturellement les états de haute énergie, ne laissant derrière lui que l'état d'énergie la plus basse.

Comment ils le font fonctionner sur un ordinateur quantique :
Au lieu d'essayer de construire une machine géante et complexe pour drainer l'énergie d'un coup, ils divisent le problème en deux parties plus petites et plus faciles (appelons-les Partie A et Partie B).

Imaginez que vous avez un puzzle complexe, mais que vous connaissez la solution de la moitié gauche et la solution de la moitié droite séparément.
L'algorithme choisit au hasard une pièce (soit A, soit B) et applique une petite quantité de « drainage » dessus.
En répétant cet échantillonnage aléatoire des milliers de fois, le système s'écoule naturellement vers l'état fondamental. C'est comme une goutte d'eau roulant sur une colline ; elle n'a pas besoin de carte, elle suit simplement le chemin de moindre résistance.

3. Trouver les sommets plus élevés (états excités)

Une fois que le drone a trouvé la vallée la plus basse (l'état fondamental), comment trouvons-nous la suivante sans utiliser de « rocher de pénalité » ?

Les auteurs utilisent un tour de force ingénieux appelé Simulation basée sur l'état.

L'analogie : Imaginez que vous avez trouvé la vallée la plus basse. Maintenant, vous voulez trouver la deuxième plus basse. Au lieu de placer un rocher sur la première vallée, vous créez une parfaite « copie fantôme » de cette vallée et la placez à côté de la vraie.
L'algorithme effectue ensuite une danse spéciale (une opération quantique) entre le système réel et cette copie fantôme. Si le système réel ressemble trop à la copie fantôme (l'état fondamental), la danse l'annule.
Cela permet de « filtrer » efficacement l'état fondamental, permettant au système de se stabiliser naturellement dans la prochaine vallée la plus basse (le premier état excité).
Vous pouvez répéter ce processus : une fois la deuxième vallée trouvée, vous créez une copie fantôme de celle-ci, la filtrez, et trouvez la troisième.

4. Pourquoi c'est une grande avancée

Sans pénalités : Il n'a pas besoin d'ajouter de « rochers » artificiels (fonctions de pénalité) pour forcer le système à ignorer l'état fondamental. Il les filtre simplement proprement.
Sans plateaux stériles : Parce qu'il ne repose pas sur un ordinateur classique pour ajuster des paramètres (comme les anciennes méthodes d'« essais et erreurs »), il évite le piège de rester coincé dans des zones plates et inutiles.
Purement quantique : Il s'exécute entièrement sur l'ordinateur quantique, utilisant les propriétés naturelles de la mécanique quantique pour effectuer le gros du travail.

5. La preuve

Les auteurs ont testé cette idée en utilisant un modèle célèbre appelé le Modèle d'Ising Transverse (pensez-y comme une rangée de minuscules aimants qui peuvent basculer vers le haut ou vers le bas).

Ils ont trouvé avec succès l'état fondamental et les trois premiers états excités.
Les résultats étaient très précis (plus de 96 % de fidélité), même lorsqu'ils simulaient un système plus grand avec 10 aimants.
Ils ont montré que même si les aimants ont des énergies presque identiques (presque dégénérés), l'algorithme peut toujours les distinguer.

Résumé

Cet article présente une nouvelle façon d'utiliser un ordinateur quantique pour résoudre des problèmes d'énergie complexes. Au lieu de lutter contre les pénalités et de rester coincé dans des impasses, cette méthode utilise l'échantillonnage aléatoire pour s'écouler naturellement vers l'état d'énergie la plus basse, puis utilise des copies fantômes pour filtrer ce qu'elle a déjà trouvé, révélant ainsi le niveau d'énergie suivant. C'est un chemin plus propre et plus direct pour comprendre le monde quantique.

Résumé technique : Un algorithme quantique sans pénalité pour trouver les états propres d'énergie

Énoncé du problème

La recherche des valeurs propres et des états propres d'hamiltoniens à plusieurs corps constitue un défi fondamental en physique et en sciences computationnelles. Les méthodes classiques font face à une mise à l'échelle exponentielle (stockage $O(2^{2n})$ et temps $O(2^{3n})$ ) à mesure que le nombre de qubits $n$ augmente. Bien que les algorithmes quantiques offrent une voie à suivre, les approches existantes présentent des limitations significatives :

VQE (Variational Quantum Eigensolver) : Une approche hybride quantique-classique qui souffre souvent de « plateaux stériles » (gradients s'annulant) lors de l'optimisation. La recherche d'états excités nécessite généralement des termes de pénalité pour supprimer les contributions de l'état fondamental, augmentant ainsi la complexité et le risque d'erreur.
Recuit quantique : Nécessite des temps d'évolution longs pour assurer l'adiabaticité et éprouve des difficultés face aux petites écarts d'énergie entre l'état fondamental et les états excités.
Évolution en temps imaginaire (ITE) et QITE : Bien que prometteuses, l'ITE standard fait face à des problèmes de mise à l'échelle dans la réalisation d'opérateurs non unitaires. Le QITE repose souvent sur une optimisation variationnelle ou des termes de pénalité pour les états excités, réintroduisant les défis des plateaux stériles et nécessitant des ansatzes complexes.
Autres méthodes : Des techniques telles que la diagonalisation par filtre quantique (QFD) et l'estimation de phase quantique filtrée (FQPE) dépendent fortement d'états de référence spécifiques ou de fonctions de filtre optimisées.

Les auteurs identifient le besoin d'un algorithme entièrement quantique capable de trouver à la fois l'état fondamental et les états excités sans fonctions de pénalité, étapes variationnelles ou boucles hybrides classique-quantique, évitant ainsi les plateaux stériles.

Méthodologie

L'algorithme proposé est une méthode entièrement quantique et sans pénalité basée sur l'échantillonnage stochastique d'une matrice de densité d'état mixte combinée à une simulation basée sur l'état.

1. Décomposition de l'hamiltonien et mapping de la matrice de densité

L'algorithme suppose que l'hamiltonien cible $H$ peut être décomposé en deux composantes résolubles, $H = h_1 + h_2$ , dont les valeurs propres ( $\lambda^j_i$ ) et les états propres ( $|\psi^j_i\rangle$ ) de $h_1$ et $h_2$ sont connus et faciles à préparer.

Les auteurs décalent et redimensionnent les valeurs propres de $h_1$ et $h_2$ pour créer une distribution de probabilité valide.
Ils construisent une matrice de densité d'état mixte $\rho$ équivalente à l'hamiltonien décalé :
$\rho = \frac{1}{C} (H + (c_1 + c_2)I) = \sum_{i,j} p^j_i |\psi^j_i\rangle\langle\psi^j_i|$
où $p^j_i$ sont des probabilités dérivées des valeurs propres décalées. Les états propres de $\rho$ sont identiques à ceux de $H$ .

2. Évolution stochastique en temps imaginaire (ITE) pour l'état fondamental

Pour trouver l'état fondamental, l'algorithme effectue une ITE sur $\rho$ en utilisant un échantillonnage stochastique :

Échantillonnage : À chaque pas de temps $\eta$ , un projecteur $P^j_i = |\psi^j_i\rangle\langle\psi^j_i|$ est échantillonné à partir de la distribution $\{p^j_i\}$ .
Opérateur d'évolution : Au lieu d'implémenter le non-unitaire complet $e^{-\eta \rho}$ , l'algorithme implémente l'opérateur $I - \eta P^j_i$ pour le projecteur échantillonné.
Implémentation du circuit : Cela est réalisé via un circuit unitaire à post-sélection impliquant un qubit auxiliaire. L'unité $U$ est une porte contrôlée-SU(2) à $n$ qubits. Si le système est dans l'état correspondant au projecteur échantillonné, l'auxiliaire subit une rotation ; sinon, il reste inchangé. La post-sélection de l'auxiliaire dans l'état $|0\rangle$ produit l'opération désirée $I - \eta P^j_i$ .
Convergence : La répétition de ce processus conduit le système vers l'état fondamental de $\rho$ (et donc de $H$ ) sans optimisation variationnelle.

3. Simulation basée sur l'état pour les états excités

Pour trouver les états excités, l'algorithme doit supprimer les contributions des états de plus basse énergie déjà trouvés (par exemple, l'état fondamental $P_g$ ).

Défi : Implémenter directement des projecteurs pour des états fondamentaux fortement intriqués est difficile.
Solution : Les auteurs utilisent un protocole de simulation basée sur l'état. Cela implique un système dual à $n$ qubits (auxiliaire) préparé dans l'état fondamental connu $P_g$ , un qubit de contrôle et le système principal.
Mécanisme : Une porte SWAP contrôlée est appliquée entre le système principal et l'auxiliaire, conditionnée par le qubit de contrôle. Mesurer le qubit de contrôle dans la base $|+\rangle$ implémente efficacement l'évolution $e^{-\eta P_g}$ (approximée par $I - \eta P_g$ ), projetant ainsi la composante de l'état fondamental.
Procédure de levée : Pour trouver le premier état excité, la probabilité d'échantillonner le projecteur de l'état fondamental est artificiellement « levée » (augmentée) dans la distribution de la matrice de densité. L'algorithme effectue ensuite une ITE sur cette distribution modifiée. Lorsque le projecteur de l'état fondamental est échantillonné, la simulation basée sur l'état est utilisée pour le filtrer. Ce processus peut être itéré pour trouver des états excités plus élevés.

4. Variante pour les hamiltoniens généraux

Pour les hamiltoniens ne pouvant pas être facilement divisés en deux parties résolubles, les auteurs proposent une variante où $H$ est traité comme une combinaison linéaire d'opérateurs de Pauli ( $H = \sum \alpha_i O_i$ ). L'échantillonnage stochastique est appliqué directement à ces opérateurs de Pauli, avec des implémentations de circuits similaires pour les étapes d'évolution.

Résultats clés

Les auteurs ont validé l'algorithme en utilisant des simulations classiques du modèle d'Ising en champ transverse (une chaîne 1D avec conditions aux limites périodiques), qui sert de référence car il peut être divisé en composantes résolubles dans les bases $Z$ et $X$ .

État fondamental (système à 4 qubits) : Atteint une fidélité de 99,9 % avec l'état fondamental exact.
États excités (système à 4 qubits) :
- 1er état excité : 98,6 % de fidélité.
- 2e état excité : 96,8 % de fidélité.
- 3e état excité : 96,6 % de fidélité.
Test de mise à l'échelle (système à 10 qubits) : L'algorithme a trouvé avec succès l'état fondamental (98,6 % de fidélité) et le premier état excité (97,8 % de fidélité). Il a également résolu le troisième état propre le plus bas (90,2 % de fidélité) malgré une quasi-dégénérescence entre les deux premiers états.
Variante Pauli : La variante d'échantillonnage d'opérateurs de Pauli a également démontré des fidélités élevées (97,1 %–99,5 %) pour les quatre premiers états propres dans le cas à 4 qubits.
Mise à l'échelle des ressources : L'analyse théorique indique que l'algorithme évolue avec $O(n)$ portes à deux qubits par étape, une amélioration significative par rapport aux méthodes ITE basées sur Trotter qui évoluent en $O(n^2)$ .

Importance et revendications

L'article prétend présenter un algorithme entièrement quantique qui résout le problème des états propres sans les inconvénients des méthodes hybrides ou variationnelles actuelles :

Sans pénalité : Il trouve les états excités sans ajouter de termes de pénalité à une fonction de perte, évitant ainsi le besoin d'ansatzes complexes et le risque de plateaux stériles.
Sans étapes hybrides : Il élimine le besoin de boucles d'optimisation classiques, en faisant une procédure purement quantique.
Large applicabilité : L'hypothèse que $H$ peut être divisé en parties résolubles est jugée non restrictive, couvrant de nombreux modèles physiques et même des problèmes QMA-complets.
Robustesse : La méthode démontre la capacité de trouver plusieurs états propres de basse énergie de manière séquentielle, même dans des systèmes avec des niveaux d'énergie quasi-dégénérés.

Les auteurs reconnaissent que le taux de réussite global dépend de la post-sélection, ce qui peut constituer un défi sur les dispositifs quantiques intermédiaires à bruit (NISQ) actuels en raison des erreurs de porte et de la décohérence. Cependant, ils postulent que la méthode offre une voie concrète pour utiliser des circuits quantiques afin de résoudre des problèmes d'états propres intraitables classiquement, servant d'ajout fondamental à la boîte à outils du calcul quantique.

A penalty-free quantum algorithm to find energy eigenstates