DeepQuantum: A PyTorch-based Software Platform for Quantum Machine Learning and Photonic Quantum Computing

DeepQuantum est une plateforme logicielle open source basée sur PyTorch qui intègre de manière unique les circuits quantiques, les circuits quantiques photoniques et l'informatique quantique basée sur la mesure pour permettre une modélisation hybride quantique-classique efficace, des simulations de réseaux de tenseurs à grande échelle et une conception d'algorithmes robuste pour l'informatique quantique photonique et l'apprentissage automatique quantique.

L'essentiel

Imaginez que vous essayez de construire une machine complexe, mais que vous disposez de trois types de plans différents : un pour un circuit électrique standard, un pour un système composé de faisceaux lumineux, et un pour une machine qui fonctionne entièrement en « vérifiant les résultats » plutôt qu'en appuyant sur des boutons. Habituellement, vous auriez besoin de trois logiciels différents pour concevoir ces systèmes, et ils ne pourraient pas communiquer entre eux.

DeepQuantum est une nouvelle plateforme logicielle open source qui agit comme un « traducteur universel » et un « atelier surpuissant » pour l'informatique quantique. Elle est construite sur la base de PyTorch, un outil célèbre utilisé par les chercheurs en intelligence artificielle pour créer des réseaux de neurones. En utilisant PyTorch comme fondation, DeepQuantum permet aux scientifiques de mélanger et d'associer ces trois styles quantiques différents avec la même facilité qu'un programmeur mélange du code aujourd'hui.

Voici une décomposition des affirmations de l'article, en utilisant des analogies simples :

1. Les trois langages de l'informatique quantique

L'article souligne que DeepQuantum est le premier outil à connecter de manière transparente trois façons distinctes de faire des mathématiques quantiques :

• Qubits (Le standard) : Considérez-les comme les « interrupteurs » d'un ordinateur traditionnel, mais qui peuvent être allumés, éteints ou les deux à la fois. DeepQuantum vous permet de concevoir des circuits avec ces interrupteurs exactement comme vous construiriez une structure en Lego.
• Photons (Les faisceaux lumineux) : Au lieu d'interrupteurs, cela utilise des particules de lumière. La lumière est excellente car elle n'est pas facilement perturbée par le bruit (comme une conversation calme dans une bibliothèque). DeepQuantum peut simuler des ordinateurs basés sur la lumière en utilisant trois « lentilles » différentes :
  • Fock : Compter les photons individuels (comme compter des billes).
  • Gaussien : Traiter la lumière comme des ondes lisses (comme des rides à la surface d'un étang).
  • Bosonique : Une méthode hybride pour gérer des états lumineux très étranges et non standards.
• Basé sur la mesure (Le « vérifiez-au-fur-et-à-mesure ») : Au lieu d'exécuter un circuit complet, cette méthode crée un immense « filet » de particules intriquées, puis résout des problèmes en mesurant des parties spécifiques du filet. DeepQuantum peut traduire directement une conception de circuit standard dans ce format « filet ».

Le grand avantage : Auparavant, vous pouviez concevoir un circuit dans un style et devoir le réécrire manuellement pour un autre. DeepQuantum effectue cette traduction automatiquement, permettant aux chercheurs de concevoir une machine « hybride » qui utilise les meilleurs aspects des trois styles.

2. Le super-pouvoir de l'« IA »

L'article souligne qu'il ne s'agit pas seulement d'une calculatrice ; c'est un outil renforcé par l'IA.

• L'analogie : Imaginez essayer de régler une radio pour trouver une station claire. Dans le passé, vous deviez tourner le bouton lentement et écouter. Avec DeepQuantum, car il est construit sur PyTorch, il peut « sentir » exactement dans quelle direction tourner le bouton pour obtenir le son le plus clair instantanément.
• Pourquoi cela compte : Cela permet au logiciel d'ajuster automatiquement les paramètres d'un ordinateur quantique pour résoudre des problèmes (comme trouver l'état d'énergie le plus bas d'une molécule ou classifier des images) beaucoup plus rapidement. Il traite l'ordinateur quantique comme une partie d'un cerveau d'IA plus vaste.

3. La fonction « Zoom » (Simulation à grande échelle)

Simuler un ordinateur quantique est incroyablement difficile car la quantité d'informations croît de manière exponentielle. Simuler 50 qubits revient à essayer de se souvenir de chaque grain de sable sur une plage.

• L'analogie des réseaux de tenseurs : DeepQuantum utilise une astuce appelée « réseaux de tenseurs ». Imaginez que vous avez une énorme pelote de laine emmêlée. Au lieu d'essayer de tenir toute la pelote, vous la coupez en boucles plus petites et gérables qui restent connectées. Cela permet au logiciel de simuler des systèmes avec plus de 100 qubits sur un seul ordinateur portable, à condition que les connexions entre eux ne soient pas trop désordonnées.
• L'analogie distribuée : Si la pelote de laine est trop grosse pour une seule personne, DeepQuantum peut répartir le travail parmi une équipe d'ordinateurs (ou un cluster de GPU puissants). Il agit comme un chef d'orchestre, indiquant à chaque ordinateur quelle partie de la simulation traiter, puis recoud les résultats ensemble.

4. Ce qu'ils ont réellement testé (Les benchmarks)

Les auteurs n'ont pas seulement dit « c'est rapide » ; ils l'ont prouvé avec des tests spécifiques :

• Vitesse : Ils ont comparé DeepQuantum à d'autres outils populaires (comme PennyLane et Strawberry Fields). Dans des tests impliquant des gradients (le « réglage » mentionné ci-dessus) et des fonctions mathématiques complexes, DeepQuantum était souvent 10 à 100 fois plus rapide, en particulier lors de l'utilisation de cartes graphiques puissantes (GPU).
• Tests photoniques : Ils ont simulé avec succès des tâches complexes basées sur la lumière, telles que :
  • Créer une porte « CNOT » (un interrupteur logique fondamental) en utilisant la lumière.
  • Simuler l'échantillonnage de bosons gaussiens (« Gaussian Boson Sampling »), une tâche utilisée pour prouver que les ordinateurs quantiques sont plus rapides que les classiques.
  • Générer des « états de grappes » (« Cluster States », d'immenses filets de lumière intriquée) en utilisant une technique appelée multiplexage temporel (TDM), qui consiste à envoyer un train d'impulsions lumineuses à travers une boucle pour construire une structure massive au fil du temps.
• Exemples concrets : Ils ont montré le logiciel fonctionnant sur :
  • QResNet : Une version quantique d'un réseau de neurones qui utilise des « connexions résiduelles » (sautant des couches) pour mieux apprendre, similaire au fonctionnement des reconnaisseurs d'images modernes de l'IA.
  • Classification MNIST : Utiliser un circuit quantique pour distinguer des chiffres écrits à la main (0 et 1) avec une précision supérieure à 94 %.
  • Modèle d'Ising : Simuler un système magnétique avec 45 qubits, une taille généralement impossible à gérer pour les ordinateurs classiques.

Résumé

En bref, DeepQuantum est une plateforme logicielle qui permet aux chercheurs de concevoir, simuler et optimiser des ordinateurs quantiques en utilisant les mêmes outils que les ingénieurs en IA utilisent aujourd'hui. Il est unique car il parle trois « langages quantiques » différents (qubits, lumière et basé sur la mesure) au même endroit, et il est assez rapide pour simuler des systèmes très volumineux en utilisant des astuces mathématiques intelligentes et en répartissant le travail sur de nombreux ordinateurs. L'article affirme que cela en fait un outil puissant à la fois pour l'IA aidant le quantique (optimisation du matériel quantique) et pour le quantique aidant l'IA (création de meilleurs modèles d'apprentissage automatique).

Résumé technique

Résumé Technique : DeepQuantum

Énoncé du Problème

Le domaine de l'informatique quantique (QC) fait face à un défi critique dans la traduction des démonstrations théoriques de l'avantage quantique en applications pratiques et réelles à valeur tangible. Alors que l'Intelligence Artificielle (IA) a mûri pour devenir une technologie transformatrice, le QC reste à un stade naissant, fortement dépendant de la synergie entre les processeurs quantiques et les ordinateurs classiques, en particulier dans l'ère des ordinateurs quantiques intermédiaires bruyants (NISQ). Les cadres logiciels existants pour l'apprentissage automatique quantique (QML) et l'informatique quantique photonique souffrent souvent de limitations :

1. Fragmentation : Des cadres spécialisés existent pour des paradigmes spécifiques (par exemple, PennyLane pour les circuits de qubits, Strawberry Fields pour les systèmes photoniques à variables continues, Graphix pour l'informatique quantique basée sur la mesure), mais une plateforme unifiée faisant le pont entre ces modèles avec une intégration native de l'IA fait défaut.
2. Passage à l'échelle : La simulation de systèmes quantiques à grande échelle est entravée par la « malédiction de la dimensionnalité », où l'espace de Hilbert croît de manière exponentielle avec le nombre de qubits.
3. Diversité matérielle : Il existe un besoin d'un cadre qui soutienne non seulement les modèles standard basés sur les qubits, mais aussi l'informatique quantique photonique (à la fois à variables discrètes et à variables continues) et l'informatique quantique basée sur la mesure (MBQC), qui sont cruciaux pour les architectures tolérantes aux pannes.

Méthodologie

Les auteurs présentent DeepQuantum, une plateforme logicielle open source basée sur PyTorch conçue pour intégrer profondément l'IA et le QC. Le cadre est bâti sur les principes de concision, d'efficacité, de flexibilité et de polyvalence. Sa méthodologie centrale implique :

• Architecture Unifiée : DeepQuantum fournit une intégration en boucle fermée de trois grands paradigmes de l'informatique quantique :
  1. Circuits basés sur les qubits : Implémentés via la classe QubitCircuit.
  2. Circuits quantiques photoniques : Implémentés via la classe QumodeCircuit, prenant en charge trois backends distincts :
     • Backend Fock : Pour les systèmes à variables discrètes (DV) utilisant des états de base de Fock ou des tenseurs d'état.
     • Backend Gaussien : Pour les systèmes à variables continues (CV), caractérisant les états gaussiens via des vecteurs de moyenne et des matrices de covariance.
     • Backend Bosonique : Pour les états non gaussiens (par exemple, états chat, états GKP) représentés comme des combinaisons linéaires de fonctions gaussiennes.
  3. Informatique quantique basée sur la mesure (MBQC) : Implémentée via la classe Pattern, qui prend en charge la construction d'états de graphe, la transpilation à partir de circuits basés sur des portes, la standardisation et l'optimisation.
• Intégration Native de l'IA : En tirant parti de PyTorch, le cadre traite les circuits quantiques comme des composants différentiables. Il utilise la différenciation automatique, le parallélisme vectorisé et l'accélération GPU pour faciliter l'entraînement et l'inférence de bout en bout de modèles hybrides quantiques-classiques (par exemple, VQE, QAOA, QML).
• Techniques de Simulation Évolutives :
  • Réseaux de tenseurs : Le cadre incorpore des représentations d'état de produit matriciel (MPS) pour simuler des circuits à grande échelle (plus de 100 qubits) sur des appareils uniques dans des conditions d'intrication favorables.
  • Calcul Distribué : Une architecture parallèle distribuée permet de partitionner les vecteurs d'état sur plusieurs GPU et nœuds, en utilisant les protocoles de communication natifs de PyTorch pour des simulations à grande échelle.
• Spécificités Photoniques : La plateforme prend en charge le multiplexage temporel (TDM) pour générer des états intriqués à grande échelle (par exemple, états de grappe) et inclut des modules spécialisés pour l'échantillonnage de bosons gaussiens (GBS) et la décomposition unitaire (architecture de Clements).

Contributions Clés

1. Première Intégration en Boucle Fermée : DeepQuantum est le premier cadre à réaliser l'intégration en boucle fermée des circuits quantiques, des circuits quantiques photoniques et de la MBQC, permettant un soutien robuste à la fois pour la conception d'algorithmes photoniques spécialisés et universels.
2. Backends Photoniques Unifiés : Il implémente les backends Fock, Gaussien et Bosonique au sein d'une seule API, répondant à des besoins de simulation diversifiés, de l'optique linéaire à la génération de ressources non gaussiennes.
3. Fonctionnalités Photoniques Avancées : La plateforme introduit un support natif pour les circuits photoniques TDM, permettant la simulation de dynamiques temporelles complexes (par exemple, génération séquentielle d'états EPR, préparation d'états de grappe 2D) sans coûts de mémoire prohibitifs.
4. Capacités à Grande Échelle : Il permet la simulation de systèmes dépassant 100 qubits via MPS et prend en charge les simulations distribuées sur des clusters multi-nœuds et multi-GPU, étendant considérablement la portée de la simulation quantique classique.
5. Entraînement Photonique Différentiable : Le cadre fournit des optimiseurs sans gradient intégrés pour l'entraînement sur puce des circuits quantiques photoniques et prend en charge la différenciation automatique pour les algorithmes variationnels.

Résultats et Benchmarks

Les auteurs valident DeepQuantum grâce à des benchmarks complets par rapport à des cadres établis (PennyLane, MindQuantum, Strawberry Fields, Piquasso, Graphix, etc.) :

• Calcul du Gradient et de l'Hessienne : DeepQuantum démontre une amélioration d'un ordre de grandeur en efficacité par rapport à PennyLane et PyQPanda3 pour les calculs de gradient. Pour les calculs d'Hessienne, la version accélérée par GPU atteint jusqu'à un gain de vitesse de 100 fois par rapport à PennyLane pour des configurations de 22 qubits.
• Évaluation de Fonctions Matricielles : Dans le calcul des hafnians, torontoniens et permanents (critiques pour le GBS), DeepQuantum utilise un schéma de traitement par lots. Bien que les performances sur une seule instance puissent être inférieures à celles de bibliothèques spécialisées comme The Walrus, DeepQuantum (GPU) surpasse nettement les concurrents dans les scénarios à haut débit avec de grandes tailles de lots (par exemple, 10–1000 instances).
• Performance MBQC : Bien que Graphix soit légèrement plus rapide pour la transpilation de motifs, DeepQuantum montre une efficacité de mise à l'échelle supérieure pour les simulations de vecteurs d'état en avant, établissant un avantage de performance substantiel pour les circuits dépassant 20 qubits.
• Démonstrations d'Applications :
  • QResNet : A démontré que les connexions résiduelles dans les réseaux de neurones quantiques améliorent l'expressivité et atténuent les plateaux stériles, atteignant des erreurs d'ajustement inférieures à celles des QNN traditionnels.
  • QCNN : A atteint une précision de test de 94,33 % sur la classification binaire MNIST (chiffres 0 vs 1) en utilisant un circuit quantique de 12 qubits.
  • Applications Photoniques : A simulé avec succès des portes CNOT probabilistes, des décompositions unitaires d'architecture de Clements, le GBS pour des problèmes de graphes, et la préparation d'états EPR et d'états de grappe 2D utilisant le TDM.
  • États Non Gaussiens : A démontré la génération d'états GKP approximatifs par élevage itératif et post-sélection basée sur le GBS.
  • Simulations à Grande Échelle : A simulé un quench du modèle d'Ising à champ transversal de 45 qubits en utilisant MPS et a effectué une Transformée de Fourier Quantique (QFT) distribuée sur 33 qubits en utilisant 8 GPU NVIDIA A100 (achevé en ~1 minute).

Signification et Revendications

L'article positionne DeepQuantum comme une plateforme puissante pour à la fois « l'IA pour le Quantique » et « le Quantique pour l'IA ». Sa signification réside dans :

• Pont entre Paradigmes : En unifiant les modèles de qubits, photoniques et MBQC, il abaisse la barrière pour les chercheurs explorant des algorithmes hybrides et facilitant la transition des utilitaires de l'ère NISQ vers des architectures tolérantes aux pannes.
• Accélération du Développement : L'intégration transparente avec PyTorch permet aux chercheurs de tirer parti de l'écosystème d'apprentissage automatique étendu pour la conception d'algorithmes quantiques, l'optimisation et la correction d'erreurs.
• Passage à l'échelle : La combinaison des techniques de réseaux de tenseurs et du calcul distribué répond aux goulots d'étranglement de la mémoire qui limitent actuellement la simulation de grands systèmes quantiques, offrant une voie pour vérifier et concevoir des algorithmes pour le futur matériel quantique à grande échelle.

Les auteurs concluent que DeepQuantum sert d'outil polyvalent et pratique pour faire progresser le traitement de l'information quantique, avec des plans futurs pour étendre les bibliothèques de composants photoniques, améliorer la modélisation du bruit et perfectionner les interfaces d'intégration matérielle.