⚛️ quantum physics

A framework to evaluate the performance of Variational Quantum Algorithms

Cet article propose un cadre complet pour l'évaluation comparative des algorithmes quantiques variationnels sur les dispositifs NISQ en introduisant trois métriques (faisabilité, qualité et reproductibilité) ainsi qu'un diagramme de qualité afin d'évaluer systématiquement les performances et de guider la sélection adaptative d'algorithmes pour les problèmes QUBO.

Auteurs originaux : Ernesto Mamedaliev, Vladyslav Libov, Albert Nieto-Morales, Oskar Słowik, Arit Kumar Bishwas

Publié 2026-01-28

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ernesto Mamedaliev, Vladyslav Libov, Albert Nieto-Morales, Oskar Słowik, Arit Kumar Bishwas

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 essayiez de trouver le meilleur itinéraire absolu à travers un labyrinthe immense et déroutant. Vous avez une équipe d'explorateurs (les algorithmes quantiques variationnels, ou VQA) qui tentent de résoudre ce labyrinthe. Cependant, ces explorateurs travaillent sur une carte spéciale, légèrement instable (un ordinateur quantique) qui donne des indices flous et aléatoires plutôt que des directions claires. Comme la carte est instable, si vous envoyez le même explorateur dix fois, il pourrait trouver dix itinéraires légèrement différents, certains bons et d'autres terribles.

Le problème est le suivant : Comment décider quel explorateur est réellement doué pour le travail ?

Actuellement, les gens se contentent souvent de regarder un seul essai et disent : « Hé, celui-ci a trouvé un bon chemin ! » Mais c'est comme juger un chef par un seul repas qu'il a cuisiné un jour où il était fatigué. Vous avez besoin d'une meilleure façon de les évaluer.

Ce document présente un nouveau système de notation pour évaluer ces explorateurs quantiques de manière équitable. Au lieu de simplement regarder le résultat final, les auteurs proposent de vérifier trois points spécifiques :

1. Le bulletin de notes en trois parties

Imaginez l'évaluation d'un explorateur comme l'embauche d'un chauffeur de livraison. Vous ne voulez pas seulement qu'il livre éventuellement le colis ; vous voulez savoir s'il peut le faire de manière fiable et efficace.

Faisabilité (Le test « Va-t-il y arriver ? ») :
Imaginez que vous fixiez une règle : « Le chauffeur doit trouver un itinéraire qui se situe dans les 10 % supérieurs de tous les itinéraires possibles. » La faisabilité demande : « Sur 100 fois où vous envoyez ce chauffeur, combien de fois trouve-t-il un itinéraire aussi bon ? » S'il ne réussit que 10 fois sur 100, il n'est pas faisable. S'il réussit 90 fois, il est hautement faisable.
Qualité (Le test « Efficacité ») :
Supposons que deux chauffeurs trouvent tous deux un excellent itinéraire. Le chauffeur A a fait 100 essais pour le trouver. Le chauffeur B l'a trouvé en seulement 5 essais. La qualité mesure ce compromis. Elle demande : « Quel effort (temps et puissance de calcul) avez-vous dû dépenser pour obtenir ce bon résultat ? » Le meilleur chauffeur est celui qui trouve le meilleur chemin avec le moins d'efforts gaspillés.
Reproductibilité (Le test « Cohérence ») :
Imaginez que vous embauchiez un chauffeur qui trouve un excellent itinéraire le lundi, mais que le mardi, il se perd et prend un chemin terrible. C'est une mauvaise chose. La reproductibilité demande : « Si je renvoie ce chauffeur avec exactement les mêmes instructions, obtiendra-t-il un résultat similaire ? » Les auteurs utilisent un concept mathématique appelé « entropie » (pensez à une mesure du chaos) pour voir à quel point les résultats sont dispersés. Si les résultats sont tous regroupés, le chauffeur est cohérent (faible chaos). Si les résultats sont éparpillés, il est peu fiable (chaos élevé).

2. Le « Diagramme de Qualité » (La carte de performance)

Pour visualiser cela, les auteurs ont créé une carte spéciale appelée Diagramme de Qualité.

Imaginez un graphique où le coin inférieur gauche est le « Saint Graal » (succès parfait, effort nul).
Chaque fois que vous lancez l'algorithme, il atterrit sous la forme d'un point quelque part sur cette carte.
Parce que l'ordinateur quantique est aléatoire, vous n'obtenez pas juste un point, mais une nuée de points.
Un « bon » algorithme crée une nuée de points serrée près du « Saint Graal ». Un « mauvais » algorithme crée une nuée de points dispersée et désordonnée, loin de l'objectif.

3. L'expérience : Mettre le bulletin de notes à l'épreuve

Les auteurs ont testé ce système sur un puzzle spécifique (un problème QUBO avec 16 variables, ce qui est comme un petit mais complexe labyrinthe). Ils ont essayé différentes versions de l'algorithme quantique en changeant deux « boutons » :

Le nombre de « Shots » (Tirs) : Combien de fois ils demandent à l'ordinateur quantique de regarder la carte (plus de shots = plus de données, mais cela prend plus de temps).
Le paramètre « CVaR » : Un réglage qui modifie la façon dont l'algorithme pondère les scénarios du « pire cas » par rapport aux scénarios du « meilleur cas ».

Ce qu'ils ont découvert :

Plus de shots ont généralement aidé : Augmenter le bouton des « shots » rendait les explorateurs plus susceptibles de trouver un bon chemin (faisabilité plus élevée) et de le trouver plus efficacement (qualité plus élevée).
Le bouton « CVaR » importait : Certains réglages pour ce bouton fonctionnaient beaucoup mieux que d'autres.
La cohérence était délicate : Curieusement, le simple fait d'injecter plus de données ne rendait pas toujours les résultats plus cohérents. Parfois, l'algorithme avait de la chance une fois et de la malchance la fois suivante, peu importe la quantité de données utilisées.

4. La conclusion

L'article conclut qu'on ne peut pas se contenter d'un seul chiffre pour juger un algorithme quantique. Vous avez besoin de ce bulletin de notes en trois parties (Faisabilité, Qualité, Reproductibilité) pour avoir une vue d'ensemble.

En utilisant ce cadre, les chercheurs peuvent cesser de deviner quel algorithme est le meilleur et commencer à prendre des décisions basées sur les données. Ils peuvent dire : « Si nous avons un temps limité, nous devrions choisir l'Algorithme X car il est cohérent. Si nous avons un temps illimité, nous devrions choisir l'Algorithme Y car il trouve le meilleur chemin absolu, même s'il nécessite quelques essais de plus. »

En bref, cet article fournit un règlement standardisé pour juger les algorithmes quantiques dans l'ère actuelle des ordinateurs « bruyants », garantissant que nous choisissons les bons outils pour la tâche en fonction de leur fiabilité, de leur efficacité et de leur cohérence réelle.

Résumé Technique : Un Cadre pour Évaluer la Performance des Algorithmes Quantiques Variationnels

1. Énoncé du Problème

Les algorithmes quantiques variationnels (VQA) constituent une approche de premier plan pour résoudre les problèmes d'optimisation combinatoire, spécifiquement l'optimisation binaire non contrainte quadratique (QUBO), sur les dispositifs quantiques à échelle intermédiaire bruyants (NISQ). Cependant, l'évaluation des VQA reste difficile en raison de leur nature stochastique intrinsèque et de l'absence de critères de performance standardisés. Les études existantes rapportent souvent des métriques de tir unique sans tenir explicitement compte de la variabilité introduite par le nombre fini de mesures (shots) et les évaluations de coût bruitées. Par conséquent, il n'existe aucun critère universellement accepté pour classer les VQA selon leur aptitude à résoudre des instances QUBO spécifiques sous des contraintes de ressources.

2. Méthodologie

Les auteurs proposent un cadre général pour évaluer les VQA appliqués aux problèmes QUBO. La méthodologie est fondée sur l'interprétation des circuits quantiques comme des distributions de probabilité sur l'espace binaire et sur la caractérisation de la performance des VQA par des mesures statistiques dérivées de ces distributions.

A. Cadre Théorique

Le cadre définit un VQA comme un tuple $VQA := (U, [C, s, A])$, comprenant un ansatz ( $U$ ), une fonction de coût ( $C$ ), le nombre de tir ( $s$ ), et un optimiseur classique ( $A$ ). La performance est visualisée dans un Diagramme de Qualité ( $D \subset \mathbb{R}^2$ ), où chaque point représente une exécution de VQA définie par :

Consommation de Ressources Normalisée : Le nombre d'évaluations de circuit ( $n_{calls}$ ) par rapport à une limite maximale ( $n_{max}$ ).
Probabilité de Succès : La probabilité de mesurer le minimum global ( $p_{min}$ ), transformée en $1 - p_{min}$ .

La solution idéale correspond au point $(0,0)$ , représentant un appel de fonction unique avec une probabilité de 1 pour trouver le minimum global. En raison de la stochasticité, des exécutions répétées génèrent une distribution de points ( $\rho$ ) sur $D$ .

B. Trois Métriques Fondamentales

Le cadre évalue les VQA à l'aide de trois métriques complémentaires dérivées de la distribution $\rho$ :

Faisabilité ( $F$ ) : La probabilité a priori que l'algorithme réussisse à trouver une solution avec une $p_{min}$ supérieure à un seuil prédéfini ( $p_{threshold}$ ). Elle est calculée comme l'intégrale de la distribution $\rho$ sur la région où $p_{min} \geq p_{threshold}$ .
Qualité ( $Q$ ) : Une valeur scalaire quantifiant l'efficacité du processus de recherche, équilibrant la probabilité de succès et la consommation de ressources. Elle est définie comme la valeur attendue d'une fonction de qualité $q(n_{calls}, p_{min})$ , qui attribue une qualité nulle si $p_{min} < p_{threshold}$ et calcule sinon une distance euclidienne pondérée par rapport au point idéal $(0,0)$ .
Reproductibilité ( $R$ ) : Une mesure de la certitude des résultats, formalisée par l'entropie de Shannon ( $S[\rho]$ ). La reproductibilité est définie comme $R[\rho] = 1 - \frac{S[\rho]}{S_{max}}$ , où une valeur de 1 indique une distribution pleinement concentrée (haute certitude) et 0 indique une dispersion uniforme (haute incertitude).

C. Critère de Sélection

Le cadre établit un processus de décision pour la sélection d'algorithmes basé sur des seuils $(F_0, Q_0, R_0)$ . Un VQA est considéré comme un « solveur bien adapté » s'il satisfait séquentiellement les conditions suivantes :

$F[\rho] \geq F_0$
$Q[\rho] \geq Q_0$
$R[\rho] \geq R_0$

3. Résultats Expérimentaux

Comme preuve de concept, les auteurs ont appliqué le cadre à une instance QUBO aléatoire de 16 qubits par simulation. Ils ont évalué plusieurs configurations de VQA faisant varier le paramètre CVaR ( $\alpha \in \{0.15, 0.25, 0.50, 0.75, 1.00\}$ ) et le nombre de tirs ( $s \in \{1\,000 \dots 100\,000\}$ ), en utilisant l'ansatz RealAmplitudes et l'optimiseur COBYLA. Chaque configuration a été testée sur 400 cycles d'optimisation.

Principales Conclusions :

Faisabilité : La faisabilité a généralement augmenté avec des valeurs de $\alpha$ plus élevées et des nombres de tirs ( $s$ ) plus élevés, atteignant finalement un plateau. Par exemple, avec $\alpha=1.00$ , la faisabilité a atteint 0.95 à $s=60\,000$ .
Qualité : Similairement à la faisabilité, la qualité s'est améliorée avec des $\alpha$ et des $s$ plus élevés. Cependant, une saturation a été observée pour la plupart des cas au-delà de $s=20\,000$ , à l'exception de $\alpha=0.25$ .
Reproductibilité : Contra\irement aux autres métriques, la reproductibilité était largement insensible aux changements de $s$ et $\alpha$ . Des valeurs plus faibles de $\alpha$ et $s$ ont occasionnellement produit une reproductibilité plus élevée, probablement parce que l'algorithme s'est terminé prématurément sans explorer des solutions diverses.
Configurations Optimales : Sur la base des critères de sélection ( $F_0=0.70, Q_0=1.20, R_0=0.60$ ), les configurations de VQA les plus appropriées ont été identifiées comme étant celles avec des $\alpha$ plus élevés (spécifiquement 0.75 et 1.00) et des nombres de tirs plus élevés (allant de 10 000 à 100 000).

4. Contributions Clés

Cadre d'Évaluation Unifié : Introduit une méthodologie structurée combinant faisabilité, qualité et reproductibilité pour combler le fossé de l'évaluation systématique des VQA.
Caractérisation Stochastique : Va au-delà des métriques de tir unique en traitant la performance des VQA comme une distribution de probabilité, utilisant l'entropie de Shannon pour quantifier la reproductibilité.
Diagramme de Qualité : Propose un outil visuel et mathématique pour capturer les compromis entre la probabilité de succès et la consommation de ressources.
Critère de Décision : Fournit un processus de sélection formel, basé sur des seuils, pour identifier les configurations de VQA optimales sous des contraintes de ressources.

5. Signification et Revendications

Les auteurs affirment que ce travail contribue à une approche fondée sur des principes pour comparer les VQA dans l'ère NISQ. En tenant explicitement compte de la nature stochastique des algorithmes variationnels, le cadre permet une sélection d'algorithmes plus fiable dans les flux de travail hybrides quantiques-classiques.

L'article présente ses résultats avec modestie en tant que preuve de concept. Il reconnaît les limites, notant que l'analyse a été restreinte à une seule instance QUBO, un seul ansatz et un seul optimiseur, tous évalués par simulation. Les auteurs déclarent que le cadre fournit une base pour de futures recherches, incluant la validation sur du matériel réel, l'exploration d'ansatze divers et le développement de critères de sélection adaptatifs pour des problèmes à grande échelle. Ils ne revendiquent pas la supériorité immédiate d'algorithmes spécifiques sur d'autres dans tous les contextes, mais plutôt l'utilité du cadre pour identifier systématiquement les meilleurs algorithmes pour une instance de problème et un budget de ressources donnés.