🤖 machine learning

Investigating Quantum Circuit Designs Using Neuro-Evolution

Cet article présente EXAQC, un cadre neuro-évolutif qui automatise la conception et l'entraînement de circuits quantiques paramétrés en optimisant conjointement les types de portes, la connectivité et les paramètres sous des contraintes matérielles, atteignant une précision et une fidélité élevées sur des tâches de référence.

Auteurs originaux : Devroop Kar, Daniel Krutz, Travis Desell

Publié 2026-02-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Devroop Kar, Daniel Krutz, Travis Desell

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 construire une machine complexe à l'aide de briques Lego pour résoudre un puzzle spécifique. Habituellement, les ingénieurs doivent concevoir manuellement le plan, en décidant exactement où chaque brique va et quelles couleurs utiliser, et comment elles se connectent. S'ils se trompent, la machine pourrait être trop grande, trop lente, ou simplement ne pas fonctionner du tout.

Ce document présente une nouvelle façon de concevoir ces « machines », mais au lieu de briques Lego, il s'agit de circuits quantiques (les plans des ordinateurs quantiques), et au lieu d'un ingénieur humain, ils utilisent un processus d'évolution numérique pour effectuer la conception.

Voici la décomposition de leur approche, appelée EXAQC, en utilisant des analogies simples :

1. Le Problème : L'« Architecte Aveugle »

Concevoir des circuits quantiques est incroyablement difficile. Le nombre de façons dont vous pouvez disposer les pièces (portes/gates) et les connecter (fils/wires) est astronomique.

L'ancienne méthode : Les humains essaient de deviner le meilleur design ou utilisent des modèles rigides. C'est comme essayer de construire une maison en n'utilisant que des murs préfabriqués sans jamais changer le plan au sol. Cela ne s'adapte souvent pas au problème spécifique ou au matériel sur lequel il fonctionne.
La nouvelle méthode (EXAQC) : Au lieu d'un architecte humain, les auteurs utilisent un « processus de sélection naturelle numérique ». Ils laissent l'ordinateur « faire évoluer » le meilleur design de circuit au fil du temps, tout comme la nature fait évoluer les animaux pour survivre dans leur environnement.

2. Comment l'Évolution Fonctionne : Le « Darwinisme Numérique »

Les chercheurs ont créé un système où les circuits quantiques sont traités comme des organismes vivants dotés d'un ADN (appelé génome).

L'ADN : Le « génome » est une liste d'instructions qui dit à l'ordinateur quantique quelles portes utiliser, quels qubits connecter et dans quel ordre.
Mutation (Changements aléatoires) : Tout comme les mutations biologiques, le système modifie les circuits de manière aléatoire. Il peut :
- Ajouter une nouvelle porte (comme ajouter une nouvelle pièce à une maison).
- Désactiver une porte (supprimer une pièce inutile).
- Échanger des fils (réorganiser la plomberie).
- Réordonner les étapes (changer la séquence des instructions).
Croisement (Reproduction) : Le système prend deux circuits réussis et les « fait se reproduire ». Il mélange leur ADN pour créer un circuit enfant qui hérite, espérons-le, des meilleures caractéristiques des deux parents. Ils ont même inventé des méthodes spéciales pour mélanger l'ADN de quatre parents à la fois, et pas seulement deux.

3. L'Entraînement : « Apprendre en faisant »

Une fois qu'un nouveau circuit est né, il doit prouver sa valeur. Le système le teste de deux manières principales :

Le test du « Professeur » (Imitation) : L'ordinateur reçoit un circuit « parfait » (le professeur) et doit copier son comportement. Si le nouveau circuit agit exactement comme le professeur, il obtient un score élevé. C'est comme un étudiant essayant de mimer parfaitement la performance d'un maître pianiste.
Le test du « Quiz » (Classification) : Le circuit reçoit un ensemble de données standard (comme trier des images de fleurs ou de vins). Il doit analyser les données et faire une supposition. S'il devine correctement, il obtient un score élevé. C'est comme un étudiant passant un examen à choix multiples.

Les circuits qui obtiennent les scores les plus élevés peuvent se « reproduire » et transmettre leurs gènes à la génération suivante. Ceux qui échouent sont écartés. Sur des centaines de générations, la population de circuits devient plus intelligente et plus efficace.

4. Les Résultats : Qu'ont-ils trouvé ?

Les auteurs ont testé ce processus évolutif sur plusieurs ensembles de données réels (comme le célèbre jeu de données Iris et les données sur le cancer du sein) ainsi que sur des puzzles quantiques synthétiques.

Scores élevés : Les circuits évolués ont été capables de résoudre des problèmes de classification avec plus de 90 % de précision sur la plupart des tests.
Imitation parfaite : Lorsqu'on leur demandait de copier un circuit « professeur », les circuits évolués ont atteint une fidélité de 98 % à 100 % (ce qui signifie qu'ils étaient presque identiques à la cible).
Designs surprenants : Les circuits n'ont pas seulement copié le professeur ; parfois, ils ont trouvé des façons différentes de résoudre le même problème. Par exemple, pour agir comme une porte d'identité (« do nothing »), un circuit évolué a utilisé une porte spécifique deux fois de suite pour s'annuler, tandis qu'un autre a utilisé un tour totalement différent. Cela montre que le système est créatif, et non un simple imitateur.

5. Pourquoi cela importe

Les auteurs soutiennent que cette méthode est puissante car :

Elle est flexible : Elle fonctionne avec différents outils logiciels (Qiskit et Pennylane), elle n'est donc pas liée à une marque spécifique d'ordinateur quantique.
Elle est automatisée : Elle n'a pas besoin qu'un humain décide de la structure ; elle détermine d'elle-même la meilleure forme, profondeur et connexions.
Elle est efficace : Elle a trouvé de bonnes solutions avec un nombre relativement faible de tentatives (seulement 500 « générations » de circuits ont été testées dans leurs expériences).

En résumé : Le document présente un simulateur de « survie du plus apte » qui conçoit automatiquement des circuits quantiques. Au lieu que des humains devinent la meilleure disposition, l'ordinateur essaie des milliers de variations aléatoires, conserve celles qui fonctionnent le mieux et les fait se reproduire jusqu'à ce qu'il crée une machine quantique hautement efficace et capable de résoudre des problèmes.

Résumé Technique : Étude de la Conception de Circuits Quantiques par Neuro-Évolution

Énoncé du Problème

La conception de circuits quantiques paramétrés (PQC) efficaces demeure un goulot d'étranglement significatif dans l'apprentissage automatique quantique (QML). La structure d'un circuit quantique — spécifiquement ses types de portes, sa connectivité de qubits, sa paramétrisation et sa profondeur — dicte fondamentalement son expressivité, son entraînabilité et sa robustesse au bruit. Les approches actuelles reposent lourdement sur des modèles créés manuellement ou sur des heuristiques fixes, qui échouent souvent à se généraliser à travers différentes tâches ou contraintes matérielles. Ces conceptions statiques peuvent souffrir de problèmes tels que les plateaux stériles (barren plateaus), des signaux de gradient faibles ou une intrication insuffisante. Bien qu'une recherche automatisée d'architecture de réseaux de neurones quantiques (QNAS) existe, de nombreuses méthodes actuelles sont limitées par des espaces de recherche peu profonds, une charge de calcul élevée ou un manque de flexibilité pour supporter différents backends quantiques et fonctions d'objectif.

Méthodologie : EXAQC

Les auteurs proposent l'EXAQC (Evolutionary eXploration of Augmenting Quantum Circuits), un cadre de neuro-évolution pour la conception et l'entraînement automatisés de circuits quantiques. Inspiré par les algorithmes EXAMM et EXA-GP, l'EXAQC traite les circuits quantiques comme des « génomes » mutables qui évoluent pour optimiser simultanément la structure et les paramètres.

1. Représentation du Génome

Contrairement aux représentations de taille fixe, l'EXAQC utilise une liste non bornée de portes. Un génome se compose de :

Identifiants de qubits d'entrée et de sortie.
Une liste de portes, où chaque porte inclut une valeur de profondeur ( $0,0 \le d \le 1,0$ ), des connexions de qubits d'entrée/sortie, des paramètres entraînables (si applicables) et un numéro d'innovation.
Le numéro d'innovation permet au système de suivre les structures homologues à travers différents génomes, facilitant ainsi un croisement (crossover) efficace.

2. Opérateurs Évolutifs

L'EXAQC emploie une approche hybride évolutive-variationnelle où les changements structurels sont pilotés par l'évolution, tandis que les paramètres sont optimisés via un apprentissage basé sur le gradient (optimiseur Adam).

Opérateurs de Mutation :
- Ajout de Porte (Add Gate) : Insère une nouvelle porte à une profondeur aléatoire, en sélectionnant les qubits d'entrée/sortie basés sur l'analyse de connectivité pour garantir que la porte contribue au calcul.
- Activer/Désactiver une Porte (Enable/Disable Gate) : Bascule l'activité des portes existantes.
- Réordonner une Porte (Reorder Gate) : Déplace une porte vers une nouvelle profondeur.
- Échange de Qubits (Swap Qubits) : Réassigne les connexions de qubits d'une porte.
- Vérification de Contrainte : Après la mutation, un parcours vers l'avant garantit qu'au moins un qubit d'entrée circule vers une sortie ; les génomes invalides sont rejetés.
Opérateurs de Croisement (Crossover) :
- Croisement Binaire (Binary Crossover) : Combine deux parents, préservant les innovations partagées et conservant de manière probabiliste les innovations uniques du parent le plus apte ( $best\_keep\_rate$ ) ou du parent le moins apte ( $other\_keep\_rate$ ).
- Croisement N-aire (N-ary Crossover) : Étend le croisement à plusieurs parents (ex: $n=4$ ), utilisant une approche de simplexe randomisée pour recombiner les paramètres.
- Croisement Exponentiel (Exponential Crossover) : Divise les parents à un point de croisement de profondeur aléatoire, prenant les portes de plus faible profondeur d'un parent et les portes de plus grande profondeur d'un autre.
Héritage de Poids Lamarckien : Pour réduire les coûts de rétropropagation, les poids des parents réussis sont hérités et affinés plutôt que d'être réinitialisés.

3. Agnosticisme du Backend et Fonctions de Perte

Le cadre est conçu pour être agnostique vis-à-vis du backend, supportant à la fois Qiskit et PennyLane. Il supporte deux modes d'optimisation principaux :

Imitation de l'Enseignant (Basée sur la Fidélité) : Lorsqu'un circuit « enseignant » cible existe, le système minimise la perte entre l'état du candidat et l'état de l'enseignant. Les métriques incluent la Fidélité ( $1 - |\langle \phi | \psi \rangle|^2$ ) et la Distance Angulaire.
Apprentissage Supervisé (Basé sur la Lecture/Readout) : Pour les jeux de données classiques, le système utilise des pertes pilotées par la mesure. Cela inclut l'Entropie Croisée sur les probabilités marginales de lecture pour la classification, la Divergence de Kullback-Leibler (KL), et l'Erreur Quadratique Moyenne (MSE) de l'Observable pour les contraintes alignées sur le matériel.

Principales Contributions

Cadre Unifié : Introduction de l'EXAQC, un système qui optimise conjointement la topologie du circuit (types de portes, connectivité, profondeur) et les paramètres pour l'apprentissage supervisé et l'émulation de circuits.
Agnosticisme du Backend : Un pipeline d'entraînement flexible compatible avec PennyLane et Qiskit, permettant à la même représentation évolutive d'être évaluée sous différents modèles d'exécution.
Formulations de Perte Flexibles : La capacité de basculer entre une supervision basée sur la fidélité (pour l'émulation de circuits cibles) et des pertes basées sur la lecture (pour la classification de données classiques) au sein d'un pipeline cohérent.
Stratégies de Croisement Novatrices : Adaptation des techniques de croisement neuro-évolutives (N-aire et exponentiel) spécifiquement pour les listes ordonnées de portes quantiques.

Résultats Expérimentaux

Les auteurs ont évalué l'EXAQC sur quatre jeux de données de référence UCI (Iris, Wine, Seeds, Breast Cancer) et une suite de circuits quantiques « enseignants » synthétiques.

Performance de Classification : En utilisant un budget de calcul modeste (500 génomes évalués), les circuits évolués ont atteint une précision élevée sur les jeux de données de référence. Par exemple, le jeu de données Iris a atteint jusqu'à 90,0 % de précision, et Seeds a atteint 95,2 %. Les résultats ont indiqué une corrélation entre la complexité du circuit (nombre de portes) et la performance, suggérant que des temps de recherche plus longs pourraient apporter des améliorations supplémentaires.
Émulation de Circuit : Dans les tests basés sur l'enseignant, le système a réussi à apprendre des comportements cibles :
- Base (Porte Unique) : A atteint 100 % de fidélité en 3 à 5 génomes.
- Générateurs d'états de Bell : Ont atteint 98,32 % de fidélité.
- Circuits contrôlés par entrée : Ont atteint 94,11 % de fidélité.
- Circuits multicouches : Ont atteint 91,73 % de fidélité après avoir exploré plus de 800 génomes.
Découverte Structurelle : Le système a découvert organiquement des topologies de circuits non triviales. Dans certains cas, les circuits évolués ont atteint une fidélité élevée en utilisant des mécanismes structurellement différents de l'enseignant (par exemple, en appliquant deux fois une porte Hadamard pour simuler une porte Identité).

Signification et Revendications

L'article positionne l'EXAQC comme une méthodologie pratique et scalable pour la découverte de circuits quantiques « conscients du problème ». Les auteurs affirment que la recherche évolutive est un outil critique pour faire progresser le QML car elle peut naviguer dans l'espace de conception combinatoire des types de portes et de la connectivité sans dépendre de modèles fixes.

La signification de ce travail réside dans la démonstration que :

Les algorithmes évolutifs peuvent efficacement découvrir des structures de circuits qui se généralisent à travers différents jeux de données et contraintes matérielles.
Un cadre unifié peut gérer à la fois des tâches pilotées par la physique (émulation d'états quantiques) et des tâches pilotées par les données (classification de données classiques) sans changer la machinerie évolutive sous-jacente.
L'approche fournit une voie structurée vers une conception de circuits quantiques évolutive, passant du design manuel heuristique vers une découverte automatisée et adaptative.

Les auteurs restent modestes quant aux implications futures, notant que bien que l'implémentation actuelle utilise une population à état stationnaire unique et une optimisation à objectif unique, le cadre est conçu pour être extensible aux stratégies multi-objectifs et aux modèles d'îlots (island models) dans des travaux futurs. Ils soulignent que les résultats actuels servent de preuve de concept pour la viabilité de la neuro-évolution dans la recherche d'architecture quantique.