Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits

Cet article présente un cadre complet et évolutif pour la préparation d'états de produit matriciel (MPS) sur des dispositifs quantiques à grande échelle, combinant des circuits heuristiques de type « escalier » et « mur de briques » avec une optimisation variationnelle et des techniques de réordonnancement des qubits pour atteindre une haute fidélité tout en minimisant la profondeur et le nombre de portes.

L'essentiel

🏗️ Le Grand Projet : Construire une Maison Quantique

Imaginez que vous voulez construire une maison très complexe (un état quantique) à l'intérieur d'un ordinateur quantique. Le problème, c'est que construire n'importe quelle maison de zéro demande une quantité de briques et de temps exponentielle. C'est comme si vous deviez fabriquer chaque brique individuellement pour une ville entière : c'est impossible à faire en pratique.

Cependant, certaines maisons ont une structure spéciale appelée État Produit Matriciel (MPS). C'est comme une maison construite avec des modules préfabriqués. On peut les assembler beaucoup plus vite, mais il faut trouver le bon plan de montage.

Les chercheurs de cet article (Tomasz, Rick et Peter) ont créé une "usine à circuits quantiques" complète pour assembler ces maisons de manière efficace. Leur méthode combine deux stratégies : une approche rapide et approximative, suivie d'un ajustement de précision.

---

🚀 Les 4 Étapes de l'Usine (Le Pipeline)

Leur processus fonctionne comme une chaîne de montage en quatre étapes :

1. Le Plan de Base (Compression)

Avant de construire, il faut un plan. Souvent, on a une image numérique complexe (comme une photo de marché boursier ou une fonction mathématique).

• L'analogie : Imaginez que vous avez une photo haute définition de 100 mégapixels. C'est trop lourd. Vous voulez la compresser en un fichier léger sans perdre trop de détails.
• La méthode : Ils utilisent des techniques mathématiques (SVD ou TCI) pour transformer cette image lourde en un "plan modulaire" (le MPS). C'est comme réduire la photo à une esquisse intelligente qui garde l'essentiel.

2. Le Tri des Pièces (Réorganisation des Qubits)

Dans un MPS, les "pièces" (les qubits) sont alignées en ligne. Si deux pièces qui doivent être collées ensemble sont placées au bout opposé de la ligne, il faut construire un pont long et fragile pour les relier.

• L'analogie : Imaginez un déménagement. Si vous avez deux meubles lourds qui doivent rester ensemble, mais que vous les mettez dans deux camions différents, c'est un désastre.
• La méthode : Ils utilisent un algorithme (appelé problème d'affectation quadratique) pour réorganiser les qubits. Ils placent les pièces "amies" (fortement liées) côte à côte. C'est comme réorganiser le plan de la maison pour que la cuisine soit juste à côté du réfrigérateur, évitant ainsi de longs couloirs inutiles.

3. Le Squelette Rapide (Initialisation Heuristique)

Maintenant, ils construisent une première version du circuit. Ils utilisent deux styles de construction :

• L'escalier (SMPD) : On ajoute les portes une par une, comme monter un escalier. C'est très économe en nombre de portes, mais le bâtiment peut être long.
• Le mur de briques (BMPD) : On construit par couches horizontales, comme un mur de briques. C'est plus rapide à construire (moins profond), mais cela demande parfois plus de briques.
• L'astuce : Ils utilisent des raccourcis mathématiques pour réduire le nombre de portes nécessaires (comme utiliser 2 portes au lieu de 3 pour une même tâche).

4. Le Polissage Final (Optimisation Variational)

Le squelette est là, mais il n'est pas parfait. Il faut le peaufiner.

• L'analogie : C'est comme sculpter une statue. Vous avez d'abord fait une ébauche grossière (l'étape 3). Maintenant, vous prenez un ciseau fin pour ajuster chaque détail jusqu'à ce que la statue ressemble parfaitement à l'original.
• La méthode : Ils utilisent des algorithmes intelligents (Evenbly-Vidal ou Riemannien) qui ajustent les paramètres du circuit petit à petit pour maximiser la fidélité (la ressemblance avec l'état cible).

---

🏆 Les Résultats : Que s'est-il passé ?

Les chercheurs ont testé leur usine sur quatre types de "maisons" très différentes :

1. Une courbe de cloche simple (Gaussienne).
2. Une courbe avec des pics extrêmes (Loi de Lévy).
3. Un système chaotique (Attracteur de Lorenz, comme la météo).
4. Des données réelles du marché boursier (S&P 500).

Les découvertes clés :

• Le compromis "Profondeur vs Nombre de portes" :
  • Si vous voulez le moins de portes possible (pour économiser la batterie de l'ordinateur quantique), choisissez la méthode "Escalier" (SMPD).
  • Si vous voulez le circuit le plus rapide (le moins profond, pour éviter que le signal ne s'éteigne avant la fin), choisissez la méthode "Mur de briques" (BMPD).
• La puissance du mélange :
  • Commencer par une construction rapide (heuristique) et ensuite polir avec l'optimisation donne de bien meilleurs résultats que de commencer au hasard. C'est comme dire à un sculpteur : "Fais d'abord une forme grossière, puis je te donne un ciseau fin".
• La réorganisation des qubits :
  • Pour les données simples (comme la courbe de Gauss), l'ordre initial était déjà parfait.
  • Mais pour les données complexes (comme les actions boursières), réorganiser les qubits a permis de réduire l'entropie (le "chaos") de 20 %. C'est comme réorganiser une bibliothèque : si les livres sont rangés par ordre alphabétique, on les trouve beaucoup plus vite.

💡 En Résumé

Ce papier nous dit qu'on ne doit pas essayer de construire un circuit quantique parfait d'un seul coup. La meilleure stratégie est :

1. Compresser l'information.
2. Réorganiser les pièces pour qu'elles soient proches.
3. Construire un squelette rapide (soit en escalier, soit en mur).
4. Polir le tout avec un algorithme intelligent.

Grâce à cette méthode, ils ont pu préparer des états quantiques complexes sur des systèmes de 19 à 50 qubits avec une grande précision, ouvrant la voie à des applications réelles sur les ordinateurs quantiques de demain (comme la chimie quantique ou l'analyse financière).

Résumé technique

1. Problématique

La préparation d'états quantiques arbitraires sur un ordinateur quantique nécessite des ressources qui croissent de manière exponentielle avec le nombre de qubits, rendant cette tâche impossible pour des systèmes de taille moyenne ou grande. Les États de Produit Matriciel (MPS) offrent une solution pour les états physiques à faible intrication (respectant la loi de l'aire), car ils peuvent être représentés avec une complexité polynomiale.

Cependant, les méthodes existantes pour préparer des MPS présentent des limites :

• Approches heuristiques (ex: SMPD, BMPD) : Elles sont déterministes et simulables classiquement, mais leur fidélité sature rapidement avec le nombre de couches de portes, limitant la précision.
• Optimisation variationnelle : Elle permet d'atteindre des fidélités élevées mais souffre de problèmes d'échelle (plateaux stériles, complexité computationnelle croissante) et de sensibilité à l'initialisation aléatoire.

L'objectif de ce travail est de combiner les avantages de ces deux stratégies pour créer un pipeline de préparation d'états évolutif, scalable et de haute fidélité, adapté aux dispositifs quantiques actuels (NISQ).

2. Méthodologie : Le Pipeline de Préparation

Les auteurs proposent un pipeline complet en quatre étapes (illustré dans la Figure 1 du papier) :

Étape 1 : Compression en MPS

Les amplitudes de probabilité d'un état cible (issu d'une simulation classique ou d'un jeu de données) sont compressées en un MPS.

• Méthodes : Décomposition en valeurs singulières (SVD) tronquée ou Interpolation Croisée de Tenseurs (TCI). La TCI est particulièrement efficace car elle ne nécessite que $O(N\chi^2)$ requêtes d'amplitudes au lieu de $O(2^N)$, permettant de traiter de grands jeux de données.

Étape 2 : Réordonnancement des Qubits (Qubit Reordering)

Pour minimiser la profondeur du circuit et les erreurs de troncature, les qubits fortement intriqués doivent être placés à proximité dans le MPS.

• Approche : Le problème est formulé comme un Problème d'Affectation Quadratique (QAP). L'objectif est de minimiser une fonction de coût basée sur l'information mutuelle quantique (QMI) entre les paires de qubits et leur distance physique dans le circuit. Cela permet de réduire l'intrication nécessaire à travers les liens intermédiaires.

Étape 3 : Initialisation Heuristique (Warm-start)

Des circuits heuristiques sont construits à partir du MPS pour fournir une initialisation de haute qualité pour l'optimisation variationnelle. Deux architectures sont utilisées :

• SMPD (Sequential Matrix Product Disentangler) : Une architecture en "escalier" qui applique des portes de désintrication séquentielles.
• BMPD (Brick Wall Matrix Product Disentangler) : Une architecture en "mur de briques" (parallèle) qui désintrique les liens impairs puis pairs.
• Optimisations techniques :
  • Utilisation de la décomposition d'isométries 1-to-2 qubits (nécessitant seulement 2 portes CNOT au lieu de 3).
  • Élimination des portes inutiles sur les liens déjà désintriqués.
  • Choix de jauges (gauche, droite, mixte) pour minimiser la profondeur.

Étape 4 : Optimisation Variationnelle

Les circuits heuristiques servent de point de départ ("warm-start") pour des algorithmes d'optimisation visant à maximiser la fidélité avec l'état cible :

• Algorithme Evenbly-Vidal (EV) : Optimisation par balayage (sweeping) locale, efficace pour les circuits profonds car elle maintient l'état sous forme de MPS.
• Optimisation Riemannienne (R) : Optimisation globale sur la variété des matrices unitaires (utilisant l'optimiseur Adam Riemannien). Elle est plus précise mais limitée par la mémoire pour les circuits très profonds.

3. Contributions Clés

1. Pipeline Hybride : Intégration inédite de circuits heuristiques (SMPD et BMPD) avec des optimiseurs variationnels (EV et Riemannien), permettant de surmonter les limitations de saturation des méthodes purement heuristiques et les problèmes de convergence des méthodes purement variationnelles.
2. Réduction de la complexité classique : Démonstration que la construction de circuits SMPD profonds ne nécessite pas une dimension de liaison exponentielle ($\tilde{\chi} \sim O(2^L)$) comme suggéré précédemment, mais seulement une dimension proportionnelle à celle de l'état cible ($\tilde{\chi} \sim O(\chi)$), rendant la simulation classique de ces circuits réalisable.
3. Formulation QAP pour le réordonnancement : Transformation du problème de réordonnancement des qubits en un QAP, résolu efficacement avec des algorithmes d'approximation, réduisant l'intrication maximale sur les liens.
4. Optimisations de portes : Application systématique de techniques pour réduire le nombre de portes CNOT (jusqu'à 33 %) et la profondeur du circuit (jusqu'à 50 %) via la décomposition d'isométries et la suppression de portes redondantes.

4. Résultats Expérimentaux

Les auteurs ont évalué le pipeline sur des systèmes de 19 à 50 qubits avec des jeux de données de complexité variable :

• Distributions de probabilité : Gaussienne et Lévy (états à faible intrication).
• Systèmes chaotiques : Attracteur de Lorenz.
• Données financières : Prix de l'indice S&P 500 (fortement intriqués).

Constats principaux :

• Fidélité : L'ajout d'une optimisation variationnelle (EV ou R) à l'initialisation heuristique améliore la fidélité de plusieurs ordres de grandeur par rapport aux méthodes heuristiques seules.
• Comparaison SMPD vs BMPD :
  • SMPD est généralement supérieur pour minimiser le nombre de portes CNOT (coût de gate count), surtout pour les états simples.
  • BMPD est supérieur pour minimiser la profondeur du circuit (CNOT depth), ce qui est crucial pour les dispositifs NISQ limités par la décohérence temporelle.
• Performance des optimiseurs : L'optimisation Evenbly-Vidal (EV) s'est révélée plus performante et plus évolutive que l'optimisation Riemannienne pour les circuits profonds (jusqu'à 200 couches), car elle évite l'explosion exponentielle de la taille des tenseurs intermédiaires. L'optimisation Riemannienne est limitée à des circuits peu profonds ($L \approx 10-15$) en raison des contraintes de mémoire.
• Réordonnancement : L'algorithme de réordonnancement a réduit l'intrication maximale de jusqu'à 20 % pour les données S&P 500 (structure "en pics" de la QMI), mais a eu peu d'effet sur les distributions Gaussiennes ou l'attracteur de Lorenz où l'intrication est déjà optimisée ou uniformément répartie.

5. Signification et Impact

Ce travail fournit des protocoles fondés sur des principes et évolutifs pour la préparation d'états MPS sur les ordinateurs quantiques actuels.

• Utilité pour le NISQ : En permettant de préparer des états complexes avec des circuits peu profonds et un nombre réduit de portes, la méthode rend réalisables des applications pratiques en chimie quantique, en machine learning quantique et en finance.
• Évolutivité : La démonstration que les circuits heuristiques profonds sont simulables classiquement avec une faible surcharge ouvre la voie à la pré-entraînement de circuits quantiques sur des supercalculateurs classiques avant leur exécution sur du matériel quantique.
• Flexibilité : Le cadre proposé permet aux utilisateurs de choisir le compromis optimal entre la fidélité, le nombre de portes et la profondeur du circuit en fonction de leurs contraintes matérielles spécifiques.

En résumé, cette étude comble le fossé entre les méthodes de construction déterministes et les optimisations variationnelles, offrant une solution robuste et scalable pour le défi majeur de la préparation d'états quantiques.