Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

Cet article présente Monarq, un cadre de traitement de données quantiques unifié combinant l'encodage QCrank et le protocole EHands pour réaliser des transformations de séquences et d'images sur des dispositifs NISQ, démontrant la faisabilité d'opérations telles que la convolution et la détection de contours.

L'essentiel

🌌 Le Projet Monarq : Apprendre à un ordinateur quantique à "voir" et à "calculer"

Imaginez que vous avez un nouveau type de chef cuisinier. Ce chef est capable de préparer des plats complexes à une vitesse fulgurante, mais il a un gros défaut : ses mains tremblent un peu et il s'essouffle vite. C'est un peu la situation des ordinateurs quantiques actuels (ce qu'on appelle les machines NISQ). Ils sont puissants, mais "bruyants" et fragiles.

Ce papier scientifique, écrit par une équipe de chercheurs, présente Monarq. C'est un "kit de cuisine" complet conçu pour aider ce chef quantique à accomplir des tâches qu'on fait habituellement sur nos ordinateurs classiques, comme traiter des images ou analyser des signaux.

Voici comment tout cela fonctionne, étape par étape.

---

1. Le Problème : Le bruit dans la pièce 📢

Les ordinateurs classiques sont comme des bibliothèques très calmes : vous demandez un livre, on vous le donne.
Les ordinateurs quantiques actuels sont comme une bibliothèque en pleine tempête. Si vous demandez un livre, le vent (le "bruit" quantique) peut emporter la page avant que vous ne la lisiez.

Les chercheurs se sont demandé : "Peut-on faire des calculs utiles (comme modifier une photo) sur ces machines imparfaites sans que le résultat ne soit complètement faux ?"

2. La Solution : Le Kit Monarq 🛠️

Pour répondre à cette question, ils ont créé Monarq. C'est une méthode qui combine deux outils existants pour créer une chaîne de production fluide :

• QCrank (L'Entrée) : Imaginez que vous voulez mettre des ingrédients dans un réfrigérateur quantique. QCrank est la technique pour ranger vos données (les pixels d'une image ou les notes d'une musique) dans les cases du réfrigérateur sans les abîmer.
• EHands (Le Traitement) : Une fois les données rangées, il faut les transformer. EHands est une boîte à outils mathématique qui permet de faire des opérations (comme additionner ou multiplier) directement sur les ingrédients quantiques, sans avoir à les sortir du réfrigérateur.

L'astuce de Monarq : Ces deux outils parlent le même langage. Ils utilisent le même système de codage (appelé "EVEN"). C'est comme si le réfrigérateur et le robot-cuiseur étaient branchés sur la même prise électrique. Cela évite des conversions compliquées qui créeraient des erreurs.

3. Les Tâches Accomplies : Qu'ont-ils fait ? 🎨🎵

Pour prouver que leur méthode fonctionne, ils ont demandé à l'ordinateur quantique de faire quatre choses différentes, un peu comme un test de conduite pour une voiture :

1. La Convolution (Le Mélange) :

   • Analogie : C'est comme mélanger deux sauces ensemble pour créer une nouvelle saveur.
   • Résultat : Ils ont mélangé deux listes de nombres sur un vrai ordinateur quantique (IBM). Ça a marché, mais avec un peu de "bruit" (comme une sauce un peu salée).

2. La Transformée de Fourier (La Décomposition) :

   • Analogie : Imaginez un orchestre. La Transformée de Fourier permet d'entendre chaque instrument séparément au milieu de la musique.
   • Résultat : Ils ont analysé un signal (simulant une onde gravitationnelle, comme un "bruit" de l'univers) pour en extraire les fréquences. Ils ont utilisé un simulateur parfait pour voir que la théorie tenait la route.

3. Le Gradient Carré (La Pente) :

   • Analogie : Si vous marchez sur une colline, le gradient vous dit à quelle vitesse la pente monte ou descend.
   • Résultat : Ils ont calculé la "pente" d'une image en noir et blanc. C'est utile pour voir où les formes changent brusquement.

4. La Détection de Contours (Le Dessin) :

   • Analogie : C'est l'outil qui permet de repérer les contours d'un dessin au crayon pour le colorier.
   • Résultat : Ils ont pris une photo de bactéries et ont réussi à isoler les bords des cellules. C'est le test le plus complexe, et il a fonctionné sur un simulateur.

4. Les Résultats : Est-ce parfait ? 📉

Non, et c'est normal. Les chercheurs sont très honnêtes sur les limites :

• Le "Calibrage" : Sur les vrais ordinateurs quantiques, les résultats étaient un peu "faibles" (comme un volume de musique trop bas). Ils ont dû appliquer un petit facteur de correction (comme tourner le bouton du volume) pour que les chiffres correspondent à la réalité.
• La Précision : Plus le calcul est grand, plus les erreurs s'accumulent. Pour l'instant, ils ne sont pas plus rapides que les ordinateurs classiques.
• Le Potentiel : L'objectif n'était pas de battre un ordinateur classique aujourd'hui, mais de prouver que c'est possible. C'est comme construire les premiers ponts : ils ne sont pas encore des autoroutes, mais ils montrent qu'on peut traverser la rivière.

5. Conclusion : Pourquoi est-ce important ? 🚀

Ce papier est une brique fondamentale.

Aujourd'hui, si vous voulez utiliser un ordinateur quantique pour la médecine (analyse de IRM) ou pour les voitures autonomes (reconnaissance de panneaux), vous avez besoin de savoir comment manipuler les images. Monarq montre la marche à suivre.

En résumé :
Les chercheurs ont construit un pont entre le monde classique (nos photos, nos données) et le monde quantique. Ils ont prouvé que même avec des machines imparfaites et bruyantes, on peut déjà commencer à faire des calculs utiles. C'est une étape vers un futur où les ordinateurs quantiques aideront à traiter des images médicales complexes ou à décoder des signaux que nos machines actuelles ne peuvent pas voir.

C'est comme si on apprenait à un enfant à écrire : l'écriture n'est pas encore parfaite, mais il a appris à tenir le crayon et à former les lettres. Le reste viendra avec le temps. ✍️✨

Résumé technique

Titre : Séquences et Transformations d'Images avec Monarq : Implémentations Quantiques pour Dispositifs NISQ

Auteurs : Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano (Lawrence Berkeley National Laboratory, etc.)

---

1. Problématique

Le traitement du signal et des images est une tâche fondamentale dans des domaines allant de l'imagerie médicale aux systèmes autonomes. Bien que ces opérations soient efficaces sur le matériel classique, leur traduction en algorithmes quantiques sur des dispositifs NISQ (Noisy Intermediate-Scale Quantum) pose des défis majeurs :

• Bruit et décohérence : Les temps de cohérence limités et le bruit inhérent aux qubits actuels dégradent la précision des calculs.
• Connectivité restreinte : Les contraintes de connectivité des qubits augmentent la profondeur des circuits (nombre de portes CNOT).
• Encodage et Traitement : Il existe un fossé entre les schémas d'encodage de données efficaces et les opérateurs quantiques capables de produire des résultats computationnels fiables sur du matériel réel.
• Objectif : L'article ne vise pas à démontrer un avantage quantique immédiat par rapport aux méthodes classiques, mais à déterminer si des opérations de traitement de données classiques peuvent produire des résultats fiables sur le matériel NISQ actuel, servant ainsi de blocs de construction pour des algorithmes futurs.

2. Méthodologie : Le Framework Monarq

Les auteurs introduisent Monarq, un cadre unifié de traitement de données quantiques qui intègre deux protocoles existants via un schéma d'encodage partagé.

• Encodage QCrank :
  • Utilise des portes de rotation contrôlées uniformément (UCR) parallèles pour réduire la profondeur du circuit.
  • Encode des valeurs réelles $x \in [-1, 1]$ dans des états quantiques via des rotations $R_y(\theta)$.
  • Utilise des qubits d'adresse ($n_a$) et des qubits de données ($n_d$) pour stocker des séquences ou des images.
• Protocole EHands :
  • Fournit des opérations arithmétiques élémentaires (multiplication, addition pondérée, négation) pour réaliser des transformations polynomiales.
  • Fonctionne avec des circuits peu profonds (profondeur $4d$pour un polynôme de degré$d$), adaptés aux contraintes NISQ.
• Intégration (Schéma EVEN) :
  • La clé de l'intégration est l'utilisation commune du schéma d'encodage EVEN (Expectation Value Encoding). Les deux protocoles utilisent la même représentation des valeurs réelles, permettant un flux de données fluide sans étapes de conversion intermédiaires.
  • Pipeline : Encodage (QCrank) $\rightarrow$ Calcul (EHands) $\rightarrow$ Décodage (Mesure de l'espérance de valeur de l'opérateur Pauli-Z).
• Applications Cibles :
  1. Convolution : Multiplication élément par élément de deux séquences.
  2. Transformée de Fourier Discrète (DFT) : Utilisation de la sommation in-situ (en ne mesurant pas les qubits d'adresse) pour calculer l'intégrale de la convolution.
  3. Gradient Carré : Calcul des gradients d'image (différences centrées) pour la détection de contours.
  4. Détection de Contours : Combinaison des gradients 2D et d'un seuillage (thresholding).

3. Contributions Clés

1. Framework Unifié : Création de Monarq, qui combine efficacement l'encodage de données et le calcul polynomial pour le traitement de signaux et d'images.
2. Validation Expérimentale : Mise en œuvre et validation de quatre algorithmes distincts.
   • Matériel Réel : Convolution et calcul de gradient carré sur les processeurs quantiques IBM (Pittsburgh, Aachen).
   • Simulateur Idéal : DFT et détection de contours pour des tailles de problèmes plus grandes (simulations basées sur des coups/shots).
3. Méthodologie d'Évaluation : Proposition d'une approche rigoureuse pour évaluer la précision en comparant l'erreur quadratique moyenne (RMSE) aux résultats classiques, en tenant compte du bruit de tir (shot noise) et de l'infidélité des portes.

4. Résultats Expérimentaux

Les expériences ont été menées sur des processeurs IBM (Pittsburgh, Kingston, Aachen) et des simulateurs idéaux.

• Calibration et Erreur :
  • L'erreur totale est la somme quadratique du bruit de tir et de l'infidélité matérielle.
  • Une calibration post-traitement (facteur d'atténuation unique) a été utilisée pour compenser l'atténuation systématique du signal sur le matériel réel, permettant de récupérer la plage dynamique des résultats.
• Convolution (Matériel IBM) :
  • Circuit de 7 qubits, 164 portes CNOT (après transpilation).
  • Résultat : RMSE de 0,065 après calibration.
  • Conclusion : La convolution est fiable sur IBM NISQ tant que le circuit transpilé nécessite moins de ~200 portes CNOT.
• Gradient Carré (Matériel IBM) :
  • Image 32x32 pixels divisée en bandes (64 circuits de 8 qubits, 252 CNOTs).
  • Résultat : Correspondance visuelle forte avec le calcul classique. Facteur d'échelle de calibration de 2,9.
• DFT et Détection de Contours (Simulateur) :
  • DFT appliquée à un signal d'ondes gravitationnelles synthétiques (20 qubits). Résultats de haute fidélité pour 15 fréquences choisies.
  • Détection de contours sur image de bactéries (20 qubits, >8000 CNOTs, 30 millions de coups).
  • Résultat : Cartes de contours binaires propres, démontrant la viabilité des pipelines complets.

5. Signification et Perspectives

• Preuve de Concept : L'article démontre qu'il est possible d'exécuter des pipelines de traitement de données complets (encodage $\rightarrow$ calcul $\rightarrow$ décodage) sur du matériel NISQ actuel avec une précision significative.
• Limitations Actuelles :
  • Nécessité de grands nombres de coups (shots) (de 32k à 30M).
  • Dégradation de la précision avec l'augmentation du nombre de portes (infidélité cumulative).
  • Pas d'avantage quantique démontré par rapport aux méthodes classiques pour l'instant.
• Impact Futur :
  • Ces travaux établissent des repères de faisabilité (benchmarks) pour le développement d'algorithmes quantiques futurs.
  • Ils ouvrent la voie à des applications en apprentissage automatique (ML) et en vision par ordinateur quantique.
  • Les dispositifs NISQ servent de trempons (stepping stones) pour explorer les défis pratiques avant l'avènement des ordinateurs quantiques tolérants aux fautes.

En résumé, Monarq représente une avancée pratique en démontrant comment des opérations classiques complexes peuvent être mappées sur des circuits quantiques peu profonds, en surmontant les limitations matérielles actuelles par une ingénierie de circuit optimisée et une calibration rigoureuse.