CrossBench: Generalized Crosstalk Benchmark Generation for Quantum Computers

Ce papier présente CrossBench, un système personnalisable qui utilise un algorithme d'étiquetage de graphes pour générer efficacement des benchmarks de diaphonie généralisés pour les dispositifs NISQ ayant des topologies arbitraires, permettant l'identification de portes spécifiques contribuant de manière significative aux taux d'erreur des qubits sans dépendre de métriques fournies par le fournisseur.

L'essentiel

Le Grand Problème : L'Effet du « Voisin Bruyant »

Imaginez que vous essayez d'avoir une conversation calme dans une bibliothèque (c'est votre ordinateur quantique qui tente d'effectuer des calculs). Soudain, quelqu'un à une table voisine commence à claquer un livre, à crier ou à jouer de la musique forte. Même s'ils ne vous parlent pas, leur bruit vous empêche d'entendre votre propre ami.

Dans le monde des ordinateurs quantiques, cela s'appelle la diaphonie. Lorsqu'une partie de l'ordinateur (un « qubit ») tente d'accomplir une tâche, elle « crie » accidentellement à ses voisins, perturbant leurs calculs. À mesure que les ordinateurs quantiques deviennent plus grands et plus complexes, ce bruit devient plus difficile à suivre.

Actuellement, les entreprises qui construisent ces ordinateurs (comme IBM) ne fournissent pas toujours aux utilisateurs une carte claire indiquant quelles actions spécifiques génèrent le plus de bruit. Obtenir cette carte nécessite généralement de réaliser des milliers de tests coûteux et longs.

La Solution : CrossBench (Le « Détective du Bruit »)

Les auteurs de ce document ont créé un nouvel outil appelé CrossBench. Considérez CrossBench comme un « Détective du Bruit » intelligent et automatisé capable de déterminer rapidement quelles actions spécifiques causent le plus de problèmes dans un ordinateur quantique, sans avoir besoin de tester manuellement chaque possibilité.

Voici comment cela fonctionne, décomposé en étapes simples :

1. La Mise en Place : Conducteurs et Spectateurs

CrossBench organise un jeu avec deux types de rôles pour les qubits :

• Les Conducteurs : Ce sont les « voisins bruyants ». On leur demande de répéter une action spécifique (comme une opération de porte particulière) encore et encore. Leur seul travail est de faire du bruit.
• Les Spectateurs : Ce sont les « observateurs calmes ». Ils s'assoient à proximité, exécutent leur propre routine tranquille, puis sont mesurés à la fin pour voir s'ils ont été perturbés par les Conducteurs.

2. La Stratégie : Une Carte Intelligente

Au lieu de deviner où placer les Conducteurs et les Spectateurs, CrossBench utilise un algorithme d'étiquetage de graphe spécial.

• Imaginez que l'ordinateur quantique est une carte de ville où les qubits sont des maisons et les connexions sont des rues.
• CrossBench parcourt cette carte et place stratégiquement les Conducteurs « bruyants » à côté des Spectateurs « calmes ».
• Il s'assure que chaque Spectateur a au moins un voisin bruyant contre lequel tester, tout en équilibrant les nombres pour que le test soit équitable et efficace.

3. Le Test : Mesurer le Chaos

Une fois la carte configurée, CrossBench exécute le test :

• Les Conducteurs s'emballe, répétant leurs actions bruyantes.
• Les Spectateurs tentent de rester calmes.
• À la fin, les Spectateurs sont vérifiés. Si l'état d'un Spectateur a changé (s'il a fait une erreur), cela signifie que le bruit du Conducteur était suffisamment fort pour l'atteindre.

En exécutant ce test avec différentes combinaisons d'actions « bruyantes » (comme les portes X, les portes CZ, etc.), CrossBench établit un tableau de scores. Il vous indique : « Hé, lorsque vous utilisez la porte 'CZ', elle génère beaucoup de bruit pour vos voisins. Mais la porte 'ID' (identité) est très calme. »

Ce Qu'ils Ont Découvert

Les chercheurs ont testé cet outil sur trois grands ordinateurs quantiques IBM différents (nommés Fez, Kingston et Miami).

• Le Résultat : CrossBench a réussi à identifier quelles portes spécifiques étaient les « voisins bruyants » sur les trois machines.
• La Preuve : Les résultats étaient statistiquement significatifs, ce qui signifie que l'outil n'a pas simplement eu de la chance ; il a trouvé de manière fiable les portes bruyantes à chaque fois.
• L'Avantage : Il a prouvé qu'il est possible d'obtenir une image claire de la diaphonie sans dépenser une fortune ni attendre indéfiniment. Il fonctionne sur différentes formes et tailles d'ordinateurs quantiques, pas seulement sur un type spécifique.

Pourquoi Cela Compte (Selon le Document)

Le document met en avant trois raisons principales pour lesquelles cet outil est utile :

1. Meilleures Corrections d'Erreurs : Si vous savez quelles portes sont bruyantes, vous pouvez créer de meilleurs logiciels pour corriger ces erreurs spécifiques.
2. Sécurité : Le document mentionne que des pirates pourraient potentiellement utiliser la diaphonie pour espionner d'autres utilisateurs partageant le même ordinateur (un concept appelé « multitenance »). CrossBench aide à détecter ces risques.
3. Efficacité : C'est beaucoup moins cher et plus rapide que les anciennes méthodes (comme le « Simultaneous Randomized Benchmarking ») qui tentent de tester chaque connexion individuellement.

En Résumé

CrossBench est une méthode intelligente et automatisée pour cartographier la « pollution sonore » à l'intérieur d'un ordinateur quantique. Au lieu de tester manuellement chaque pièce d'une maison pour trouver les tuyaux bruyants, il utilise une stratégie astucieuse pour placer les « générateurs de bruit » à côté des « écouteurs », identifiant rapidement exactement quelles actions causent le plus d'interférences. Cela aide les ingénieurs à construire des ordinateurs quantiques meilleurs et plus fiables.

Résumé technique

1. Énoncé du problème

À mesure que les ordinateurs quantiques augmentent en taille et en complexité topologique (en particulier dans l'ère des ordinateurs quantiques à bruit intermédiaire à échelle intermédiaire, ou NISQ), les erreurs de diaphonie sont devenues un goulot d'étranglement critique. La diaphonie se produit lorsque des opérations sur un qubit affectent involontairement l'état d'un autre, résultant de mécanismes tels que les interactions $ZZ$ permanentes, les couplages $ZX$ et $XY$.

Les défis principaux identifiés sont :

• Passage à l'échelle : Les techniques de benchmarking existantes, telles que la tomographie d'inactivité (IDT) et le benchmarking randomisé simultané (SRB), nécessitent un test exhaustif de chaque qubit ou couplage. À mesure que les systèmes dépassent 100 qubits, ces méthodes deviennent prohibitivement coûteuses et chronophages.
• Manque d'accessibilité : Les fournisseurs de matériel quantique fournissent rarement des métriques granulaires de diaphonie, pourtant essentielles pour l'atténuation des erreurs, la transpilation de circuits et la sécurité quantique (par exemple, la détection de logiciels malveillants basés sur la diaphonie comme QubitVise).
• Limitation à une source unique : De nombreux modèles existants ne considèrent que la diaphonie à source unique, alors que les attaques modernes et les comportements matériels impliquent des interférences simultanées provenant de plusieurs qubits.

2. Méthodologie : CrossBench

Les auteurs proposent CrossBench, un système personnalisable générant des benchmarks de diaphonie pour des dispositifs dotés de topologies arbitraires et d'ensembles de portes finis. Le système fonctionne sur un modèle Conducteur-Spectateur :

• Qubits Conducteurs : Exécutent une porte spécifique de manière répétée pour générer de la diaphonie. Ils ne sont pas mesurés.
• Qubits Spectateurs : Exécutent une séquence de portes (souvent conçue pour être équivalente à l'opération identité) et sont mesurés à la fin pour détecter les changements d'état causés par le conducteur.

Composants techniques clés :

• Représentation topologique basée sur les graphes : Le dispositif quantique est modélisé comme un graphe orienté où les sommets sont des qubits et les arêtes sont des couplages.
• Algorithme de labellisation de graphes personnalisé : CrossBench utilise un algorithme en quatre passes pour attribuer les rôles de conducteur et de spectateur aux qubits :
  1. Passes 1 et 2 : Attribution des conducteurs et spectateurs jusqu'à des seuils définis par l'utilisateur.
  2. Passes 3 et 4 : Remplissage de l'espace restant pour optimiser la taille de l'échantillon et la sensibilité.
  • Contrainte : Chaque spectateur doit avoir au moins un conducteur voisin, et vice versa. L'algorithme recherche récursivement dans le graphe pour garantir des placements valides.
• Construction du circuit :
  • Profondeur du conducteur ($d_D$) : Calculée en fonction du taux d'erreur de porte native estimé ($E$) et d'un seuil d'erreur défini par l'utilisateur ($\delta$) pour garantir que l'erreur cumulative reste bornée (Éq. 1).
  • Profondeur du spectateur ($d_S$) : Construite pour garantir que la séquence de portes du spectateur est équivalente à l'opération identité tout en correspondant au temps d'exécution du conducteur (Éq. 3 et 4).
  • Alignement temporel : Un délai est inséré avant la mesure du spectateur pour garantir que tous les benchmarks subissent des effets de décohérence comparables, alignant le temps d'exécution total sur la séquence de conducteur la plus longue possible (Éq. 5).
• Sortie : Le système génère des circuits Qiskit. Les résultats sont des chaînes binaires où « 1 » indique une erreur sur un qubit spectateur. En agrégeant les résultats sur de nombreux tirs, le système calcule les taux d'erreur attribuables à des paires spécifiques de portes conducteur-spectateur.

3. Contributions clés

• Génération de benchmarks évolutive : CrossBench maintient un coût de calcul quantique constant quelle que soit la taille du système, contrairement à IDT/SRB qui s'adaptent mal.
• Détection de diaphonie multi-source : Contrairement aux méthodes précédentes testant des sources uniques, CrossBench peut benchmarker simultanément plusieurs conducteurs, imitant les vecteurs d'attaque modernes et les interactions matérielles complexes.
• Indépendance du matériel : L'outil est conçu pour tout ordinateur quantique représentable comme un graphe orienté fini, supportant des topologies et des ensembles de portes arbitraires.
• Personnalisabilité : Les utilisateurs peuvent ajuster les tolérances d'erreur, les seuils de sensibilité et les stratégies d'échantillonnage pour convenir aux caractéristiques matérielles spécifiques (par exemple, des systèmes à diaphonie plus faible).

4. Résultats expérimentaux

Les auteurs ont évalué CrossBench sur trois processeurs quantiques IBM avec des topologies différentes :

• IBM Fez (Heron 156 qubits)
• IBM Kingston (Heron 156 qubits)
• IBM Miami (Nighthawk 120 qubits)

Configuration expérimentale :

• Les benchmarks ont été exécutés avec 10 000 tirs par circuit.
• Portes testées : $X$, $SX$, $CZ$ et $ID$ (Identité).
• Sept exécutions de benchmark indépendantes ont été réalisées par dispositif pour assurer la stabilité statistique.

Constats :

• Significativité statistique : CrossBench a réussi à identifier les portes induisant une diaphonie significative avec $p < 0.05$ sur tous les dispositifs.
• Variations dépendantes de la porte :
  • Sur IBM Fez, les spectateurs $CZ$ ont connu significativement plus d'erreurs avec des conducteurs $CZ$ qu'avec des conducteurs $SX$($p=0.021$).
  • Sur IBM Kingston, les spectateurs $ID$ ont montré des taux d'erreur plus élevés avec des conducteurs $X$ qu'avec des conducteurs $ID$($p < 0.01$).
  • Sur IBM Miami, les spectateurs $CZ$ ont montré plus d'erreurs avec des conducteurs $X$ qu'avec des conducteurs $ID$($p=0.021$).
• Comparaison avec une référence : En utilisant les portes $ID$ comme référence, le système a quantifié la force relative de la diaphonie des autres portes. Les conducteurs $ID$ ont systématiquement produit les taux d'erreur les plus faibles, confirmant leur utilité comme contrôle.
• Variabilité : L'étude a noté une variabilité d'une exécution à l'autre due au bruit matériel et au placement aléatoire, suggérant que plusieurs exécutions sont nécessaires pour obtenir des estimations stables sur les grands systèmes.

5. Importance et implications futures

• Utilité pratique : CrossBench fournit une méthode peu coûteuse et accessible pour obtenir des métriques de diaphonie sur de grands dispositifs NISQ où les méthodes traditionnelles sont trop coûteuses.
• Applications en sécurité : La capacité à détecter les interférences multi-qubits fait de CrossBench un outil vital pour identifier les vulnérabilités aux logiciels malveillants basés sur la diaphonie (par exemple, QubitHammer) et pour développer des stratégies d'atténuation.
• Large applicabilité : Bien que testé sur des systèmes supraconducteurs, l'approche basée sur les graphes permet une extension à d'autres plateformes, telles que les systèmes d'atomes neutres, pour étudier les erreurs induites par les interactions.
• Travaux futurs : Les auteurs prévoient de rendre l'outil open-source, d'ajouter des fonctionnalités pour le « rembourrage » entre qubits afin de tester des stratégies d'isolation, et d'utiliser les données pour développer la détection de logiciels malveillants basés sur la diaphonie et des algorithmes de planification multi-locataires.

En conclusion, CrossBench représente une avancée significative pour rendre la caractérisation du matériel quantique évolutive, flexible et pertinente pour les besoins de sécurité et de performance de l'informatique quantique moderne.