Harnessing DEN models for quantum computing tasks on neutral atom QPUs

Ce papier démontre l'intégration réussie de graphes de réseaux d'antennes protéiques et cellulaires sur des processeurs quantiques à atomes neutres (Orion Alpha de PASQAL et Aquila de QuEra) à l'aide de réseaux encodeurs de distance, atteignant des taux d'intégration élevés pour des tâches d'apprentissage automatique quantique et de coloration de graphes.

L'essentiel

Imaginez que vous possédiez une aire de jeux très spéciale et high-tech, constituée d'atomes minuscules et flottants. Cette aire de jeux est un ordinateur quantique (spécifiquement, un utilisant des « atomes neutres »). Contrairement aux ordinateurs ordinaires qui utilisent des bits (0 et 1), cette machine utilise des atomes qui peuvent être dans deux états à la fois.

Les chercheurs de cet article ont fait face à un casse-tête délicat : Comment prendre une carte complexe (un graphe) et l'adapter parfaitement à cette aire de jeux spécifique ?

Voici la décomposition de leur travail, utilisant des analogies simples :

1. Les règles de l'aire de jeux (Le matériel)

Imaginez l'ordinateur quantique comme une grille de « pièges » invisibles où vous pouvez garer des atomes.

• La zone « Interdite » : Si deux atomes se rapprochent trop l'un de l'autre, ils se repoussent violemment (comme deux aimants avec le même pôle face à face). C'est ce qu'on appelle l'« effet de blocage ».
• La zone « Amitié » : Si les atomes sont assez proches (mais pas trop proches), ils peuvent « parler » entre eux.
• La forme : L'aire de jeux n'est pas un cercle parfait ; c'est un rectangle. De plus, les atomes doivent être garés en rangées ordonnées, et ces rangées doivent être espacées exactement comme il faut.

L'objectif était de prendre un dessin d'un réseau (comme une structure de protéine ou une carte de tours de téléphonie mobile) et de réorganiser ses points afin qu'ils respectent ces règles de stationnement strictes. Si les points respectent les règles, l'ordinateur quantique peut résoudre des problèmes concernant ce réseau instantanément.

2. Le problème : L'« Espace libre » contre le « Monde réel »

Dans leurs travaux précédents, l'équipe avait utilisé un outil d'IA intelligent (appelé un modèle DEN) capable d'arranger ces points n'importe où dans un « espace libre » (imaginez une feuille de papier blanche sans lignes). Il était excellent pour trouver la forme parfaite.

Mais lorsqu'ils ont essayé d'utiliser de vrais ordinateurs quantiques (deux spécifiquement nommés Orion Alpha et Aquila), ils ont rencontré un mur :

• Orion Alpha : Les atomes devaient être garés sur une grille triangulaire spécifique (comme un nid d'abeilles). Vous ne pouviez pas simplement placer un atome n'importe où ; il devait s'aligner sur un piège précis.
• Aquila : Les atomes devaient tenir dans un rectangle et rester en rangées avec un espacement spécifique.

C'était comme essayer de garer une voiture dans un garage où les places sont peintes au sol, mais où votre IA vous disait de vous garer au milieu de l'allée.

3. La solution : Le « Déplaceur intelligent »

L'équipe a amélioré son outil d'IA pour gérer ces contraintes du monde réel.

• Pour le nid d'abeilles (Orion Alpha) :
  Ils ont utilisé une stratégie de « Voisin le plus proche ». Imaginez que vous avez une liste de personnes (les points) et une liste de chaises (les pièges).

  1. L'IA détermine d'abord l'agencement de sièges idéal dans l'espace libre.
  2. Ensuite, elle prend les personnes les plus importantes (celles ayant le plus d'amis/connexions) et les asseoir en premier.
  3. Elle les place sur la chaise disponible la plus proche sur la grille en nid d'abeilles.
  • Résultat : Ils ont réussi à mapper un réseau de 90 tours de téléphonie mobile à Turin, en Italie, sur la machine. Même si l'agencement n'était pas mathématiquement parfait, l'ordinateur pouvait toujours résoudre le « problème de coloration » (attribuer des identifiants uniques aux tours pour éviter les conflits de signal).

• Pour le rectangle (Aquila) :
  Ils ont ajouté une nouvelle « règle » au cerveau de l'IA. Ils ont appris à l'IA que si deux points sont dans la même rangée, ils doivent être suffisamment éloignés, ou s'ils sont dans des rangées différentes, les rangées doivent être espacées.

  • Résultat : Ils ont tenté de mapper des centaines de structures de protéines.
    • Pour les petites protéines (jusqu'à 12 points), ils ont réussi environ 76 % du temps.
    • Pour les protéines moyennes (jusqu'à 16 points), le taux de succès est tombé à 68 %.
    • Pour les protéines plus grandes (jusqu'à 256 points), le taux de succès est tombé à 34 %.

4. Pourquoi cela compte (Le « Et alors ? »)

L'article montre que bien que l'adaptation de formes complexes à ces machines quantiques soit difficile (comme essayer de plier une grande carte dans une petite poche), leur méthode fonctionne mieux que les solveurs mathématiques traditionnels.

• La comparaison : Les outils mathématiques classiques tentaient de résoudre ce problème pendant des heures et abandonnaient souvent (0 % de succès). La méthode d'IA de l'équipe trouvait généralement une solution en moins de 5 minutes.
• La conclusion : Même s'ils n'ont pas pu adapter tous les graphes parfaitement, ils ont pu en adapter suffisamment pour mener de vraies expériences. Ils ont prouvé que vous pouvez prendre des données réelles (comme des tours de téléphonie mobile ou des protéines) et les traduire dans un langage que ces machines quantiques comprennent.

Analogie de résumé

Imaginez que vous essayez d'organiser un groupe d'amis pour une photo.

• L'ancienne méthode : Vous leur demandez de se tenir en un cercle parfait.
• La nouvelle réalité : Vous êtes sur une scène avec des emplacements spécifiques et pré-marqués, et certains amis sont allergiques à se tenir trop près des autres.
• La contribution de l'article : Ils ont construit un assistant intelligent qui détermine rapidement qui se tient où sur les emplacements spécifiques de la scène, afin que tout le monde soit satisfait (ou du moins, que la photo puisse être prise), même si le cercle parfait n'est pas possible. Ils ont testé cela sur deux scènes différentes et ont prouvé que cela fonctionne pour de nombreux groupes d'amis différents.

Résumé technique

Résumé Technique : Exploitation des modèles DEN pour des tâches d'informatique quantique sur des QPU à atomes neutres

Énoncé du problème
Les processeurs quantiques à atomes neutres (QPU), tels que ceux développés par PASQAL (Orion Alpha) et QuEra (Aquila), utilisent des atomes de Rubidium individuels comme qubits. Ces machines représentent nativement des graphes à disque unitaire (UDG) à travers leur dynamique hamiltonienne, où des arêtes existent entre les qubits si leur séparation physique est inférieure à un rayon de Rydberg spécifique ($r_b$). Cependant, la cartographie de graphes de problèmes arbitraires (par exemple, des structures protéiques ou des réseaux d'antennes cellulaires) sur ces registres physiques est contrainte par les limitations matérielles. Plus précisément, les atomes doivent être positionnés à des coordonnées fixes (souvent un réseau triangulaire) ou respecter des contraintes strictes d'espacement entre les rangées, et le système doit satisfaire des exigences de distance pour distinguer les sommets adjacents des sommets non adjacents. Des travaux antérieurs ont introduit les Distance Encoder Networks (DEN) pour encoder des UDG sous des hypothèses d'espace libre, mais ces modèles ne prenaient pas en compte les géométries discrètes et contraintes des QPU réels.

Méthodologie
Les auteurs ont adapté le cadre DEN pour répondre aux contraintes matérielles spécifiques de deux QPU distincts :

1. Orion Alpha (PASQAL) :

   • Contrainte : Les atomes doivent occuper des positions fixes au sein d'un réseau triangulaire (61 pièges, côté de 5 µm) avec une distance inter-atomique minimale de 5 µm et maximale de 40 µm.
   • Approche : Puisque le modèle DEN génère des coordonnées continues d'espace libre et ne peut pas gérer nativement les contraintes d'intégralité discrète au sein de sa fonction de perte différentiable, les auteurs ont employé un processus en deux étapes. Premièrement, le modèle DEN a été entraîné pour générer un encodage réalisable sous des hypothèses d'espace libre. Deuxièmement, un algorithme de plus proche voisin a été appliqué pour mapper ces coordonnées continues vers le piège disponible le plus proche dans le réseau triangulaire. Les sommets ont été triés par degré (décroissant) avant la cartographie pour prioriser le placement des nœuds hautement connectés.

2. Aquila (QuEra) :

   • Contrainte : Le registre est rectangulaire (75 µm × 76 µm) et exige que les atomes soient organisés en rangées avec un espacement vertical minimal de 4 µm.
   • Approche : Les auteurs ont modifié directement l'architecture DEN. Ils ont introduit une contrainte d'espacement entre les rangées dans la fonction de perte d'encodage (ELF). L'architecture du modèle a été mise à jour pour inclure une couche CoordL (utilisant une activation tanh pour borner les coordonnées dans le registre rectangulaire) et une couche DistL. La couche DistL calcule à la fois les distances carrées paires standard et les distances carrées entre les rangées ($y'_i - y'_j)^2$). Un nouveau composant de pénalité, ELFrow, a été ajouté à la fonction de perte pour pénaliser les configurations où les distances entre les rangées tombent entre 0 et 4 µm, tout en permettant des distances $\ge$ 4 µm ou 0 (même rangée).

Contributions clés

• Encodage conscient du matériel : L'article présente une méthodologie pour passer des encodages UDG d'espace libre théoriques à des solutions réalisables matériellement pour deux QPU réels.
• Adaptation algorithmique :
  • Pour les réseaux discrets (Orion Alpha), une stratégie heuristique de remappage par plus proche voisin a été développée pour convertir les sorties DEN en configurations de pièges valides.
  • Pour les registres rectangulaires avec contraintes de rangées (Aquila), le modèle DEN a été modifié structurellement pour imposer les contraintes d'espacement entre les rangées directement au sein de la fonction de perte du réseau de neurones.
• Validation spécifique à l'application : L'approche a été validée sur deux cas d'utilisation distincts :
  • Coloration de graphes : Résolution de l'optimisation de l'identifiant de cellule principale (PCI) pour 90 antennes cellulaires à Turin, en Italie, en utilisant l'algorithme hybride BBQ-mIS sur Orion Alpha.
  • Apprentissage automatique quantique : Classification de protéines (enzyme vs non-enzyme) utilisant le jeu de données PROTEINS sur Aquila.

Résultats

• Orion Alpha (Coloration de graphes) : Le jeu de données de 90 antennes a été décomposé en composantes connexes. Bien que les sommets isolés et les graphes complets aient eu des solutions triviales, les auteurs ont réussi à encoder quatre sous-graphes non triviaux (tailles de 7, 7, 10 et 19 sommets). Bien que le remappage vers le réseau ait réduit la qualité de l'encodage (diminuant l'écart entre les distances adjacentes et non adjacentes), l'algorithme BBQ-mIS est resté robuste, trouvant avec succès des colorations optimales malgré des représentations UDG imparfaites.
• Aquila (Classification de protéines) :
  • Pour les graphes avec $n \le 12$, le modèle DEN a atteint un taux de réussite de 76 % (158/207 échantillons).
  • Pour les graphes avec $n \le 16$, le taux de réussite a chuté à 68 % (210/307 échantillons).
  • Pour l'ensemble du jeu de données ($n \le 256$), le taux de réussite était de 34 % (279 échantillons).
  • Les auteurs notent que, bien que les taux de réussite diminuent à mesure que la taille du graphe augmente en raison des contraintes géométriques, l'heuristique DEN surpasse significativement les solveurs de programmation en nombres entiers mixtes (MIP) les plus avancés, qui ont atteint un taux de réussite proche de 0 % sur des graphes plus petits, même avec 5 à 10 heures de temps de calcul. Le modèle DEN fournit généralement des solutions en moins de 5 minutes.

Signification et affirmations
L'article affirme que ces résultats soulignent l'efficacité et la polyvalence de l'approche d'encodage basée sur DEN pour représenter des graphes à disque unitaire sur des ordinateurs quantiques à atomes neutres à travers diverses applications. Les auteurs soulignent que même un succès partiel dans l'encodage de graphes complexes et de grande taille représente une avancée significative, particulièrement compte tenu de l'absence d'outils existants pour mapper des problèmes vers ces architectures matérielles spécifiques. Ils suggèrent que pour les graphes plus petits, une stratégie consistant à répliquer le graphe plusieurs fois dans le registre (en assurant une distance suffisante entre les copies) pourrait optimiser davantage l'exécution des tâches quantiques en réduisant les exigences de mesure. Ce travail sert de pont pratique entre les problèmes de graphes théoriques et les contraintes physiques des QPU à atomes neutres actuels.