Sample-efficient benchmarking of shallow all-to-all random quantum circuits

Cet article présente l'entropie croisée non linéaire et un classificateur binaire basé sur les sorties lourdes comme des références économes en échantillons capables de distinguer les circuits quantiques aléatoires peu profonds à connectivité totale et bruités des contrefaçons classiques les plus avancées, étayées par des dérivations analytiques et des simulations numériques.

L'essentiel

Imaginez que vous essayez de prouver qu'une nouvelle voiture de course ultra-rapide (un ordinateur quantique) est réellement plus rapide qu'un conducteur humain très astucieux dans un simulateur (un ordinateur classique). Le problème, c'est que la voiture de course a un moteur instable (bruit), et que le simulateur devient plus intelligent chaque jour, nous trompant parfois en nous faisant croire qu'il s'agit de la vraie voiture.

Cet article traite de la recherche d'une meilleure méthode pour juger la course, spécifiquement pour les courses « peu profondes » — des circuits courts et rapides où la voiture n'a pas eu le temps de devenir pleinement chaotique. Les auteurs proposent deux nouvelles façons de distinguer la vraie voiture quantique d'un faux simulateur.

Le Problème : Le Score « Faux »

Par le passé, les scientifiques utilisaient un test appelé Entropie Croisée Linéaire pour vérifier si l'ordinateur quantique faisait correctement son travail. Imaginez cela comme un professeur notant la dissertation d'un élève. Si la dissertation semble écrite par un humain (l'ordinateur quantique), le professeur attribue une note élevée.

Cependant, récemment, des « tricheurs » (algorithmes classiques) ont appris à rédiger des dissertations qui ressemblent exactement à celles de l'humain, même s'ils n'ont pas réellement accompli le travail difficile de les écrire à partir de zéro. Ils peuvent « falsifier » le test, obtenant une note élevée sans être un véritable ordinateur quantique. Cela est particulièrement vrai pour les circuits courts et peu profonds.

La Solution 1 : Le Test « Plongée Profonde » (Entropie Croisée Non Linéaire)

Les auteurs suggèrent un nouveau test appelé Entropie Croisée Non Linéaire.

• L'Analogie : Imaginez que le test linéaire consiste à demander : « Avez-vous écrit une phrase ? » Le tricheur peut facilement répondre « Oui » et falsifier la réponse. Le test non linéaire consiste à demander : « Écrivez une phrase, puis expliquez pourquoi vous avez choisi chaque mot, et comment les lettres se sentent dans votre bouche. »
• Fonctionnement : Ce test examine la « forme » des données d'une manière beaucoup plus complexe. Les auteurs ont utilisé un outil mathématique appelé Circuit Brownien (pensez-y comme une version « fluide » d'un circuit quantique plus facile à analyser, comme étudier l'écoulement de l'eau plutôt que les molécules d'eau individuelles) pour prouver que :
  1. Un véritable ordinateur quantique bruyant produira un score d'« empreinte digitale » spécifique.
  2. Un tricheur tentant de le falsifier obtiendra un score complètement différent.
  3. Même avec le « moteur instable » (bruit), le score de l'ordinateur réel est suffisamment distinct pour que vous n'ayez pas besoin de millions de courses pour voir la différence. Vous n'avez besoin que de quelques échantillons.

Ils ont constaté que pour les circuits courts, ce test est efficient en échantillons. Cela signifie que vous n'avez pas besoin de faire courir la course un milliard de fois pour être sûr ; un petit nombre de courses suffit pour séparer le véritable ordinateur quantique du tricheur.

La Solution 2 : Le Détecteur « Grosse Frappe » (Classifieur Binaire)

La deuxième méthode est encore plus rapide. Elle repose sur un concept appelé Génération de Sorties Lourdes (Heavy Output Generation - HOG).

• L'Analogie : Imaginez une machine à loterie. Une machine équitable choisit des nombres complètement au hasard. Une machine quantique, en revanche, est chaotique et tend à choisir certains nombres « chanceux » (sorties lourdes) plus souvent que d'autres, tout en en évitant d'autres.
• Le Test : Les auteurs ont créé un simple classifieur « Oui/Non ».
  • Vous exécutez le circuit une fois et obtenez un résultat.
  • Vous vérifiez : « Ce résultat est-il l'un des nombres chanceux « lourds » ? »
  • Si la réponse est « Oui », il s'agit probablement du véritable ordinateur quantique. Si « Non », il s'agit probablement du tricheur.
• La Magie : Les auteurs ont prouvé qu'avec cette méthode, vous n'avez besoin que d'un nombre d'échantillons qui croît très lentement (de manière logarithmique) à mesure que l'ordinateur grossit.
  • Analogie : Si vous avez un petit ordinateur, vous pourriez avoir besoin de 10 échantillons. Si vous avez un énorme ordinateur, vous n'auriez peut-être besoin que de 20 échantillons. Vous n'avez pas besoin de doubler vos efforts à chaque fois que l'ordinateur grossit ; vous avez juste besoin d'un tout petit peu plus. C'est incroyablement efficace.

Comment Ils Ont Fait (Le « Secret »)

Pour prouver que ces idées fonctionnent, les auteurs n'ont pas simplement deviné. Ils ont utilisé un tour de passe-passe mathématique astucieux :

1. Le Modèle Fluide : Ils ont modélisé les circuits quantiques comme un fluide « Brownien ». Cela leur a permis d'utiliser des outils de physique (généralement utilisés pour étudier les aimants ou la chaleur) pour calculer des formules exactes sur le comportement de ces circuits.
2. L'Astuce des Répliques : Ils ont imaginé exécuter le circuit de nombreuses fois en parallèle (comme s'ils avaient des clones de l'ordinateur) pour calculer le comportement moyen. Cela les a aidés à prédire exactement à quoi ressembleraient les scores pour un ordinateur réel par rapport à un tricheur.
3. Vérification : Ils ont également exécuté des simulations informatiques sur jusqu'à 40 qubits pour confirmer que leurs mathématiques « fluides» correspondaient à ce qui se passe avec de véritables portes quantiques discrètes.

La Conclusion

L'article affirme que pour les circuits quantiques courts et peu profonds :

1. L'Entropie Croisée Non Linéaire est un test fiable capable de distinguer un véritable ordinateur quantique bruyant d'un tricheur classique, même lorsque l'ordinateur n'est pas parfait.
2. Un nouveau Classifieur Binaire (basé sur les « Sorties Lourdes ») est encore plus efficace, nécessitant très peu d'échantillons pour faire la distinction.

Cela offre aux scientifiques une nouvelle méthode robuste pour prouver la « Suprématie Quantique » (que l'ordinateur quantique fait quelque chose qu'un ordinateur classique ne peut pas facilement falsifier) sans avoir besoin de correction d'erreurs ou d'attendre que les circuits deviennent très profonds.

Résumé technique

Titre : Évaluation efficace en échantillons des circuits quantiques aléatoires peu profonds à connectivité tout-à-tout

Énoncé du problème
L'échantillonnage de circuits aléatoires (RCS) constitue un cadre principal pour démontrer l'avantage quantique sur le matériel quantique intermédiaire à échelle bruyante (NISQ). Cependant, il a été démontré que les benchmarks existants, en particulier le benchmark de l'entropie croisée linéaire (LXEB), sont vulnérables au « contournement » (spoofing) par des algorithmes classiques qui ne produisent pas d'échantillons fidèles à la distribution de sortie idéale. Cette vulnérabilité soulève une question critique : existe-t-il des benchmarks efficaces en échantillons capables de distinguer un matériel quantique bruyant authentique des contournements classiques de pointe, spécifiquement dans le régime des circuits aléatoires peu profonds ? Bien que des preuves suggèrent que l'échantillonnage de circuits aléatoires peu profonds puisse être intraitable classiquement au-delà d'un certain seuil de profondeur, aucun benchmark existant ne peut actuellement différencier de manière fiable un ordinateur quantique bruyant d'un contournement classique adversaire dans ce régime.

Méthodologie
Les auteurs emploient un cadre théorique basé sur les ensembles de circuits aléatoires browniens à connectivité tout-à-tout. Contrairement aux circuits discrets aléatoires de Haar, les circuits browniens sont des analogues en temps continu composés d'interactions aléatoires tout-à-tout à 2 qubits régies par des couplages de bruit blanc gaussien. Ce modèle sert de « laboratoire » analytiquement traitable pour le RCS.

L'approche technique centrale implique :

1. Cartographie en mécanique statistique : Les auteurs cartographient la moyenne d'ensemble des moments des matrices unitaires (spécifiquement $2k$ copies ou répliques) vers un problème de mécanique statistique quantique à une température inverse $\beta$ proportionnelle à la profondeur du circuit. Cela donne lieu à un Hamiltonien effectif à plusieurs corps, $H^{(k)}_{\text{eff}}$.
2. Méthodes de grande-$n$ (champ moyen) : En exploitant la connectivité tout-à-tout, les auteurs appliquent des techniques de grande-$n$ (champ moyen) pour résoudre le spectre de $H^{(k)}_{\text{eff}}$. Cela permet le calcul exact de moments arbitrairement élevés de la distribution de probabilité de sortie, une tâche notoirement difficile pour les circuits unitaires discrets.
3. Tricks de répliques : Pour calculer des quantités non linéaires comme la moyenne du logarithme des probabilités (nécessaire pour l'entropie croisée), les auteurs emploient des tricks de répliques. Cela implique de calculer les moments $\langle q^k \rangle$ pour un entier $k$, de faire une continuation analytique vers le plan complexe, de dériver par rapport à $k$, et de prendre la limite $k \to 0$.
4. Modélisation du bruit : Le bruit de dépolarisation à un qubit est intégré dans le modèle via la théorie des perturbations, traitant le taux de bruit $\gamma$ comme un petit paramètre par rapport à la force de couplage $J$.
5. Validation numérique : Les résultats analytiques dérivés du modèle brownien sont corroborés par des simulations numériques de circuits quantiques aléatoires discrets tout-à-tout composés de portes à 2 qubits aléatoires de Haar (jusqu'à 40 qubits).

Contributions et résultats clés

1. Entropie croisée non linéaire (log XEB) comme benchmark efficace en échantillons :
   L'article dérive des expressions analytiques exactes pour l'entropie croisée non linéaire moyennée sur l'ensemble ($\log \text{XEB}$) et sa variance en fonction de la profondeur du circuit, de la taille du système $n$ et du taux de bruit $\gamma$.

   • Résultat : Dans le régime de faible profondeur ($\log n \gtrsim \beta J \gg 1$), le rapport signal-sur-bruit pour l'estimation de $\log \text{XEB}$ évolue comme un polynôme inverse de la taille du système.
   • Implication : Contrairement aux circuits profonds où $\log \text{XEB}$ nécessite un nombre exponentiel d'échantillons pour être estimé, l'entropie croisée non linéaire est efficace en échantillons pour les circuits peu profonds. Elle établit une hiérarchie stricte entre les échantillonneurs parfaitement propres ($\gamma=0$), les échantillonneurs quantiques bruyants ($\gamma > 0$) et l'algorithme de contournement « Harvard » (modélisé comme la limite $\gamma \to \infty$), permettant de les distinguer de manière fiable.

2. Classificateur binaire de génération de sorties lourdes (HOG) :
   Les auteurs développent un nouveau protocole de classification binaire basé sur le concept de « génération de sorties lourdes » (HOG), qui exploite la tendance des circuits quantiques aléatoires à produire des chaînes de bits « lourdes » spécifiques avec une probabilité plus élevée.

   • Résultat : Ce classificateur présente une complexité en échantillons logarithmique ($m \sim \log n$) à des profondeurs courtes. Il ne nécessite qu'un seul échantillon de chaîne de bits pour distinguer un échantillonneur quantique bruyant d'un contournement classique avec une forte probabilité.
   • Mécanisme : Le classificateur utilise une frontière de décision (score seuil $z^*$) qui sépare les distributions de scores des échantillonneurs quantiques propres (qui favorisent les scores élevés) de celles des contournements classiques (qui favorisent les scores faibles). La probabilité de mauvaise classification décroît exponentiellement avec le nombre d'échantillons.

3. Expressions analytiques :
   L'article fournit des expressions en forme close pour :

   • L'entropie croisée non linéaire moyenne : $\log \text{XEB} = nH\left(\frac{1+a}{2}\right) + \gamma_e - e^{-n\beta\gamma}$ (où $a = e^{-12\beta J}$ et $H$ est l'entropie binaire).
   • La variance de l'entropie croisée non linéaire, montrant des comportements d'échelle distincts selon que la profondeur du circuit est inférieure ou supérieure à un point de croisement ($c=1/2$).

Importance et affirmations
L'article prétend démontrer que l'entropie croisée non linéaire est un benchmark viable et efficace en échantillons pour les circuits aléatoires tout-à-tout peu profonds, un régime où les benchmarks précédents ont échoué ou ont été contournés. Les auteurs soutiennent que cette métrique peut distinguer de manière fiable un matériel quantique bruyant authentique des contournements classiques de pointe (spécifiquement l'algorithme Harvard) même en présence de bruit de dépolarisation.

De plus, le classificateur binaire basé sur le HOG proposé offre un avantage pratique significatif en réduisant la complexité en échantillons de polynomiale (requise pour l'estimation de la moyenne) à logarithmique, permettant une vérification rapide de l'avantage quantique avec un minimum de données.

Les auteurs notent que, bien que leurs résultats soient dérivés en utilisant des ensembles de circuits browniens, les simulations numériques confirment que ces résultats se généralisent aux circuits aléatoires discrets tout-à-tout. Ils suggèrent que ces benchmarks pourraient être particulièrement pertinents pour les futures expériences sur des plateformes à connectivité tout-à-tout, telles que les ordinateurs quantiques à atomes neutres et à ions piégés, où l'échantillonnage de circuits aléatoires logiques pourrait être évalué à l'aide de ces métriques. L'article indique explicitement qu'une analyse plus rigoureuse contre d'autres algorithmes de contournement potentiels est laissée pour un travail futur.