Measurement circuit ansatz: Naimark versus quantum neural-network measurements

Cet article propose et compare trois ansatz de circuits quantiques pour l'implémentation de mesures générales — des approches basées sur Naimark, hybride Naimark-QNN, et des réseaux de neurones quantiques (QNN) complets — démontrant que les circuits QNN peuvent atteindre efficacement des performances quasi optimales dans les tâches de discrimination d'états avec moins d'itérations d'entraînement.

L'essentiel

Imaginez que vous possédez une boîte magique (un ordinateur quantique) qui renferme un secret. Pour découvrir ce qu'elle contient, vous devez l'ouvrir et regarder, mais la manière dont vous regardez est cruciale. Dans le monde de la physique quantique, « regarder » est appelé une mesure. Le document auquel vous posez des questions est essentiellement un guide pour construire la meilleure « lampe torche » possible afin d'éclairer l'intérieur de cette boîte, en comparant deux manières différentes de construire cette lampe.

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

Le Problème : Construire la Lampe Torche Parfaite

En informatique quantique, nous devons souvent effectuer des mesures complexes appelées POVM (Positive Operator-Valued Measures). Considérez ces mesures comme des lampes torche sophistiquées capables de détecter des différences subtiles entre des états qu'une lampe torche ordinaire pourrait manquer.

Les auteurs ont voulu construire ces lampes torche en utilisant du matériel quantique actuel, qui est imparfait. Ils ont testé trois différents « plans » (ansatzes) pour construire ces circuits :

1. Le Plan « Naimark » (L'Architecte Traditionnel)

   • Comment ça marche : Il suit un livre de règles mathématiques strict appelé l'extension de Naimark. C'est comme construire une maison en suivant un plan architectural rigide et pré-approuvé. Vous utilisez des briques standards (portes logiques comme CNOT et rotations sur un seul qubit) disposées selon une structure très spécifique et profonde pour garantir que la mesure soit parfaite.
   • Le Piège : Bien que ce plan garantisse la construction d'une lampe torche parfaite, la structure est incroyablement complexe. C'est comme essayer de résoudre un nœud massif et emmêlé. Lorsque vous essayez de tourner les boutons (paramètres) pour obtenir le meilleur résultat, l'ordinateur reste coincé dans des pièges locaux. Cela prend beaucoup de temps pour trouver la solution, et sur le matériel bruyant d'aujourd'hui, le circuit est si profond que les erreurs gâchent le résultat avant même que vous n'ayez terminé.

2. Le Plan « Hybride » (La Rénovation)

   • Comment ça marche : Il prend le plan rigide de Naimark mais remplace les sections les plus difficiles à construire par des blocs flexibles et entraînables appelés Réseaux de Neurones Quantiques (QNN). C'est comme garder les fondations de la maison mais remplacer le toit complexe et sur mesure par un toit préfabriqué et ajustable.
   • Le Résultat : Cela réduit légèrement la complexité, mais il hérite encore de certains problèmes de « nœud emmêlé » du design original.

3. Le Plan « Full QNN » (Le Constructeur Moderne)

   • Comment ça marche : Il ignore totalement le livre de règles rigide. À la place, il construit la lampe torche en utilisant uniquement des blocs flexibles et entraînables (QNN) disposés de manière peu profonde et efficace. Pensez à cela comme un kit modulaire imprimé en 3D où les pièces s'assemblent facilement et rapidement.
   • Le Résultat : Ce plan est beaucoup plus facile à régler. Les « boutons » sont plus faciles à tourner, et l'ordinateur trouve une bonne solution très rapidement.

L'Expérience : Une Course vers la Ligne d'Arrivée

Les auteurs ont mis ces trois plans à l'épreuve dans deux scénarios spécifiques :

• Stratégie d'Erreur Minimale : Essayer de deviner l'état d'un système quantique avec le moins d'erreurs possible.
• Stratégie de Confiance Maximale : Essayer d'être aussi certain que possible lorsque l'on fait une supposition.

Ils ont testé ces tests sur un véritable ordinateur quantique (IBM Strasbourg) et un simulateur.

Ce qu'ils ont découvert :

• L'Architecte Traditionnel (Naimark) : Finalement, si vous lui donnez assez de temps et un environnement parfait sans bruit, il trouve la meilleure mesure absolue. Cependant, sur du matériel réel et bruyant, il est trop lent et trop profond. Il reste bloqué, et les erreurs s'accumulent. C'est comme essayer de résoudre un Rubik's Cube pendant que quelqu'un secoue la table.
• Le Constructeur Moderne (Full QNN) : Il ne trouve pas toujours la solution mathématiquement parfaite (il peut être à 95 % de perfection au lieu de 100 %). MAIS, il trouve une très bonne solution incroyablement vite. Il fonctionne magnifiquement bien sur le matériel réel et bruyant car le circuit est peu profond et simple. C'est comme résoudre un puzzle plus simple rapidement pour obtenir un excellent résultat, plutôt que de passer des heures sur un puzzle parfait pour finalement échouer.

La Grande Conclusion

Le papier conclut qu'il existe un compromis :

• Si vous voulez la perfection et que vous avez une machine parfaite, utilisez la méthode Naimark.
• Si vous utilisez les ordinateurs quantiques réels et imparfaits d'aujourd'hui, la méthode QNN (Réseau de Neurones) est la gagnante. Elle est « suffisamment bonne », beaucoup plus rapide à entraîner et bien plus robuste face aux erreurs.

Les auteurs suggèrent que pour l'ère actuelle de l'informatique quantique, il est préférable d'utiliser ces circuits de réseaux de neurones flexibles et peu profonds pour obtenir des résultats proches de l'optimal rapidement, plutôt que de lutter avec des circuits profonds et rigides qui sont difficiles à optimiser et susceptibles de se briser.

Résumé technique

Résumé Technique : Ansatz de Circuit de Mesure : Naimark versus Mesures par Réseaux de Neurones Quantiques

Énoncé du Problème
La construction de mesures quantiques générales, spécifiquement les mesures de type POVM (Positive-Operator-Valued Measures), est une exigence fondamentale pour les tâches de traitement de l'information quantique telles que la révélation d'effets non classiques et l'optimisation des algorithmes quantiques variationnels. Bien que le théorème d'extension de Naimark fournisse un cadre théorique pour implémenter des POVM arbitraires en faisant interagir de manière unitaire un système avec des qubits ancillaires et en mesurant les ancillas, l'implémentation pratique sur le matériel quantique actuel à échelle intermédiaire bruyante (NISQ) fait face à des obstacles importants. Les constructions existantes basées sur des ensembles de portes universelles (par exemple, CNOT et portes à un qubit) entraînent souvent des circuits profonds avec un nombre élevé de portes CNOT. De plus, l'optimisation des paramètres de ces circuits via des optimiseurs classiques est d'une difficulté computationnelle, car la structure du circuit introduit des paysages énergétiques complexes (spécifiquement des interactions ZZ) sujets aux minima locaux, ce qui entrave une convergence efficace.

Méthodologie
Les auteurs proposent et comparent trois ansatz de circuits distincts pour implémenter des mesures générales sur du matériel quantique :

1. Mesure Quantique de Naimark : Cette approche suit strictement l'extension de Naimark en utilisant un ensemble de portes universelles. Le circuit est construit à l'aide de portes CNOT et de portes de rotation paramétrées à un qubit. La structure est conçue pour générer des POVM à $l$ résultats sur des systèmes de $n$ qubits en utilisant $\lceil \log_2 l \rceil$ qubits ancillaires. Les auteurs formulent cela comme un problème de recherche de paramètres où un optimiseur classique ajuste les paramètres des portes à un qubit pour approximer une mesure cible.
2. Mesure Hybride Naimark-QNN : Pour remédier à la dureté computationnelle de l'approche Naimark pure, les auteurs remplacent les blocs unitaires multi-qubits (qui contiennent des interactions ZZ) au sein de la structure de Naimark par des circuits quantiques paramétrés (PQC), spécifiquement des réseaux de neurones quantiques (QNN). Cette approche hybride conserve la stratégie d'inclusion de qubits ancillaires (CNOT collectifs) de l'extension de Naimark mais substitue les unitaires du système par des ansatz efficaces pour le matériel (HEA) ou des blocs de circuits (CB).
3. Mesure Entièrement QNN : Cette approche abandonne entièrement les contraintes structurelles explicites de Naimark. Elle utilise des circuits QNN entièrement paramétrés (composés de couches HEA ou CB) pour approximer la mesure directement. Ces circuits évitent les interactions ZZ explicites et passent à une échelle linéaire en portes CNOT avec le nombre de qubits, ce qui les rend plus peu profonds et plus compatibles avec la connectivité du matériel actuel.

La performance de ces ansatz est évaluée à travers la tâche de Discrimination d'État Quantique, en se concentrant spécifiquement sur deux stratégies :

• Discrimination à Erreur Minimale (ME) : Maximiser la probabilité de deviner correctement l'état préparé.
• Discrimination à Confiance Maximale (MC) : Maximiser la probabilité conditionnelle qu'un résultat spécifique corresponde au bon état. Pour la MC, les auteurs introduisent un circuit de codage par bloc (block-encoding) pour réaliser la filtration d'état nécessaire ($\rho^{-1/2}$) avant d'optimiser le circuit de mesure unitaire.

Contributions Clés

• Analyse Structurelle des Circuits de Naimark : L'article démontre que les blocs de construction des circuits de mesure de Naimark (spécifiquement les rotations contrôlées) introduisent des interactions ZZ structurellement similaires à celles des algorithmes d'optimisation quantique approximative (QAOA) pour les problèmes QUBO. Cette similitude explique pourquoi les optimiseurs classiques peinent avec les circuits de Naimark, faisant face à des paysages avec des minima locaux et une convergence lente.
• Proposition d'Ansatz Basés sur les QNN : Les auteurs introduisent des circuits de mesure hybrides et entièrement QNN comme des alternatives viables qui réduisent le nombre de portes CNOT et éliminent les goulots d'étranglement spécifiques aux interactions ZZ trouvés dans les constructions strictes de Naimark.
• Codage par Bloc pour les Mesures MC : Une construction de circuit spécifique utilisant le codage par bloc est présentée pour faciliter les mesures de Confiance Maximale, permettant l'optimisation de la composante unitaire après une étape de filtration d'état.
• Comparaison Empirique : L'étude fournit une analyse comparative des trois ansatz sur un simulateur (Qiskit Aer) et sur un matériel réel (IBM Strasbourg), évaluant la vitesse de convergence, l'efficacité des ressources et les métriques de performance finales.

Résultats

• Efficacité d'Optimisation : Les mesures basées sur les QNN (tant hybrides que entièrement QNN) sont optimisées de manière nettement plus efficace que les mesures de Naimark. Elles atteignent des probabilités de devinette ou des valeurs de confiance quasi optimales avec beaucoup moins d'itérations d'entraînement.
• Convergence vs Optimalité : Un compromis est observé. La mesure de Naimark stricte, bien qu'elle nécessite beaucoup plus d'itérations et de ressources computationnelles, est capable de converger vers la valeur de mesure théoriquement optimale. En revanche, les mesures QNN convergent rapidement mais plafonnent généralement à une valeur légèrement inférieure à l'optimum théorique en raison de leur expressivité restreinte.
• Performance Matérielle : Sur le dispositif bruyant IBM Strasbourg, les mesures QNN utilisant des ansatz efficaces pour le matériel (HEA) ont surpassé les approches Naimark et hybrides. Les circuits HEA, qui respectent la connectivité de plus proche voisin, étaient les plus favorables pour le matériel réel, atteignant les valeurs de confiance les plus élevées dans les tâches de discrimination MC.
• Mise à l'Échelle des Ressources : Le nombre de portes CNOT dans les circuits de Naimark augmente rapidement ($O(2^{n}l^2)$), tandis que les circuits QNN passent à l'échelle linéairement avec le nombre de qubits, ce qui les rend plus réalisables pour des systèmes plus larges sur le matériel actuel.

Signification
L'article affirme que si les extensions de Naimark fournissent une méthode théoriquement complète pour construire des POVM arbitraires, elles sont souvent peu pratiques pour le matériel quantique actuel en raison de la profondeur des circuits et des difficultés d'optimisation. Les circuits de mesure basés sur les QNN proposés offrent une alternative « rentable » qui équilibre l'efficacité de l'optimisation avec une performance quasi optimale. Les auteurs concluent que les mesures QNN sont particulièrement bien adaptées aux dispositifs actuels car elles sont optimisées efficacement et que leurs structures de portes s'alignent sur la connectivité de plus proche voisin des réseaux de qubits typiques. Ce travail met en évidence un compromis clair entre la précision de l'approximation de la mesure optimale et l'efficacité du processus d'optimisation, suggérant que pour les applications NISQ, l'efficacité des ansatz QNN peut l'emporter sur l'optimalité théorique des constructions strictes de Naimark.