💻 computer science

A Distributed Quantum Approximate Optimization Algorithm Simulator for Engineering Design Optimization

Cet article présente un simulateur d'algorithme d'optimisation quantique approximative distribuée (DQAOA) open-source et compatible avec Qiskit qui permet de résoudre et de comparer efficacement des problèmes d'optimisation binaire quadratique non contrainte (QUBO) sur une ou plusieurs unités de traitement quantique, doté d'une interface graphique et démontrant son efficacité dans des applications d'ingénierie telles que l'engagement des unités de production d'énergie.

Auteurs originaux : Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

Publié 2026-06-26

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Un nouvel outil pour la résolution de problèmes quantiques

Imaginez que vous avez un puzzle massif et incroyablement complexe. Vous devez trouver la meilleure façon d'organiser les pièces pour obtenir le score le plus élevé. Dans le monde de l'ingénierie, cela s'appelle l'optimisation. Habituellement, nous résolvons ces puzzles avec des ordinateurs classiques puissants. Mais à mesure que les puzzles grandissent, même les meilleurs ordinateurs classiques commencent à avoir du mal.

Entrez en scène les ordinateurs quantiques. Ils sont comme des solveurs de puzzles surpuissants capables d'examiner de nombreuses configurations à la fois. Cependant, ils sont encore dans leur « enfance ». Ils sont petits, fragiles et ne peuvent contenir que quelques pièces de puzzle (qubits) à la fois.

Ce document présente un nouveau simulateur logiciel (un terrain d'entraînement numérique) appelé DQAOA. Considérez-le comme un « simulateur de vol » pour les ordinateurs quantiques. Il permet aux ingénieurs de tester comment résoudre de grands puzzles d'optimisation avec des ordinateques, avant même d'avoir un ordinateur quantique assez grand pour contenir tout le puzzle.

Le problème central : Une pièce ou plusieurs pièces ?

Le document se concentre sur un type spécifique de puzzle appelé QUBO (Quadratic Unconstrained Binary Optimization). Vous pouvez concevoir un problème QUBO comme une grille d'interrupteurs qui sont soit ALLUMÉS (1), soit ÉTEINTS (0). Le but est de basculer les interrupteurs pour obtenir le meilleur score total possible.

L'ancienne méthode (QAOA monolithique) : Imaginez essayer de résoudre ce puzzle dans une seule pièce. Tous les interrupteurs sont sur une seule table, et une personne (le processeur quantique) essaie de tous les actionner. Cela fonctionne très bien pour les petits puzzles. Mais si le puzzle est énorme, la pièce devient trop encombrée et la table n'est plus assez grande.
La nouvelle méthode (QAOA distribué) : Et si le puzzle était trop grand pour une seule pièce ? Le document propose de répartir le puzzle sur plusieurs pièces (plusieurs processeurs quantiques).
- Le défi : Si l'interrupteur A est dans la Pièce 1 et l'interrupteur B est dans la Pièce 2, mais qu'ils doivent interagir pour déterminer le score, comment communiquent-ils entre eux ?
- La solution : Le simulateur utilise un tour de « téléportation » (appelé TeleGate). Il ne déplace pas les interrupteurs ; au lieu de cela, il crée une « ligne téléphonique » spéciale (intrication) entre les pièces afin que les interrupteurs puissent coordonner leurs mouvements sans se déplacer physiquement.

Ce que ce document a réellement construit

Les auteurs n'ont pas seulement écrit une théorie ; ils ont construit un ensemble de logiciels complet et open-source qui effectue tout le travail difficile. Voici ce qu'il fait, étape par étape :

Le Traducteur : Il prend un problème d'ingénierie complexe (comme la planification de centrales électriques) et le traduit dans le langage des « interrupteurs » (QUBO) que les ordinateurs quantiques comprennent.
L'Architecte : Il décide comment diviser le puzzle. L'interrupteur 1 et l'interrupteur 2 vont-ils dans la Pièce 1 ? L'interrupteur 3 va-t-il dans la Pièce 2 ? Il teste différentes configurations pour minimiser le nombre d'« appels téléphoniques » (interactions entre les pièces) nécessaires, car ces appels sont lents et coûteux.
Le Bâtisseur : Il construit le circuit quantique (la recette pour l'ordinateur quantique). Il sait exactement quels interrupteurs actionner localement et lesquels nécessitent le tour de « téléportation ».
Le Coach : Il exécute la simulation, fait des erreurs, apprend et réessaie. Il utilise une méthode d'entraînement intelligente (SPSA) pour trouver les meilleurs réglages des interrupteurs plus rapidement.
Le Tableau de bord : Ils ont construit une interface visuelle (comme un site web) afin que vous n'ayez pas besoin d'être un expert en codage. Vous pouvez télécharger votre puzzle, cliquer sur un bouton et voir les résultats, la meilleure solution et le temps écoulé.

Les « Astuces de vitesse » (Optimisation du temps d'exécution)

Les auteurs ont réalisé que leur simulateur tournait trop lentement car il effectuait trop de travail répétitif. Imaginez un chef cuisinier qui reconstruirait toute la cuisine à chaque fois qu'il a besoin de couper un oignon.

Ils ont ajouté plusieurs « astuces de vitesse » :

Réutiliser la cuisine : Au lieu de reconstruire le circuit à chaque fois, ils le construisent une fois et changent simplement l'« assaisonnement » (les paramètres).
Le traitement par lots (Batching) : Au lieu de tester un réglage à la fois, ils testent tout un groupe de réglages simultanément.
La cuisine parallèle : Ils lancent plusieurs expériences simultanément sur différentes parties de l'ordinateur.

Ces astuces ont rendu le simulateur beaucoup plus rapide, en particulier pour la version « multi-pièces » (distribuée).

Les Résultats : Est-ce que cela fonctionne ?

L'équipe a testé son outil sur deux types de problèmes :

Puzzles mathématiques standards : Ils ont pris des puzzles connus et les ont résolus.
- Résultat : La méthode « Une seule pièce » et la méthode « Multi-pièces » ont trouvé exactement la même meilleure solution que les méthodes informatiques traditionnelles.
- Vitesse : La méthode « Multi-pièces » a mis plus de temps à s'exécuter. C'est attendu, car la coordination entre les pièces prend du temps supplémentaire (les « appels téléphoniques »). Cependant, le logiciel l'a rendu suffisamment rapide pour être utile à la recherche.
Ingénierie du monde réel (Réseaux électriques) : Ils ont utilisé l'outil pour résoudre un problème d'Engagement des Unités (Unit Commitment). Il s'agit de décider quelles centrales électriques allumer ou éteindre pour économiser de l'argent tout en maintenant l'éclairage.
- Résultat : L'outil s'est intégré avec succès dans un flux de travail d'ingénierie plus large. Qu'ils utilisent la méthode de force brute, la méthode quantique à une seule pièce ou la méthode quantique multi-pièces, tous sont arrivés au même plan optimal avec le même coût.

L'essentiel à retenir

Ce document présente un kit d'outils universel pour les ingénieurs qui souhaitent utiliser les ordinateurs quantiques pour résoudre de grands problèmes d'optimisation.

Il comble le fossé : Il vous permet de tester l'« Informatique Quantique Distribuée » (utiliser plusieurs petits ordinateurs quantiques ensemble) dès aujourd'hui, même si vous ne possédez pas encore un ordinateur quantique géant.
Il est convivial : Vous n'avez pas besoin d'écrire du code ; vous pouvez utiliser un tableau de bord visuel.
Il est éprouvé : Il fonctionne de manière cohérente avec les méthodes classiques et gère des tâches d'ingénierie réelles comme la gestion des réseaux électriques.

En résumé, ils ont construit le système d'exploitation et le manuel d'instruction pour faire fonctionner des problèmes d'optimisation quantique complexes sur plusieurs processeurs quantiques, rendant cette technologie avancée accessible aux ingénieurs dès maintenant.

Résumé Technique : Un simulateur distribué de l'algorithme d'optimisation quantique approximative pour l'optimisation de la conception technique

Énoncé du problème
Les problèmes d'optimisation binaire, particulièrement ceux formulés sous forme d'instances de type QUBO (Quadratic Unconstrained Binary Optimization), sont omniprésents dans la conception technique, notamment dans l'exploitation des réseaux électriques, l'allocation de ressources et la planification de réseaux. Bien que les solveurs classiques (par exemple, branch-and-bound, métaheuristiques) soient largement utilisés, ils sont confrontés à des défis de scalabilité à mesure que le nombre de variables et les contraintes de couplage augmentent. L'informatique quantique offre un cadre alternatif, spécifiquement via l'Algorithme d'Optimisation Quantique Approximative (QAOA), qui utilise la superposition et l'intrication pour explorer de vastes espaces de recherche binaires. Cependant, les implémentations pratiques du QAOA sont actuellement limitées par les contraintes matérielles des unités de traitement quantique (QPU) uniques, qui ne peuvent pas accommoder le nombre de qubits ou la profondeur d'interaction requis pour des problèmes à grande échelle. De plus, la littérature existante se concentre souvent sur des configurations de problèmes spécifiques ou des hypothèses matérielles particulières, manquant d'un cadre logiciel général et réutilisable capable de résoudre systématiquement des instances QUBO à travers des modes d'exécution monolithiques (QPU unique) et distribués (multi-QPU).

Méthodologie
Les auteurs présentent un package de simulation open-source compatible avec Qiskit pour un cadre de DQAOA (Distributed QAOA). Le système est conçu pour gérer des problèmes QUBO généraux via un flux de travail unifié qui prend en charge les modes de référence classiques, le QAOA monolithique et le QAOA distribué.

Formulation et cartographie du problème : Le cadre accepte des entrées QUBO (matrice quadratique, vecteur linéaire, terme constant) et les convertit en une représentation canonique. Cela est mappé vers un Hamiltonien de coût ( $H_C$ ) où les valeurs de la fonction objectif correspondent aux valeurs propres de l'Hamiltonien.
Allocation des variables et identification du couplage : Une composante critique du cadre DQAOA est l'allocation des variables binaires à un nombre de QPU spécifié par l'utilisateur avec des capacités configurables. Le package prend en charge trois stratégies d'allocation :
- Contiguë : Assignation séquentielle basée sur la capacité.
- Sensible au graphe (Graph-aware) : Une approche gloutonne qui place les variables fortement couplées sur le même QPU afin de minimiser la communication inter-QPU.
- Manuelle : Assignation définie par l'utilisateur.
  Une fois allouées, les couplages quadratiques sont classés comme soit locaux (variables sur le même QPU) soit inter-QPU (variables sur des QPU différents).
Construction du circuit :
- Mode Monolithique : Toutes les opérations de coût et de mélange sont implémentées au sein d'un seul circuit QPU.
- Mode Distribué : Les couplages locaux sont implémentés via des interactions ZZ standards. Les couplages inter-QPU sont réalisés en utilisant le protocole TeleGate. Cette approche emploie des paires de communication intriquées, des mesures de milieu de circuit et des corrections de feedforward classiques pour simuler des portes à deux qubits distantes sans déplacer physiquement les qubits de données.
Optimisation et entraînement : Le cadre emploie une boucle variationnelle où un optimiseur classique (Adam avec estimation de gradient SPSA) met à jour les paramètres du circuit ( $\gamma, \beta$ ) pour minimiser le coût attendu. Pour améliorer la robustesse, le système utilise la progression de profondeur (en commençant par $p=1$ et en augmentant) et la recherche multi-départ (combinant des warm-starts provenant des profondeurs précédentes avec des initialisations aléatoires).
Stratégies d'optimisation du temps d'exécution : Pour remédier à la charge de calcul élevée des boucles variationnelles, le package implémente plusieurs mesures d'efficacité :
- Réutilisation de circuits paramétrés : Les circuits sont construits et transpilés une seule fois par configuration de problème ; les évaluations suivantes ne font que lier de nouvelles valeurs de paramètres.
- Gradients SPSA : Remplace les gradients par différence finie par coordonnées par une perturbation simultanée, nécessitant seulement deux évaluations d'objectif par itération.
- Évaluations par lots (Batching) : Plusieurs vecteurs de paramètres sont évalués dans une seule requête d'exécution.
- Exécution parallèle : Des exécutions d'optimisation multi-départ indépendantes sont exécutées de manière concurrente.
Interface Utilisateur : Une interface graphique (GUI) basée sur Streamlit permet aux utilisateurs de configurer les entrées, les paramètres du solveur et de visualiser les résultats sans éditer de scripts Python.

Contributions Clés

Simulateur Généralisé : Le papier introduit le premier simulateur open-source compatible avec Qiskit capable de résoudre des instances QUBO générales à travers des modes QAOA monolithiques et distribués au sein d'un flux de travail cohérent unique.
Cadre d'Exécution Distribuée : Il fournit une implémentation complète de l'allocation de variables, de l'identification des couplages locaux/inter-QPU et de la réalisation de portes distantes via TeleGate pour l'exécution multi-QPU.
Optimisation du Temps d'Exécution : Les auteurs démontrent que des réductions significatives du temps d'exécution peuvent être obtenues grâce à des optimisations au niveau logiciel (réutilisation de circuits, SPSA, batching) sans modifier le problème mathématique sous-jacent ou l'algorithme.
Intégration en Ingénierie : Le package est démontré comme un solveur modulaire au sein d'un flux de travail d'ingénierie plus large, spécifiquement intégré dans un cadre à trois blocs de la méthode ADMM (Alternating Direction Method of Multipliers) pour l'engagement des unités de production d'énergie (Unit Commitment - UC).

Résultats
Le cadre a été évalué sur des instances QUBO de 6, 12, 15 et 20 variables, ainsi que sur un problème d'engagement d'unités (UC) à 15 variables.

Précision de la Solution : Dans tous les cas testés (incluant l'application UC), les modes QAOA monolithique, QAOA distribué et la référence classique par force brute ont récupéré la même chaîne de bits optimale et le même coût opérationnel. Cela confirme que l'implémentation distribuée préserve la cohérence de la solution avec la base monolithique.
Performance du Temps d'Exécution :
- Impact de l'Optimisation : L'analyse par étapes du temps d'exécution a montré des réductions substantielles. Pour une instance de 12 variables, le temps d'exécution du QAOA distribué est passé d'environ 18 929 secondes (baseline) à environ 1 224 secondes (entièrement optimisé) grâce à l'implémentation de la réutilisation de circuits, du SPSA et du batching.
- Surcoût Distribué : Malgré les optimisations, le DQAOA reste nettement plus lent que le QAOA monolithique (par exemple, 62s contre 4s pour 6 variables ; 1224s contre 11s pour 12 variables). Les auteurs attribuent cela à la complexité structurelle des opérations TeleGate (qubits supplémentaires, mesures, resets et feedforward) requises pour les interactions inter-QPU.
- Scalabilité : À mesure que la taille du problème augmentait, l'écart de temps d'exécution entre la force brute classique et les méthodes quantiques s'élargissait, et le surcoût de l'exécution multi-QPU devenait plus dominant.

Signification et Revendications
Le papier affirme que la principale signification de ce travail réside dans la fourniture d'une fondation logicielle réutilisable, accessible et reproductible pour l'étude de l'optimisation quantique distribuée. Il comble le vide de la littérature existante en offrant un outil qui permet aux chercheurs de :

Comparer les performances du QAOA monolithique et distribué sur des instances de problèmes identiques sans reconstruire les flux de travail.
Analyser l'impact spécifique des stratégies d'allocation de variables et du nombre de couplages inter-QPU sur le temps d'exécution et la qualité de la solution.
Intégrer des solveurs quantiques dans des cadres d'optimisation d'ingénierie classique plus larges (démontré via l'application ADMM-UC).

Les auteurs présentent modestement l'outil comme un "outil de recherche habilitant" plutôt que de revendiquer un avantage quantique. Ils reconnaissent que, bien que le DQAOA introduise un surcoût nécessaire pour l'exécution distribuée, le simulateur rend possible l'évaluation systématique de ces compromis et l'affinement des stratégies d'implémentation pour le matériel quantique de l'ère NISQ. Le logiciel est disponible publiquement via le dépôt GitHub du RAISE LAB.