⚛️ quantum physics

GroverFigureOfMerit: An Agnostic Figure of Merit for Quantum Backend Characterization in the NISQ Era

Cet article propose et valide « GroverFigureOfMerit », une métrique holistique et indépendante de l'architecture basée sur l'algorithme de Grover qui surmonte les limites des paramètres matériels statiques en évaluant la performance des backends quantiques à travers des probabilités de succès dynamiques, l'uniformité et les pénalités de fuite à travers divers fournisseurs de l'ère NISQ.

Auteurs originaux : Tiago Restucha, Marcos Guillermo Lammers, Alejandro Fernández

Publié 2026-07-10

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tiago Restucha, Marcos Guillermo Lammers, Alejandro Fernández

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

Imaginez que vous essayez de choisir la meilleure voiture pour un voyage sur la route, mais que chaque constructeur vous donne une liste de spécifications différente et déroutante. L'un dit : « Mon moteur a une efficacité de 99 % ! » Un autre crie : « Mes pneus durent 50 000 miles ! » Mais ils ne vous disent pas comment la voiture se comporte réellement sur une route cahoteuse, une pente raide ou lors d'une averse soudaine. Vous êtes alors laissé à l'incertitude quant à celle qui vous mènera réellement à destination sans tomber en panne.

C'est exactement le problème auquel les développeurs d'ordinateurs quantiques sont confrontés aujourd'hui. Nous sommes dans l'ère NISQ (Noisy Intermediate-Scale Quantum — Quantique à échelle intermédiaire bruyante), une époque où les ordinateurs quantiques existent, mais sont encore un peu capricieux et désordonnés. Différentes entreprises comme IBM, IonQ et Rigetti construisent leurs machines de manières totalement différentes. Elles parlent toutes des langues différentes et affichent des statistiques « statiques » distinctes, comme la durée pendant laquelle un seul qubit (le bit quantique) peut conserver sa pensée avant de l'oublier.

Les auteurs de cet article soutiennent que regarder ces statistiques statiques, c'est comme juger un marathonien uniquement sur sa capacité à lacer ses chaussures. Cela passe à côté de l'essentiel ! Un coureur peut avoir de bonnes chaussures (faibles taux d'erreur), mais trébucher sur ses propres pieds lorsque la course devient compliquée. Le papier suggère que pour savoir réellement quel ordinateur quantique est le meilleur, il faut courir une véritable course.

La course du « Test de Stress » : L'algorithme de Grover

Pour résoudre cela, l'équipe a inventé une nouvelle façon de mesurer la performance appelée la GroverFigureOfMerit. Considérez cela comme une « course de test de stress » standardisée. Au lieu de regarder les pièces, ils font courir un puzzle spécifique et complexe appelé l'algorithme de Grover sur les ordinateurs.

L'algorithme de Grover est comme un jeu de « Trouver l'aiguille dans une botte de foin ». Dans un monde parfait, un ordinateur quantique peut trouver l'aiguille incroyablement vite. Mais dans le monde réel et bruyant, le foin peut être secoué, l'aiguille peut être glissante, et l'ordinateur peut s'embrouiller.

Les auteurs ont conçu ce test pour voir comment un ordinateur gère l'ensemble du processus, incluant :

Le Bruit : Les interférences et les bugs qui surviennent pendant la course.
La Traduction : Le travail que l'ordinateur doit accomplir pour traduire le puzzle de la « botte de foin » dans son propre langage spécifique (c'est ce qu'on appelle la transpilation).
La Carte : La disposition physique des fils de l'ordinateur (topologie). Certains ordinateurs ont des qubits qui ne peuvent pas communiquer directement entre eux, ils doivent donc transmettre les messages via des voisins, ce qui ralentit les choses.

Comment fonctionne le score

Après avoir couru la course 2 000 fois (appelées « shots »), le système donne un score à l'ordinateur. Il ne s'agit pas seulement de trouver l'aiguille, mais de savoir comment il l'a trouvée.

A-t-il trouvé la bonne réponse ? (Bien !)
A-t-il aussi trouvé de mauvaises réponses ? (Mal ! C'est la « fuite » ou leakage.)
A-t-il trouvé la bonne réponse à chaque fois, ou a-t-il eu de la chance parfois et de la malchance d'autres fois ? (Mal ! C'est la « non-uniformité ».)

Le score final est un nombre unique qui combine tous ces facteurs. Si l'ordinateur est bruyant ou s'il s'emmêle dans la traduction du puzzle, le score chute. S'il est propre et efficace, le score reste élevé.

La Grande Expérience : Simuler la Réalité

L'équipe n'a pas seulement deviné ; elle a testé cela sur un framework appelé Qonscious. C'est comme une télécommande universelle qui vous permet de lancer la même course sur n'importe quelle marque d'ordinateur quantique sans changer le code.

Ils ont testé cela sur neuf fournisseurs différents (bien qu'ils se soient concentrés sur des résultats détaillés basés sur des simulateurs issus de matériel réel d'IBM et d'IonQ). Ils ont lancé le test sur deux tailles de « bottes de foin » :

Une petite avec 8 éléments (utilisant 3 qubits).
Une plus grande avec 32 éléments (utilisant 5 qubits).

Ce qu'ils ont découvert :

Les Simulateurs Idéaux : Lorsqu'ils ont lancé le test sur un ordinateur simulé parfait et sans bruit, le score était presque parfait (environ 0,960 pour la petite botte de foin et 0,999 pour la plus grande). Cela montre que le test fonctionne comme prévu lorsqu'il n'y a pas de bugs.
Les Modèles IBM : Lorsqu'ils ont utilisé des modèles de bruit dérivés de vrais processeurs IBM, les scores ont chuté de manière significative. Pour la botte de foin de 32 éléments, les modèles IBM se sont effondrés à un score d'environ 0,040. C'est pratiquement la même chose que de deviner au hasard ! Le papier explique que c'est parce que les ordinateurs IBM ont dû travailler très dur pour connecter des qubits distants, créant un « embouteillage » d'erreurs.
Le Modèle IonQ : Le modèle IonQ Aria 1 s'en est beaucoup mieux sorti. Il a maintenu son score élevé et ne s'est pas effondré comme les modèles IBM. Cela suggère que, pour ce type spécifique de puzzle, l'architecture d'IonQ est plus résiliente au bruit.

Ce que cela signifie (et ce que cela ne signifie pas)

Le papier précise bien que ce n'est pas une solution miracle qui résout tous les problèmes quantiques. Les auteurs déclarent explicitement qu'ils n'essaient pas de prouver que l'algorithme de Grover est la meilleure façon de résoudre les problèmes de recherche réels actuellement. En fait, ils admettent que sur le matériel bruyant actuel, l'algorithme de Grover pourrait ne pas être utile pour des tâches réelles pour le moment.

Au lieu de cela, ils utilisent l'algorithme de Grover purement comme un outil pour mesurer le matériel. C'est comme utiliser un mannequin de crash-test non pas pour voir si la voiture est sûre pour les passagers, mais pour voir comment la structure de la voiture résiste lors d'un accident.

Les résultats sont basés sur des simulations utilisant des modèles de bruit dérivés de matériel réel, et non sur l'exécution du test sur des machines physiques réelles dans le cloud (bien que les auteurs disent que tester sur de vraies machines est la « prochaine étape naturelle »).

À retenir

La conclusion principale est que ce nouveau score « GroverFigureOfMerit » peut réussir à différencier les ordinateurs quantiques, même lorsqu'ils sont construits de manières totalement différentes. Il capture la réalité désordonnée du bruit, des erreurs de traduction et de la disposition physique en un seul chiffre facile à comparer.

Le papier suggère que cette approche aide les développeurs à arrêter de deviner sur la base de fiches techniques déroutantes et à commencer à faire des choix éclairés sur l'ordinateur quantique à utiliser pour leurs besoins spécifiques. Cependant, les auteurs préviennent que l'étape de « traduction » (transpilation) est actuellement un goulot d'étranglement majeur, ajoutant tellement de travail supplémentaire qu'elle ruine la performance de certaines machines. Ils espèrent qu'à l'avenir, des logiciels plus intelligents pourront corriger cela afin que la « course » soit équitable pour tout le monde.

En bref, le papier propose une nouvelle façon équitable de noter les ordinateurs quantiques en leur faisant réaliser un puzzle spécifique et complexe, et les premières simulations montrent que ce test peut identifier quelles machines sont réellement prêtes pour la cour des grands et lesquelles trébuchent encore sur leurs lacets.

Résumé Technique : GroverFigureOfMerit pour la caractérisation des backends quantiques

Énoncé du problème

L'ère du NISQ (Noisy Intermediate-Scale Quantum) présente un défi de taille pour les développeurs tentant de sélectionner le matériel quantique approprié. Les fournisseurs actuels de matériel quantique exposent leurs capacités via des interfaces hétérogènes et des métriques propriétaires (par exemple, les temps de cohérence $T_1/T_2$ , les taux d'erreur de porte) qui varient considérablement selon les architectures (supraconductrices, ions piégés, photoniques, etc.). Ces métriques statiques souffrent de trois limitations principales :

Pouvoir prédictif limité : Elles ne parviennent pas à rendre compte de l'impact du processus de transpilation, où les circuits de haut niveau sont décomposés en portes natives, ce qui entraîne souvent des profondeurs physiques nettement supérieures à la profondeur logique originale.
Absence de pertinence contextuelle : Les métriques statiques ne capturent pas le comportement spécifique des algorithmes, ignorant comment les interactions de portes, les temps d'attente (idle times) et la topologie affectent les résultats finaux.
Variabilité temporelle : Les propriétés du matériel fluctuent en raison de facteurs environnementaux, ce qui fait que les instantanés statiques perdent rapidement leur validité.

Par conséquent, il existe un besoin pour une Figure de Mérite (FoM) agnostique vis-à-vis du backend, capable d'évaluer la performance globale des backends quantiques en capturant les effets combinés du bruit, de la transpilation et des contraintes topologiques.

Méthodologie

Les auteurs proposent la GroverFigureOfMerit, un test de stress algorithmique basé sur l'algorithme de recherche de Grover. La méthodologie est implémentée à l'aide du framework Qonscious, une plateforme open-source conçue pour l'exécution conditionnelle sensible aux ressources.

1. Plateforme d'implémentation (Qonscious) :
Le framework utilise des Adaptateurs Polymorphes (BackendAdapters) pour abstraire les différences entre les SDK et les API des différents fournisseurs (par exemple, IBM, IonQ). Cela permet au même circuit logique d'être transpilé et exécuté sur n'importe quel backend supporté sans modifier le code de la FoM. Le flux d'exécution est conditionnel, permettant au résultat de la FoM d'alimenter une fonction de décision pour l'optimisation au moment de l'exécution (runtime).

2. Conception de la métrique :
La GroverFigureOfMerit adapte la fonction de score de l'approche GRADE (Manor et al., 2025) à l'architecture Qonscious. La métrique évalue la performance de l'algorithme de Grover, qui amplifie de manière quadratique la probabilité des états cibles. Le score est calculé après $S=2000$ tirages (shots) et incorpore :

Fréquence relative cumulée sur les cibles ( $P_T$ ) : La somme des probabilités des états marqués.
Probabilité sur les non-cibles ( $P_N$ ) : La masse de probabilité fuyant vers des états non marqués.
Écart-type parmi les cibles ( $\sigma_T$ ) : Une mesure de l'uniformité pour pénaliser les erreurs cohérentes où un seul état cible est amplifié de manière disproportionnée par rapport aux autres.

Le score final est défini par :
$\text{Score} = \max(0, P_T - \lambda \cdot \sigma_T - \mu \cdot P_N)$
Où $\lambda$ et $\mu$ sont des facteurs d'équilibrage (typiquement fixés à 1) qui pénalisent respectivement la non-uniformité et la fuite de probabilité. Si la pénalité de fuite dépasse la probabilité cible, le score est nul.

3. Configuration expérimentale :
Pour valider la métrique sans dépendre de la disponibilité en temps réel des QPU dans le cloud, les auteurs ont utilisé des modèles de bruit dérivés de processeurs réels :

IBM Fake Providers : Modèles préservant la topologie et les profs d'erreur de processeurs IBM spécifiques.
Modèle IonQ Aria 1 : Un modèle de bruit pour l'architecture IonQ Aria 1.
Simulateurs idéaux : AerSimulator et IonQ Simulator pour la comparaison de référence.

Les expériences ont fait varier la taille de l'espace de recherche ( $N$ ) et le nombre d'états cibles ( $M$ ) pour tester la sensibilité à la profondeur du circuit et à l'accumulation de bruit.

Résultats clés

Les expériences ont démontré que la GroverFigureOfMerit est sensible au bruit, à la topologie et à la surcharge de transpilation :

Petite échelle ( $N=8, n=3$ ) : Les simulateurs idéaux ont atteint un score parfait de 1,0 au nombre d'itérations optimal ( $M=2$ ). Les modèles bruyants (IBM Fake Providers) ont montré des scores dégradés (allant de 0,495 à 0,792). À la limite algorithmique ( $M=4$ ), tous les scores du matériel bruyant se sont effondrés vers 0,5, reflétant un choix aléatoire classique.
Échelle moyenne ( $N=32, n=5$ ) : Une dégradation plus sévère a été observée. Alors que les simulateurs idéaux maintenaient une haute fidélité, les modèles IBM se sont complètement effondrés en raison de la décohérence, réduisant les scores aux probabilités de hasard classique ( $\approx 0,25$ ). En revanche, le modèle IonQ Aria 1 a démontré une résilience supérieure, maintenant des scores significativement au-dessus de la limite aléatoire.
Scalabilité ( $N=8$ à $N=128$ ) : À mesure que l'espace de recherche augmentait, les processeurs IBM ont présenté une chute brutale des scores (par exemple, s'effondrant à $\approx 0,040$ pour $N=32$ ). Cette dégradation a été attribuée non seulement aux erreurs de portes statiques, mais spécifiquement au coût topologique de la décomposition des portes multi-contrôlées (mcx) pour connecter des qubits distants, ce qui augmente drastiquement la profondeur du circuit.

Signification et revendications

L'article affirme que la GroverFigureOfMerit fournit un score unifié et comparable entre des architectures matérielles physiquement distinctes. Sa principale importance réside dans :

Caractérisation agnostique : Elle permet la comparaison directe de backends hétérogènes en faisant abstraction des appels API propriétaires et des ensembles de portes natives.
Évaluation holistique : Contrairement aux métriques statiques, elle capture la performance de bout en bout, incluant les effets cumulatifs de la transpilation, du bruit et des contraintes topologiques.
Optimisation des ressources : En s'intégrant à Qonscious, la métrique peut déclencher ou annuler conditionnellement l'exécution, réduisant potentiellement les coûts dans les environnements de calcul quantique dans le cloud.

Les auteurs précisent explicitement que le choix de l'algorithme de Grover est strictement lié à son utilité en tant que "test de stress" pour évaluer les capacités de routage et de cohérence, plutôt qu'à la démonstration d'un avantage algorithmique sur le matériel bruyant actuel. L'article identifie la validation sur des processeurs physiques réels comme la prochaine étape nécessaire pour capturer les phénomènes dynamiques tels que le diaphonie (crosstalk) et les fluctuations thermiques que les modèles de bruit peuvent ne pas représenter pleinement. De plus, les auteurs soulignent le goulot d'étranglement actuel de l'écosystème : le coût élevé de la transpilation lors de la délégation de la décomposition complexe des portes aux compilateurs spécifiques aux fournisseurs, suggérant un besoin d'abstractions plus intelligentes ou de représentations intermédiaires pour atténuer la surcharge topologique.