⚛️ quantum physics

From Circuits to Hardware: Benchmarking Standard and Qubit-Efficient Quantum Optimization on Real Hardware

Cet article présente un benchmark complet sur matériel réel de divers algorithmes d'optimisation quantique à base de portes sur quatre problèmes NP-difficiles sur des processeurs IBM Heron, révélant que les niveaux de bruit actuels rendent la plupart des résultats réalisables indiscernables du hasard pur et que, bien que les méthodes économes en qubits étendent la taille des instances exécutables, elles restent contraintes par un budget de fidélité empirique strict.

Auteurs originaux : Monit Sharma, Hoong Chuin Lau

Publié 2026-07-14

📖 9 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Monit Sharma, Hoong Chuin Lau

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 résoudre un puzzle massif et emmêlé en utilisant un tout nouveau bras robotique super fragile. Vous avez plusieurs stratégies différentes : certaines tentent de saisir le puzzle entier d'un coup, d'autres tentent de réduire la taille du puzzle pour qu'il tienne dans votre poche, et d'autres encore tentent de réorganiser les pièces avant même de commencer. Ce document est comme un test de résistance géant, en conditions réelles, de ces bras robotiques sur quatre types de puzzles très différents, en utilisant de véritables ordinateurs quantiques (les « bras robotiques ») au lieu de simplement faire semblant sur un écran d'ordinateur.

Voici ce qui s'est passé lorsqu'ils ont mis ces stratégies à l'épreuve sur du matériel réel.

Le panorama : Le piège du « Puzzle de Poche »

La conclusion principale est un certain retour à la réalité. Pendant longtemps, on a pensé que la meilleure façon de résoudre des problèmes difficiles sur les ordinateurs quantiques était de rendre le problème plus petit pour qu'il tienne sur moins de « qubits » (les doigts du robot). L'idée était : Moins de doigts = plus facile à résoudre.

Mais le document suggère que ce n'est pas toujours vrai. Bien que réduire la taille du puzzle (en utilisant des méthodes « économes en qubits ») permette de faire tenir de plus gros problèmes sur la machine, cela ne garantit pas que vous obtiendrez une bonne réponse. En fait, parfois, réduire la taille du puzzle fait tellement osciller le bras robotique à cause du bruit qu'il laisse tomber les pièces. Les auteurs ont mesuré cela sur de vrais processeurs IBM Heron et ont découvert que ce n'est pas parce qu'une méthode utilise moins de qubits qu'elle fonctionne mieux. C'est comme essayer de porter une boîte lourde dans un petit sac à dos ; certes, le sac est petit, mais si la boîte est trop lourde pour votre dos, vous allez quand même la faire tomber.

Les Quatre Puzzles : Un conte de quatre problèmes

Les chercheurs ont testé quatre types différents de problèmes « NP-difficiles » (ce qui signifie qu'ils sont aussi super difficiles pour les ordinateurs normaux). Chacun s'est comporté différemment :

Le Problème du Sac à Dos Multidimensionnel (MDKP) : Imaginez un voyage en sac à dos où vous devez emporter des objets qui sont lourds, prennent de la place et doivent entrer dans des compartiments spécifiques.
- Ce qui s'est passé : C'était le « juste milieu ». Toutes les méthodes, des plus grandes aux plus petites et compressées, ont réellement réussi à trouver certaines solutions valides. Les méthodes compressées (PCE et QRAO) ont bien fonctionné ici, prouvant que réduire le problème peut aider, mais seulement si le bras robotique est assez stable.
L'Ensemble Indépendant Maximal (MIS) : Imaginez une fête où vous voulez inviter le plus d'invités possible, mais où aucun invité ne peut être l'ennemi d'un autre (ils ne peuvent pas s'asseoir à côté l'un de l'autre).
- Ce qui s'est passé : C'était la « falaise ». Pour les petites fêtes, les robots ont très bien travaillé. Mais à mesure que les fêtes devenaient plus grandes, les robots ont soudainement cessé de fonctionner. Le document montre une « falaise de faisabilité » abrupte où, dès que le problème devient légèrement trop grand, le bruit sur le matériel réel rend impossible la recherche de la moindre liste d'invités valide. C'est comme essayer de faire tenir un château de cartes en plein ouragan ; cela fonctionne pour quelques cartes, puis pouf, tout s'effondre.
Le Problème d'Assignation Quadratique (QAP) : Imaginez assigner 10 ou 12 personnes à 10 ou 12 bureaux, mais le coût dépend de la distance à laquelle ils sont assis et de qui ils discutent avec qui.
- Ce qui s'est passé : Ce fut un « échec total ». Le document stipule explicitement qu'aucune méthode testée n'a renvoyé une seule solution valide pour ce problème sur le matériel réel. Pourquoi ? Parce que les règles sont si strictes (comme une permutation spécifique) que les réponses valides sont incroyablement rares — seulement environ 1 sur $10^{23}$ à $10^{34}$ agencements possibles sont corrects. Le bruit sur l'ordinateur a tellement noyé le signal que les robots ne faisaient que deviner au hasard. Les auteurs soutiennent que ce n'est pas seulement un problème de « nous avons besoin de meilleurs ordinateurs » ; la structure même du problème est trop dense pour la technologie actuelle.
Le Problème de Part de Marché (MSP) : Imaginez essayer de diviser une pizza pour que tout le monde reçoive exactement la taille de part commandée.
- Ce qui s'est passé : C'était le « paradoxe de la compression ». Les méthodes compressées (PCE et QRAO) ont réduit le problème à seulement 7–11 qubits (minuscule !), tandis que les méthodes normales en nécessitaient jusqu'à 156. Mais voici le hic : les méthodes minuscules ont donné des résultats terribles. Elles n'ont pas pu atteindre les objectifs. Les méthodes normales, plus larges, ont en fait mieux réussi. Cela prouve que rendre le problème plus petit ne garantit pas automatiquement une meilleure réponse.

Le Facteur « Bruit » : Quand le robot vacille

Le document introduit une façon intéressante de mesurer à quel point l'ordinateur vacille. Ils appellent cela un « proxy de fidélité » ( $F_{est}$ ). Voyez cela comme un compteur de « rapport signal sur bruit ».

Si le compteur est élevé (autour de 0,1 ou 10 %), le robot est assez stable pour entendre les instructions.
Si le compteur descend en dessous de 0,001 (0,1 %), le robot vacille tellement qu'il fait essentiellement du surplace.

Ils ont découvert que pour beaucoup de méthodes de type « QAOA » (une famille d'algorithmes populaire), le robot vacillait tellement que les résultats étaient indissociables d'un choix purement aléatoire. Le document a comparé les résultats du robot à un choix aléatoire uniforme. Pour la plupart des circuits complexes et larges, le robot n'a pas fait mieux qu'un choix aléatoire. En fait, pour un cas spécifique, une méthode de « démarrage à chaud » (warm-start) a légèrement mieux réussi que le hasard, mais c'était une exception rare, pas la règle.

Ce que le document écarte

Les auteurs sont très prudents sur ce qu'ils n'ont pas trouvé :

Ils écartent l'idée que « moins de qubits = meilleure performance ». Les données montrent que réduire la taille du circuit introduit souvent d'autres problèmes (comme des circuits plus profonds après la traduction) qui annulent les bénéfices.
Ils écartent l'idée que les méthodes QAOA sont actuellement prêtes pour le grand public sur ces problèmes difficiles. Après que l'ordinateur a traduit les instructions dans son propre langage (transpilation), les circuits deviennent si énormes et bruyants qu'ils échouent. Même s'ils avaient essayé d'optimiser le routage (la façon dont le robot déplace ses doigts), les circuits seraient toujours trop instables pour fonctionner.
Ils écartent l'idée que les résultats de simulation (faire semblant sur un ordinateur parfait) racontent toute l'histoire. L'écart entre la « simulation parfaite » et le « matériel réel » est immense. Une méthode qui semble excellente en simulation peut échouer lamentablement sur le matériel réel à cause des étapes supplémentaires nécessaires pour la faire fonctionner.

À quel point sont-ils sûrs ?

Les auteurs sont très sûrs de ce qu'ils ont mesuré. Ils n'ont pas simplement deviné ; ils ont testé 247 combinaisons différentes de méthodes et de problèmes sur de vrais processeurs IBM Heron (spécifiquement les versions r1 et r2). Ils ont consigné chaque étape, de la traduction du code jusqu'au résultat final.

Ils ont mesuré le nombre exact de portes (étapes) que le robot devait effectuer.
Ils ont mesuré les taux d'erreur des puces spécifiques qu'ils ont utilisées.
Ils ont simulé certaines parties pour obtenir une base de référence, mais ils précisent que les résultats de simulation ne sont qu'une référence, pas la réponse finale.

Ils ne prétendent pas que les ordinateurs quantiques sont inutiles. Ils disent que pour ces problèmes spécifiques et ces machines actuelles spécifiques, la stratégie de « réduction de taille » a des limites, et que certains problèmes (comme le QAP) sont juste trop difficiles pour l'instant. Ils suggèrent qu'il faut regarder l'image globale — le bruit, la traduction et le résultat réel — plutôt que de simplement compter les qubits.

La conclusion pour un adolescent curieux

Pensez à l'optimisation quantique comme à une tentative d'envoyer un message dans une pièce bruyante.

La méthode « Standard » consiste à crier tout le message clairement. C'est fort, mais si la pièce est trop grande, le bruit étouffe tout.
La méthode « Compressée » consiste à chuchoter un message codé. C'est plus discret et cela prend moins de place, mais si le code est trop complexe ou si la pièce est trop bruyante, personne ne peut le décoder, et vous n'obtenez que du charabia.

Ce document dit : « Hé, chuchoter n'est pas toujours la solution ! Parfois, le bruit dans la pièce est tellement fort que même le meilleur code se perd, et vous n'obtenez que du n'importe quoi. Et pour certains puzzles vraiment compliqués (comme le QAP), la pièce est tout simplement trop bruyante pour que nos robots actuels puissent les résoudre. »

Les auteurs ne disent pas : « abandonnez ». Ils disent : « Arrêtons de prétendre que, sous prétexte que nous avons rendu le puzzle plus petit, nous l'avons résolu. Nous devons regarder tout le désordre — le bruit, la traduction et le résultat réel — pour voir ce qui fonctionne vraiment. »

Titre : Des circuits au matériel : Évaluation comparative de l'optimisation quantique standard et à efficacité de qubits sur du matériel réel

Auteurs : Monit Sharma et Hoong Chuin Lau
Publication : IOP Publishing (Journal of Quantum Science and Technology, à paraître)

Énoncé du problème

Malgré les progrès rapides des algorithmes d'optimisation quantique, le domaine manque de bancs d'essai (benchmarks) sur matériel réel à large échelle, capables de comparer plusieurs familles d'algorithmes à travers divers problèmes combinatoires classiquement difficiles sous un protocole unifié. Les évaluations existantes sont souvent limitées à des classes de problèmes uniques, à des familles d'algorithmes uniques, ou à des contextes basés sur des simulateurs qui ne parviennent pas à rendre compte des contraintes pratiques telles que le surcoût de compilation, la connectivité des qubits, le bruit des portes et la variabilité d'exécution. Par conséquent, il reste difficile d'évaluer comment différentes stratégies (méthodes variationnelles standard vs encodages économes en qubits) se comparent lorsqu'elles sont mappées sur des dispositifs réels, ou de déterminer quand les formulations économes en qubits offrent de véritables avantages pratiques au-delà de la simple réduction nominale de la largeur.

Méthodologie

Les auteurs présentent une étude de benchmarking sensible au matériel, exécutée sur les processeurs IBM Heron r1 et r2 (dispositifs supraconducteurs à transmon) sous une atténuation de niveau de résilience 2. L'étude évalue les méthodes d'optimisation quantique à portes à travers quatre classes de problèmes combinatoires NP-difficiles :

Problème du sac à dos multidimensionnel (MDKP) : Contraintes de type emballage.
Ensemble indépendant maximal (MIS) : Structure d'indépendance de graphe.
Problème d'affectation quadratique (QAP) : Affectation quadratique dense et fortement couplée.
Problème de part de marché (MSP) : Contraintes d'équilibrage pilotées par l'application.

Familles algorithmiques testées :

Minimisation d'énergie variationnelle : Algorithme de l'état fondamental variationnel (VQE) et VQE à valeur à risque conditionnelle (CVaR-VQE).
Style QAOA : QAOA standard, Warm-Start QAOA (WS-QAOA) et QAOA multi-angles (MA-QAOA).
Encodages économes en qubits : Encodage de corrélation de Pauli (PCE) et Optimisation d'accès aléatoire quantique (QRAO).

Protocole expérimental :

Flux de travail : Tous les problèmes ont été convertis en forme d'optimisation binaire non contrainte quadratique (QUBO) en utilisant des pénalités quadratiques, puis mappés en Hamiltoniens d'Ising.
Exécution : L'étude a utilisé un protocole d'optimisation variationnelle à nombre de tirages (shots) fixe (optimiseur COBYLA, 200 itérations, 1 000 tirages par évaluation) sur du matériel réel.
Métriques : Le benchmark rapporte la qualité de la solution (écart d'optimalité ou déviation cible), la faisabilité, la largeur de circuit au niveau de l'algorithme, la profondeur de circuit transposée, le nombre de portes à deux qubits ( $N_{2Q}$ ), le surcoût de compilation et la robustesse d'exécution.
Modélisation de la fidélité : Un proxy de fidélité basé sur le nombre de portes d'erreur indépendant ( $F_{est} \approx (1 - \epsilon_{2Q})^{N_{2Q}}$ ) a été dérivé des données de calibration du backend pour distinguer les régimes d'exécution préservant le signal de ceux dominés par le bruit.

Principales contributions

Benchmark unifié trans-familial : Le premier benchmark unifié évaluant les méthodes variationnelles, de style QAOA et les méthodes économes en qubits à travers quatre problèmes NP-difficiles structurellement distincts sous un protocole expérimental commun.
Évaluation sensible au matériel : Un passage des estimations de ressources idéalisées à un protocole qui traite le surcoût de compilation, les caractéristiques de circuit transposé et la robustesse d'exécution comme des dimensions primaires du benchmark.
Seuils de bruit quantitatifs : L'établissement d'un seuil de fidélité empiriquement fondé ( $F_{est} \approx 0,1$ , correspondant à environ 770 portes à deux qubits sur Heron-r2) marquant la transition vers une exécution dominée par le bruit.
Base de référence reproductible : Une base de référence empirique entièrement reproductible incluant les piles logicielles, les métadonnées du backend, les politiques de transposition et les diagnostics par instance, avec tout le code et les instances publics.

Résultats clés

MDKP (Régime équilibré) : Toutes les familles de méthodes ont renvoyé des solutions réalisables. Les méthodes économes en qubits (PCE, QRAO) ont réduit de manière significative les besoins en qubits mais n'ont pas systématiquement surpassé les méthodes à pleine largeur en termes de qualité de solution. Le CVaR-VQE a montré de solides performances sur des instances spécifiques.
MIS (Seuil de faisabilité) : Une rupture brutale de la faisabilité a été observée à mesure que la taille de l'instance augmentait. Alors que les petites instances étaient résolues avec un écart nul, les instances plus grandes (64+ qubits) ont vu un effondrement de la faisabilité pour la plupart des méthodes, seul le Warm-Start QAOA restant réalisable sur le plus grand graphe testé.
QAP (Barrière structurelle) : Aucune méthode matérielle testée n'a renvoyé d'affectation réalisable pour aucune instance de QAP. La combinaison d'interactions denses, de contraintes strictes de type "one-hot" et d'une variété réalisable exponentiellement éparse ( $10!/2^{100} \approx 10^{-23,54}$ ) a rendu toutes les pipelines testées infaisables sur le matériel actuel, même pour les plus petites instances.
MSP (Compression vs Qualité) : Les encodages économes en qubits ont atteint une réduction spectaculaire de la largeur (7–11 qubits contre 48–156) mais ont entraîné une qualité de solution récupérée nettement moins bonne (larges déviations de la cible) par rapport aux méthodes à pleine largeur.
Surcoût de compilation : La transposition a augmenté le nombre de portes à deux qubits par des facteurs de 4,5 à 6,2 à travers les familles de problèmes. Pour les circuits de la famille QAOA, les comptes de portes à deux qubits transposés ont souvent dépassé 20 000, poussant $F_{est}$ en dessous de $10^{-30}$ .
Dominance du bruit : Un contrôle uniforme aléatoire apparié a montré que pour les exécutions QAOA de faible fidélité ( $F_{est} < 10^{-3}$ ), la plupart des résultats réalisables se situaient dans la plage aléatoire empirique, suggérant que le signal était dominé par le bruit.
Écart Simulateur-Matériel : Les classements des simulateurs ne se transfèrent pas uniformément au matériel. Dans certains cas de MDKP, les exécutions sur matériel ont atteint des écarts plus faibles que les simulateurs (potentiellement en raison de la stochasticité des tirages finis), tandis que dans d'autres, les performances sur matériel se sont considérablement dégradées.

Signification et affirmations

Le papier ne prétend pas un avantage quantique pratique sur les solveurs classiques. Il établit plutôt une base empirique systématique pour évaluer l'optimisation quantique sous des contraintes réalistes.

Le nombre de qubits est insuffisant : L'étude démontre qu'un nombre de qubits inférieur (via la compression) n'implique pas systématiquement de meilleures performances finales sur le matériel. Les gains de la réduction de largeur sont souvent compensés par le surcoût de la transposition, l'augmentation de la profondeur de circuit effective ou la dégradation de la robustesse.
Viabilité dépendante du problème : La performance pratique dépend fortement de l'interaction entre la structure du problème, le choix de l'encodage et les contraintes matérielles. Une méthode compétitive sur une classe de problèmes (ex: MDKP) peut échouer complètement sur une autre (ex: QAP).
La compilation comme métrique de premier rang : L'identité d'une méthode d'optimisation quantique change matériellement après la transposition. Les benchmarks doivent rapporter les caractéristiques des circuits transposés (profondeur, $N_{2Q}$ ) plutôt que seulement la largeur au niveau de l'algorithme pour fournir une image complète de la déployabilité.
Seuils de fidélité : Les seuils $F_{est}$ dérivés fournissent des orientations exploitables, indiquant que le matériel actuel est probablement dominé par le bruit pour les circuits QAOA profonds et les problèmes d'affectation denses, limitant le régime où les méthodes quantiques peuvent être testées de manière fiable.

Les auteurs concluent que le benchmarking de court terme devrait se concentrer sur la caractérisation des compromis (largeur vs qualité, conception algorithmique vs coût compilé) plutôt que sur la recherche d'un "meilleur" algorithme unique, et que les affirmations d'avantage pratique doivent être soutenues par la qualité de la solution réalisée sur matériel et par des diagnostics d'exécution, et non par de simples résultats de simulateur ou des nombres nominaux de qubits.