⚛️ quantum physics

How Many Shots Does It Take? A Noise-Aware Quantum Resource Allocation Framework

Cet article propose un cadre de travail sensible au bruit comprenant un modèle analytique sous forme fermée et une technique d'allocation optimale des tirages qui réduit considérablement le nombre de tirages d'exécution des algorithmes quantiques, la consommation d'énergie et l'erreur totale par rapport aux pratiques actuelles.

Auteurs originaux : Prateek P. Kulkarni, Sumit K. Mandal

Publié 2026-07-28

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Prateek P. Kulkarni, Sumit K. Mandal

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 essayiez d'envoyer un message secret à travers une pièce très bruyante. Si vous chuchotez une seule fois, la personne de l'autre côté pourrait entendre « pomme » alors que vous avez dit « abricot ». Pour être sûr qu'elle ait bien compris le mot, vous pourriez crier le message cent fois. Si 60 personnes entendent « pomme » et 40 entendent « abricot », vous pouvez deviner la vérité. Dans le monde de l'informatique quantique, ce « cri » est appelé une tirée (ou un shot). Un ordinateur quantique est une machine qui utilise les règles étranges des particules minuscules pour résoudre des problèmes, mais il est incroyablement sensible au bruit — comme un chuchotement dans un ouragan. C'est pourquoi les scientifiques doivent exécuter le même calcul encore et encore (en effectuant de nombreuses tirées) pour obtenir une réponse fiable. Le problème est que chaque fois que vous exécutez un calcul sur un véritable ordinateur quantique, cela coûte de l'argent, prend du temps et consomme beaucoup d'énergie. Ainsi, la grande question pour quiconque tente d'utiliser ces machines est : « Combien de fois dois-je réellement crier pour être sûr de moi ? » Si vous criez trop peu, vous obtenez des déchets. Si vous criez trop, vous gaspillez des ressources et risquez de manquer de temps ou d'argent avant d'avoir terminé.

C'est exactement le casse-tête abordé par Prateek P. Kulkarni et Sumit K. Mandal dans leur article, « How Many Shots Does It Take? » Ils ont réalisé qu'actuellement, les gens devinent combien de tirées effectuer, criant souvent bien trop fort par simple précaution. Les auteurs ont construit une nouvelle « recette » mathématique qui vous indique le nombre exact de fois que vous devez exécuter un calcul quantique pour obtenir un résultat fiable, en fonction du niveau de bruit de votre ordinateur spécifique. Considérez cela comme une application météo qui ne se contente pas de dire « il pourrait pleuvoir », mais qui vous dit exactement combien de imperméables vous devez acheter en fonction de l'humidité et de la vitesse du vent.

Mais il y a un second rebondissement. Parfois, un problème quantique est si vaste que l'ordinateur ne peut pas le résoudre d'un seul coup. C'est comme essayer de monter un piano géant dans un escalier trop étroit ; vous devez décomposer le piano en morceaux, les monter un par un, puis les réassembler. Les auteurs ont découvert que donner simplement la même quantité d'effort à chaque morceau du piano (le même nombre de tirées) est une mauvaise idée. Certains morceaux sont plus lourds ou plus glissants (plus bruyants) que d'autres. Leur nouvelle méthode détermine exactement comment répartir votre « budget de cris » afin que les morceaux glissants reçoivent une attention supplémentaire, tandis que les morceaux faciles n'en reçoivent que suffisamment.

Dans leurs expériences, ils ont testé cette idée sur de véritables ordinateurs quantiques d'IBM. Ils ont constaté qu'en utilisant leur nouvelle formule, ils pouvaient réduire le nombre de tirées nécessaires d'environ 58 % par rapport aux pratiques actuelles. Ce n'est pas seulement une petite économie ; cela signifie utiliser jusqu'à 62 % d'énergie en moins. De plus, lorsqu'ils ont décomposé de grands problèmes en morceaux et utilisé leur stratégie intelligente de répartition, ils ont réduit les erreurs totales dans la réponse finale de jusqu'à 73 % par rapport à l'ancienne méthode (avec une réduction moyenne de 63 %). Ils n'ont pas seulement deviné ; ils ont exécuté les algorithmes sur du matériel réel et prouvé que leur mathématiques correspondent à la réalité, avec des prédictions environ 98 % précises pour le comptage des tirées et 95 % précises pour déterminer jusqu'où un calcul peut aller avant que l'ordinateur ne devienne trop confus.

L'histoire du chuchotement bruyant

Pour comprendre pourquoi cela importe, regardons comment fonctionnent les ordinateurs quantiques. Contra l'ordinateur de bureau classique, qui utilise des bits qui sont soit 0 soit 1, les ordinateurs quantiques utilisent des « qubits » qui peuvent être dans un mélange des deux en même temps. Cela les rend super puissants, mais aussi super fragiles. Dès qu'ils interagissent avec le monde extérieur, ils deviennent « bruyants » et perdent leur état spécial. Pour corriger cela, les scientifiques exécutent le même programme encore et encore. Chaque exécution est une « tirée ».

Imaginez que vous essayiez de deviner la taille moyenne d'un groupe de personnes, mais que vous ne puissiez les voir qu'à travers une fenêtre embuée. Si vous regardez une fois, vous pourriez penser qu'ils sont tous des géants. Si vous regardez dix fois, vous aurez une meilleure idée. Si vous regardez mille fois, vous connaîtrez la taille moyenne très précisément. Mais regarder mille fois prend beaucoup de temps et fatigue vos yeux. Les auteurs se sont demandé : « Quel est le nombre minimum de fois où je dois regarder pour être sûr à 95 % de ma réponse ? »

Ils ont découvert que la réponse dépend de deux choses : la qualité de vos yeux (la qualité de l'ordinateur) et l'épaisseur du brouillard (le bruit). Ils ont écrit une équation sous forme fermée — une seule formule mathématique propre — qui prend les spécifications de l'ordinateur (comme la durée pendant laquelle un qubit dure avant de s'estomper, connue sous le nom de $T_1$ et $T_2$ ) et vous indique le nombre exact de tirées nécessaires. Avant cela, les gens choisissaient souvent un nombre élevé au hasard pour être en sécurité, ce qui revenait à crier un message 1 000 fois alors que 400 auraient suffi.

Le puzzle du piano cassé

Maintenant, imaginez que vous avez un problème quantique trop grand pour que l'ordinateur puisse le contenir en une seule fois. L'ordinateur a une « limite de profondeur », qui est comme un nombre maximum d'étapes qu'il peut franchir avant de se fatiguer et de commettre des erreurs. Si votre problème comporte 1 200 étapes, mais que l'ordinateur ne peut en gérer que 285, vous devez diviser le problème en plus petits morceaux.

L'ancienne méthode consistait à découper le problème en morceaux et à donner à chaque morceau le même nombre de tirées. Les auteurs soutiennent que cela revient à donner la même aide pour porter une boîte lourde et glissante et une boîte légère et sèche en haut d'une colline. La boîte lourde a besoin de plus d'aide ! Dans le monde quantique, certaines parties du circuit sont plus « bruyantes » que d'autres. Si vous ne donnez pas de tirées supplémentaires aux parties bruyantes, la réponse finale sera fausse.

Les auteurs ont créé une nouvelle stratégie en utilisant un outil mathématique appelé « multiplicateurs de Lagrange » (pensez à cela comme une calculatrice super intelligente qui équilibre une balance). Ils ont déterminé que vous devriez donner plus de tirées aux parties du circuit qui sont les plus bruyantes et moins de tirées aux parties calmes. Ils ont prouvé que cette méthode minimise l'erreur totale.

Ce qu'ils ont trouvé

Lorsque les auteurs ont testé leurs idées sur de véritables ordinateurs quantiques IBM (spécifiquement les modèles Marrakesh, Torino et Fez), les résultats ont été impressionnants.

Le compte de tirées : Leur formule a prédit le nombre de tirées nécessaires avec une précision d'environ 98,2 %. Par exemple, lorsqu'ils ont testé l'algorithme de la Transformée de Fourier Quantique (QFT), leur prédiction n'était erronée que d'environ 1,87 %. Cela signifie qu'ils peuvent vous dire exactement combien de fois exécuter votre code sans perdre de temps.
Les économies d'énergie : Parce qu'ils ont réduit le nombre de tirées nécessaires de 58 % en moyenne, ils ont également réduit la consommation d'énergie. Dans leurs tests, ils ont économisé jusqu'à 62 % d'énergie par tranche de 1 000 tirées. C'est comme conduire une voiture qui consomme soudainement 60 % de moins de carburant.
La réduction des erreurs : Lorsqu'ils ont divisé de grands problèmes en morceaux et utilisé leur stratégie d'allocation intelligente, ils ont réduit l'erreur totale de 63 % en moyenne par rapport à la méthode standard de « division égale ». Dans les meilleurs cas, la réduction de l'erreur a atteint 73 %.

Ils ont également vérifié jusqu'à quelle profondeur un circuit pouvait aller avant de devenir trop bruyant pour être utilisé. Leur mathématiques a prédit cette « profondeur maximale » avec une précision d'environ 95 %. Cela aide les scientifiques à savoir exactement quel est l'ampleur du problème qu'ils peuvent résoudre sur une machine spécifique avant même de commencer à coder.

Pourquoi cela change les choses

L'article ne propose pas seulement une nouvelle théorie ; il offre un outil pratique pour l'ère actuelle de l'informatique quantique, souvent appelée l'ère « NISQ » (Noisy Intermediate-Scale Quantum). Actuellement, les ordinateurs quantiques sont coûteux et difficiles d'accès. Chaque fois qu'un chercheur lance un travail, il brûle de l'argent et du temps. En utilisant ce cadre « conscient du bruit », les chercheurs peuvent cesser de deviner et commencer à calculer. Ils peuvent exécuter leurs algorithmes avec moins de tirées, économiser de l'énergie et obtenir des résultats plus précis.

Les auteurs ont montré qu'en comprenant simplement le bruit et en distribuant les ressources intelligemment, nous pouvons rendre les ordinateurs quantiques beaucoup plus utiles aujourd'hui, même avant d'avoir les machines parfaites et sans erreur du futur. C'est un rappel que parfois, la meilleure façon d'avancer n'est pas de construire une machine plus grande, mais d'utiliser celle que nous avons de manière beaucoup plus intelligente.

Résumé Technique : Un cadre d'allocation de ressources quantiques sensible au bruit

Énoncé du problème

L'exécution pratique des algorithmes quantiques sur les ordinateurs quantiques de l'ère intermédiaire est sévèrement contrainte par le bruit matériel, la fidélité limitée des portes et la nécessité de répétitions d'exécution de circuits (shots) pour obtenir des résultats statistiques fiables. Les approches actuelles font face à deux inefficacités primaires :

Estimation des shots : Les chercheurs s'appuient souvent sur des simulations classiques avec des modèles de bruit idéalisés ou sur des essais empiriques par tâtonnements sur du matériel réel, ce qui conduit soit à des prédictions peu fiables, soit à un nombre excessif de shots qui gaspille les ressources de calcul et l'énergie.
Allocation de ressources : Lorsque des circuits profonds dépassent les limites de profondeur du matériel, ils doivent être partitionnés en sous-circuits plus petits. Les stratégies conventionnelles distribuent généralement le budget total de shots de manière égale entre ces partitions. Cette « allocation égale » ignore les variances de bruit spécifiques, les profondeurs de circuit et les ressources de qubits de chaque sous-circuit, ce qui entraîne une accumulation d'erreurs sous-optimale et des erreurs d'estimation totales plus élevées.

Le défi central est de déterminer le nombre exact de shots requis pour une probabilité de succès cible et de distribuer de manière optimale un budget de shots fixe entre les partitions de circuits afin de minimiser l'erreur totale, tout en tenant compte des paramètres de bruit spécifiques du matériel.

Méthodologie

Les auteurs proposent un cadre unifié, sensible au bruit, composé de trois étapes analytiques, illustrées par la Figure 2 de l'article :

1. Estimation de shots en forme fermée

Le cadre dérive une expression analytique en forme fermée (Équation 6) pour calculer le nombre optimal de shots ( $s$ ) requis pour atteindre une probabilité de succès cible ( $P(s)$ ).

Modélisation : Le succès des shots est modélisé à l'aide d'une variable aléatoire de Bernoulli avec une fidélité maximale ( $F_{max}$ ). La probabilité de succès totale est définie via un critère de vote majoritaire ( $P(S_n \geq s/2)$ ).
Intégration du bruit : Le modèle incorpore les paramètres de bruit matériel, notamment les temps de décohérence ( $T_1, T_2$ ), les probabilités d'erreur de porte ( $p_g$ ) et le temps d'exécution du circuit ( $t_{circ}$ ). Ces facteurs contribuent à un terme de variance de bruit ( $\sigma^2_{noise}$ ) dérivé de modèles de cohérence physique (Équation 7).
Résultat : En résolvant pour $s$ à l'aide de la fonction erreur inverse, le cadre fournit une formule exacte pour déterminer le nombre de shots nécessaires à la fiabilité, éliminant ainsi le besoin de suréchantillonnage heuristique.

2. Profondeur maximale et partitionnement

En utilisant la relation entre shots et bruit dérivée, le cadre calcule la profondeur de circuit maximale exécutable ( $d_{max}$ ) qu'un dispositif quantique spécifique peut supporter tout en maintenant la fiabilité cible (Équation 9).

Logique de partitionnement : Si la profondeur originale d'un algorithme ( $d_{original}$ ) dépasse $d_{max}$ , le cadre calcule le nombre minimum de partitions ( $m$ ) requis (Équation 10). Cela garantit que chaque sous-circuit opère dans les limites de fidélité du matériel.
Contrainte : La dérivation suppose que les partitions sont aussi équilibrées que possible, respectant le principe des tiroirs où la profondeur maximale de la partition doit être au moins de $d_{original}/m$ .

3. Allocation optimale de shots

Étant donné un budget total de shots fixe ( $S$ ) et $m$ partitions, le cadre formule un problème d'optimisation pour distribuer les shots ( $s_i$ ) entre les partitions afin de minimiser l'erreur d'estimation au carré totale ( $E = \sum \sigma^2_i / s_i$ ).

Optimisation : En utilisant les multiplicateurs de Lagrange, les auteurs dérivent une formule d'allocation exacte (Équation 12).
Stratégie : La stratégie optimale alloue les shots proportionnellement à la variance du bruit ( $\sigma_i$ ) de chaque partition. Les partitions présentant un bruit plus élevé (dû à la profondeur, au nombre de qubits ou aux imperfections matérielles) reçoivent plus de shots, tandis que les partitions à faible bruit en reçoivent moins. Cela contraste avec l'allocation égale conventionnelle, qui ignore ces variances.

Contributions clés

Expression de shots analytique : Une équation en forme fermée reliant le nombre de shots à la probabilité de succès, incorporant explicitement les paramètres de bruit matériel ( $T_1, T_2, p_g, F_{max}$ ).
Stratégie d'allocation optimale : Une technique théoriquement fondée pour distribuer un budget de shots fixe entre les partitions de circuits. La méthode minimise l'erreur totale en assignant les shots proportionnellement à la variance du bruit de chaque partition.
Cadre unifié : Un flux de travail systématique qui intègre l'estimation des shots, le calcul de la profondeur, le partitionnement et l'allocation des ressources, comblant le fossé entre les contraintes matérielles et les exigences algorithmiques.

Résultats expérimentaux

Le cadre a été évalué sur cinq algorithmes quantiques (QFT, QST, VQE, QAOA, Shor) sur trois processeurs IBM Quantum (Marrakesh, Torino, Fez).

Précision du modèle :
- L'estimation de shots analytique (Éq. 6) a atteint une précision moyenne de 98,2 % par rapport aux résultats expérimentaux sur IBM Marrakesh.
- L'estimation de la profondeur maximale (Éq. 9) a atteint une précision moyenne de 95 %.
Réduction des shots : Comparée aux pratiques actuelles (suréchantillonnage conservateur), la technique proposée réduit le nombre total de shots requis pour une exécution fiable d'environ 58 %.
Réduction de l'erreur : Lors de la distribution d'un budget de shots fixe, la stratégie d'allocation optimale réduit l'erreur d'estimation totale jusqu'à 73 % (et une moyenne de 63 % lorsqu'elle est combinée avec la découpe de circuit automatisée) par rapport à l'allocation de shots égale conventionnelle.
Efficacité énergétique : En réduisant le nombre de shots, le cadre réduit la consommation d'énergie jusqu'à 62 % (moyenne de 59 %), en tenant compte de la consommation électrique de toute la pile, y compris le refroidissement cryogénique.

Signification et affirmations

L'article affirme fournir le premier cadre unifié qui dérive des expressions exactes en forme fermée pour :

Le nombre optimal de shots requis pour une fiabilité donnée.
La profondeur de circuit maximale qu'une machine quantique peut supporter sur la base de paramètres matériels fondamentaux.
La distribution optimale d'un budget de shots entre les partitions de circuits pour minimiser l'erreur d'exécution.

Les auteurs soulignent que ce travail va au-delà des méthodes heuristiques ou adaptatives en fournissant un modèle analytique sensible au bruit et théoriquement fondé. En éliminant le besoin de « sur-provisionnement inutile » de shots et en optimisant la distribution des ressources, le cadre rend les algorithmes quantiques complexes plus pratiques et économiquement viables sur les dispositifs actuels de type NISQ (Noisy Intermediate-Scale Quantum). Les résultats suggèrent que des améliorations significatives de la fiabilité et de l'efficacité énergétique peuvent être obtenues sans nécessiter de nouveau matériel, simplement en optimisant la manière dont les ressources existantes sont allouées.