Dans le domaine de la physique quantique, les scientifiques doivent souvent comprendre l'état le plus stable et de plus basse énergie d'un système complexe, un peu comme chercher la vallée la plus profonde dans une vaste chaîne de montagnes embrumée. Cet « état fondamental » est la clé pour prédire comment les molécules se comportent, comment de nouveaux matériaux pourraient conduire l'électricité ou comment les réactions chimiques se déroulent. Pour trouver ce niveau d'énergie sur un ordinateur quantique, les chercheurs simulent généralement l'évolution du système au fil du temps et recherchent un rythme spécifique, ou une phase, qui correspond à cette énergie la plus basse. Cependant, il existe un obstacle majeur : l'ordinateur ne commence pas avec une carte parfaite de la vallée. Au lieu de cela, on lui donne un guide rudimentaire — un état initial qui est seulement quelque peu proche du véritable état fondamental. La qualité de ce guide est mesurée par la façon dont il se superpose à la bonne réponse. Si le guide est faible, l'ordinateur doit travailler beaucoup plus dur pour trouver le signal, et les méthodes précédentes nécessitaient un nombre d'étapes qui augmentait de manière logarithmique à mesure que le guide devenait plus faible, créant un goulot d'étranglement qui ralentissait les calculs pour de nombreux problèmes pratiques.

Une équipe de chercheurs a maintenant développé un nouvel algorithme quantique qui élimine ce ralentissement logarithmique, permettant à l'ordinateur de trouver l'énergie de l'état fondamental avec beaucoup moins d'étapes qu'auparavant. Ce travail, dirigé par Stacey Jeffery et Freek Witteveen, répond à une question ouverte de longue date dans le domaine concernant l'efficacité de ces calculs lorsque le guide de départ est imparfait. En utilisant un cadre mathématique appelé transducteurs, qui permet de combiner différentes parties d'un calcul quantique sans accumuler d'erreurs supplémentaires, les auteurs ont créé une méthode qui s'adapte de manière optimale à la qualité du guide. Leur approche prouve que le nombre d'opérations nécessaires est directement proportionnel à l'inverse de la qualité du guide et à la précision souhaitée, correspondant à la limite théorique inférieure pour de telles tâches. Cela signifie que, pour un niveau de précision donné, le nouvel algorithme est aussi rapide que cela est physiquement possible, comblant un écart qui séparait depuis des années les meilleures méthodes connues de la meilleure théorie.

Le cœur du problème réside dans la façon dont les ordinateurs quantiques gèrent l'incertitude. Lorsqu'un ordinateur tente d'estimer une valeur telle qu'un niveau d'énergie, il repose souvent sur un processus appelé estimation de phase, qui s'apparente à écouter une fréquence spécifique dans une pièce bruyante. Si le guide de départ est faible, le signal est ténu, et l'ordinateur doit répéter le processus de nombreuses fois pour être sûr d'avoir entendu la bonne note. Les techniques précédentes exigeaient que l'ordinateur répète ces étapes un nombre de fois qui augmentait avec le logarithme de l'inverse de la qualité du guide. Par exemple, si le guide n'était efficace qu'à un pour cent, les anciennes méthodes nécessitaient un effort de calcul nettement plus important que la nouvelle méthode. Les chercheurs ont montré que ce coût supplémentaire n'était pas une loi fondamentale de la nature, mais plutôt un artefact de la construction des algorithmes. En repensant la façon dont ces étapes d'estimation sont composées, ils ont éliminé la répétition inutile.

Pour y parvenir, les auteurs ont utilisé un outil connu sous le nom de transducteur, qui agit comme un pont entre différentes opérations quantiques. Dans l'informatique quantique standard, lorsque vous enchaînez plusieurs étapes imparfaites, vous devez souvent ajouter des mesures de sécurité supplémentaires pour garantir que le résultat final est correct, ce qui ajoute du temps et des ressources. Les transducteurs permettent de lier ces étapes d'une manière qui préserve l'intégrité du calcul sans nécessiter ces répétitions de sécurité supplémentaires. Les chercheurs ont conçu des transducteurs spécifiques pour deux tâches clés : décider si un état possède un certain degré de superposition avec une cible, et décider si une phase est au-dessus ou en dessous d'un certain seuil. En combinant ces outils de prise de décision, ils ont construit un algorithme plus large capable de localiser précisément le niveau d'énergie exact sans la pénalité logarithmique.

Le nouvel algorithme fonctionne en effectuant une recherche dichotomique, en réduisant de manière répétée la plage possible de la valeur énergétique. À chaque étape, il utilise l'outil de décision basé sur le transducteur pour demander si l'énergie réelle est plus haute ou plus basse qu'une supposition spécifique. Parce que le transducteur gère l'incertitude efficacement, l'algorithme peut se permettre de faire ces suppositions avec une probabilité d'erreur plus faible dans les premières étapes, économisant ainsi les ressources de calcul. À mesure que la recherche se resserre sur la réponse finale, l'algorithme augmente sa précision. Le résultat est une méthode qui utilise un nombre d'étapes proportionnel à un divisé par la qualité du guide et un divisé par la précision souhaitée, sans le facteur logarithmique supplémentaire qui entravait les approches précédentes. Cette amélioration est significative car elle signifie que pour des problèmes où le guide de départ est faible, la nouvelle méthode pourrait être de plusieurs ordres de grandeur plus rapide que ce qui était possible auparavant.

Les chercheurs ont également démontré que leur méthode est optimale, ce qui signifie qu'il est impossible de concevoir un algorithme plus rapide pour ce problème spécifique compte tenu des mêmes contraintes. Ils ont fait correspondre leur borne supérieure sur le nombre d'étapes avec une borne inférieure connue, prouvant qu'aucune autre méthode ne pourrait faire mieux en termes de nombre d'interactions de l'ordinateur avec le système. Cette confirmation tranche un débat qui durait depuis des années dans la communauté scientifique, clarifiant les limites fondamentales de la simulation quantique pour l'estimation de l'énergie de l'état fondamental. Ce travail ne se contente pas d'offrir une manière plus rapide de résoudre une équation spécifique ; il fournit un nouveau modèle pour construire des algorithmes quantiques plus efficaces en évitant les surcharges inutiles.

Bien que l'article se concentre sur l'efficacité théorique de l'algorithme, les implications pour les applications pratiques sont substantielles. De nombreux problèmes réels en chimie et en physique impliquent des systèmes où trouver le guide de départ parfait est difficile, conduisant à des superpositions faibles. Dans ces scénarios, la surcharge logarithmique des méthodes précédentes aurait pu rendre les simulations prohibitives en termes de coût. En éliminant cette barrière, le nouvel algorithme rapproche la perspective de simuler des molécules et des matériaux complexes de la réalité. Les auteurs notent que, bien qu'ils n'aient pas optimisé les facteurs constants de leur conception, la méthode n'est pas excessivement complexe et n'introduit pas de coûts cachés importants, suggérant qu'elle pourrait être compétitive par rapport aux approches existantes. L'espace requis pour exécuter l'algorithme est également raisonnable, ne nécessitant qu'un petit nombre de qubits supplémentaires par rapport au système simulé.

Cette avancée souligne la puissance de la réexamen des blocs de construction fondamentaux des algorithmes quantiques. En s'éloignant des techniques standard de réduction d'erreur et en adoptant le cadre des transducteurs, les chercheurs ont trouvé un moyen de rationaliser le processus d'extraction d'informations des systèmes quantiques. Le résultat est une voie plus claire et plus directe vers les réponses que les scientifiques recherchent sur le monde physique. À mesure que les ordinateurs quantiques augmentent en taille et en capacité, des méthodes comme celle-ci seront essentielles pour garantir que la puissance supplémentaire est utilisée efficacement pour résoudre les problèmes les plus difficiles de la science. Ce travail témoigne de l'idée que, parfois, les améliorations les plus significatives ne viennent pas de la construction de machines plus grandes, mais de la découverte d'une manière plus intelligente d'utiliser celles que nous possédons déjà.