A Case Study on Noise Resilient Operator Selection in Adaptive Variational Quantum Algorithms

Pour comprendre la chimie du monde qui nous entoure, des matériaux de nos smartphones aux médicaments qui nous guérissent, les scientifiques doivent d'abord comprendre comment les électrons s'organisent au sein des molécules. L'arrangement le plus stable de ces électrons est appelé l'état fondamental, et le trouver revient à résoudre un puzzle complexe dont les pièces sont en mouvement constant. Pendant des décennies, les ordinateurs classiques ont lutté face à cette tâche car le nombre de configurations possibles croît si rapidement que même les superordinateurs les plus puissants ne peuvent suivre pour tout ce qui n'est pas une molécule très simple. Les ordinateurs quantiques offrent une voie différente. Au lieu d'essayer de calculer chaque possibilité une par une, ils utilisent les règles étranges de la mécanique quantique pour explorer de nombreuses possibilités simultanément. L'une des méthodes les plus prometteuses pour utiliser ces machines est une méthode appelée solveur propre quantique variationnel (VQE), qui agit comme une recherche guidée, affinant progressivement une supposition jusqu'à ce qu'elle trouve l'état d'énergie la plus basse. Cependant, les ordinateurs quantiques d'aujourd'hui sont encore à leurs balbutiements ; ils sont bruyants, ce qui signifie que leurs composants commettent des erreurs infimes et fréquentes qui peuvent fausser l'ensemble du calcul.

Une version spécifique de cette méthode de recherche, connue sous le nom d'ADAPT-VQE, a attiré l'attention car elle construit sa solution étape par étape, en choisissant les pièces les plus utiles au fur et à mesure. Cette adaptabilité la rend plus efficace que les anciennes méthodes, mais elle introduit également une nouvelle vulnérabilité : l'étape où l'ordinateur décide quelle pièce ajouter ensuite. Si le bruit dans la machine déforme le signal utilisé pour prendre cette décision, l'algorithme pourrait choisir la mauvaise pièce, le menant vers une impasse. Les chercheurs Soorya Haravu, Mafalda Ramôa et Bharath Sambasivam se sont donné pour mission d'étudier précisément comment ce bruit affecte ce processus critique de prise de décision. Ils n'ont pas construit d'ordinateur quantique physique pour cette étude ; à la place, ils ont créé une simulation hautement détaillée sur un ordinateur classique pour imiter le comportement d'un véritable dispositif quantique soumis à différents types de bruit. Leur cas de test était une molécule simple composée de trois atomes d'hydrogène alignés, un système suffisamment petit pour être simulé avec précision, mais assez complexe pour révéler les effets subtils des erreurs.

L'équipe a simulé deux grandes catégories de bruit qui tourmentent le matériel quantique réel. Le premier type, appelé bruit incohérent, est semblable à des parasites sur une ligne radio ; il est aléatoire et imprévisible, provoquant une perte d'information difficile à inverser. Le second type, le bruit cohérent, ressemble davantage à un léger désalignement constant dans une boussole ; la machine commet toujours la même petite erreur dans la même direction, ce qui peut être tout aussi dommageable car ces erreurs s'accumulent les unes sur les autres. Dans leurs simulations, les chercheurs ont injecté ces erreurs spécifiquement au moment où l'algorithme mesurait le « gradient », une valeur qui indique à l'ordinateur à quel point une nouvelle pièce potentielle améliorerait la solution. Ils ont découvert qu'une petite quantité de bruit pouvait suffire à déformer ces mesures, rendant le paysage de choix plat et confus. Lorsque le paysage s'aplatit, l'algorithme perd son sens de l'orientation. Il cesse de trouver de nouvelles pièces meilleures et continue de choisir les mêmes, restant ainsi bloqué avant de pouvoir atteindre la bonne réponse.

Pour combattre cela, les chercheurs ont testé trois stratégies différentes conçues pour nettoyer le signal sans nécessiter de matériel supplémentaire. La première, le découplage dynamique, consiste à appliquer une série d'impulsions de contrôle rapides au système pour annuler le bruit, de la même manière que les casques à réduction de bruit active utilisent des ondes sonores pour faire taire le bruit de fond. La seconde, l'extrapolation de bruit zéro, consiste à aggraver intentionnellement le bruit de manière contrôlée, à mesurer le résultat, puis à utiliser les mathématiques pour deviner quelle aurait été la réponse s'il n'y avait eu aucun bruit. La troisième, le « Pauli twirling », est une technique qui brouille le bruit afin qu'il se comporte de manière plus aléatoire, ce qui le rend plus facile à gérer. L'équipe a découvert qu'aucune méthode ne fonctionnait pour toutes les situations. Pour le bruit aléatoire, semblable à des parasites, l'approche la plus efficace consistait à combiner les impulsions de contrôle rapides avec la technique d'extrapolation de bruit. Ce jumelage a réussi à restaurer la capacité de l'algorithme à voir le bon chemin, lui permettant de sélectionner les bonnes pièces et d'atteindre la solution chimiquement exacte.

En traitant le bruit de type désalignement constant, les chercheurs ont découvert qu'une combinaison différente était nécessaire. Ils ont découvert que brouiller d'abord le bruit, puis appliquer soit les impulsions rapides, soit la méthode d'extrapolation, était la clé du succès. En fait, l'utilisation des trois techniques ensemble offrait la protection la plus robuste contre ce type d'erreur. Une découverte cruciale de leur travail est que l'algorithme n'a pas besoin de choisir la meilleure pièce absolue à chaque étape pour réussir. Tant que les techniques d'atténuation du bruit maintiennent l'algorithme en mouvement et l'empêchent de rester bloqué, il peut toujours arriver à la réponse correcte, même si le chemin spécifique emprunté semble différent du chemin qu'aurait pris une machine parfaite. Cependant, les chercheurs ont également noté un défi persistant : bien que ces techniques aient aidé l'algorithme à trouver la bonne réponse, elles faisaient souvent apparaître les signaux de bruit encore plus importants qu'ils ne l'étaient réellement, ce qui pouvait confondre les règles standards de l'ordinateur pour savoir quand s'arrêter. Cela suggère que pour que ces algorithmes fonctionnent de manière fiable sur de vraies machines dans un avenir proche, les règles décidant quand une tâche est terminée devront peut-être être réécrites pour tenir compte de la présence de bruit.

L'étude conclut que si le bruit est un obstacle important, il n'est pas insurmontable. En choisissant soigneusement les outils de correction d'erreurs à utiliser et la manière de les combiner, il est possible de guider les algorithmes quantiques adaptatifs à travers le chaos du matériel actuel. Les chercheurs ont démontré qu'avec la bonne combinaison de techniques, un ordinateur quantique peut toujours apprendre à construire la structure moléculaire correcte, même lorsque l'environnement est imparfait. Ce travail fournit une feuille de route pratique pour les scientifiques et les ingénieurs qui se préparent à exécuter ces simulations chimiques complexes sur de véritables dispositifs quantiques, montrant que le chemin vers une chimie quantique utile n'est pas bloqué par le bruit, mais nécessite plutôt une manière plus sophistiquée de naviguer à travers lui.