Dissipative phase transitions in quantum reservoir computing

Dans le monde de l'informatique quantique, il existe une croyance persistante selon laquelle la friction est l'ennemie. Pendant des décennies, les scientifiques se sont battus pour maintenir les systèmes quantiques parfaitement isolés, craignant que toute interaction avec le monde extérieur ne détruise les informations délicates qu'ils contiennent. Cette friction, connue sous le nom de dissipation, provoque généralement la décomposition des états quantiques et leur perte de puissance. Cependant, une nouvelle perspective émerge : si cette friction est soigneusement contrôlée, elle peut devenir un outil utile plutôt qu'une force destructrice. Cette idée est centrale à un domaine appelé calcul de réservoir quantique (quantum reservoir computing), une méthode pour apprendre aux machines à reconnaître des motifs dans le temps. Au lieu d'entraîner chaque partie d'une machine quantique complexe, les chercheurs utilisent un système quantique fixe et immuable pour traiter un flux de données. Le système oublie naturellement les anciennes informations tout en conservant les entrées récentes, une propriété appelée mémoire fuyante (fading memory), essentielle pour comprendre des séquences comme la parole ou les tendances du marché boursier. La grande question était de savoir si pousser ces systèmes à la limite même d'un changement de phase — un point où leur comportement change radicalement — pourrait les rendre encore meilleurs pour mémoriser et traiter l'information.

Une équipe de chercheurs de l'Institut de technologie de Pékin a exploré cette question en simulant deux types différents de systèmes quantiques qui sont constamment stimulés par de l'énergie et perdent de l'énergie dans leur environnement. Ils se sont concentrés sur des systèmes connus sous le nom de réservoirs de Kerr, qui sont essentiellement des conteneurs de lumière interagissant avec eux-mêmes de manière non linéaire. Les chercheurs ont mis en place deux scénarios distincts. Dans le premier, ils ont créé un système qui subit un changement de comportement soudain et brusque, semblable à de l'eau qui gèle soudainement en glace. Dans le second, ils ont construit un système qui change de manière plus graduelle, modifiant sa symétrie de façon continue. En alimentant ces systèmes avec un flux de données et en mesurant leur capacité à reconstruire des entrées passées ou à prédire des modèles futurs, l'équipe a découvert que les deux systèmes perforaient de manière optimale lorsqu'ils opéraient juste à proximité de ces transitions de phase. Cela a confirmé que la limite d'un changement de phase est effectivement un point idéal pour le calcul, mais l'explication de ce phénomène s'est avérée plus surprenante que prévu.

Pendant longtemps, la théorie dominante suggérait que la clé de cette performance accrue résidait dans le ralentissement de la relaxation du système. En physique, lorsqu'un système est perturbé, il finit par revenir à un état calme ; le temps nécessaire pour cela est régi par une limite de vitesse spécifique, souvent appelée « gap ». Lorsqu'un système approche d'une transition de phase, on pense que cette limite de vitesse ralentit jusqu'à un crawl, permettant au système de conserver l'information pendant très longtemps. Il était largement admis que cette lenteur extrême était le secret de cette meilleure mémoire. Cependant, les chercheurs ont découvert que cette hypothèse était incorrecte. En décomposant les mouvements internes complexes des systèmes quantiques en leurs composants individuels, ils ont découvert que le composant ultra-lent, celui associé à la transition de phase, contribuait en réalité très peu à la capacité de mémoire du système. La véritable source de la performance accrue se trouvait ailleurs.

Les véritables héros de l'histoire étaient les composantes à vitesse finie, plus rapides. Ce sont les parties de la machine quantique qui relaxent à un rythme modéré, ni trop vite pour tout oublier, ni trop lentement pour rester bloquées. Les chercheurs ont découvert qu'à proximité des transitions de phase, l'ensemble du groupe de ces composantes à vitesse modérée se réorganisait. Elles modifiaient leurs vitesses et interagissaient entre elles de nouvelles manières, créant un effet collectif bien plus puissant pour le traitement de l'information que la seule composante la plus lente ne pourrait jamais l'être. Dans le système avec le changement de phase soudain, cette réorganisation a créé une fenêtre étroite où les vitesses modérées ralentissaient juste assez pour aider. Dans le système avec le changement graduel, les vitesses modérées se sont déplacées et dispersées, se séparant de la composante ultra-lente. Dans les deux cas, la puissance de calcul provenait de ce remaniement dynamique des vitesses modérées, et non de la lenteur extrême du gap.

Pour s'assurer que ces découvertes n'étaient pas de simples artefacts théoriques, l'équipe a développé une méthode précise pour tracer exactement quels mouvements internes étaient responsables des prédictions réussies. Ils ont démontré que l'information traitée par le système était transportée presque entièrement par ces canaux à vitesse finie et par la façon dont ils se combinaient les uns aux autres. Le canal ultra-lent, malgré d'être la caractéristique la plus spectaculaire de la transition de phase, ne jouait qu'un rôle mineur. Cette distinction est cruciale car elle change la manière dont les scientifiques doivent concevoir ces machines. Au lieu d'essayer d'élaborer un système qui soit aussi lent que possible, l'objectif devrait être de régler le système de sorte que ses composantes à vitesse modérée soient optimisées. Les chercheurs ont également noté que ces modèles spécifiques de relaxation peuvent être mesurés dans des expériences réelles à l'aide de technologies actuelles, telles que les circuits supraconducteurs. Cela signifie que le cadre théorique qu'ils ont développé n'est pas seulement une curiosité mathématique, mais un guide pratique pour construire de meilleurs ordinateurs quantiques capables d'apprendre à partir de séries temporelles.

Le travail révèle finalement une séparation entre la physique naturelle d'un système quantique et la manière dont il est utilisé pour le calcul. La transition de phase modifie le paysage interne du système, mais le travail réel de mémorisation et de traitement est effectué par un sous-ensemble spécifique des mouvements du système. En comprenant que la puissance provient du comportement collectif des composantes à vitesse modérée plutôt que de la plus lente, les chercheurs peuvent désormais concevoir des réservoirs quantiques dissipatifs avec une feuille de route plus claire. Cette approche va au-delà des simples corrélations pour établir un lien direct entre le spectre de relaxation interne et la capacité d'apprentissage de la machine. Elle suggère que l'avenir de la mémoire quantique ne réside peut-être pas dans la lutte contre la friction, mais dans l'exploitation de la danse complexe et organisée des vitesses de relaxation que la friction crée naturellement.