Time rescaling for second-order feedback-based quantum optimization

Dans la course à la construction d'ordinateurs quantiques utiles, les scientifiques sont confrontés à un obstacle persistant : les machines dont nous disposons aujourd'hui sont puissantes mais fragiles. Elles sont bruyantes, sujettes aux erreurs et ne peuvent maintenir leurs états quantiques délicats que pendant un instant fugace avant de s'effondrer. À cause de cela, les chercheurs se sont largement appuyés sur une approche hybride, où un ordinateur classique effectue le gros du travail d'optimisation tandis que le processeur quantique gère des tâches spécifiques. Cependant, ce partenariat se retrouve souvent bloqué dans une boucle frustrante, où l'ordinateur classique peine à trouver les bons réglages, un problème connu sous le nom de « plateau stérile » (barren plateau) qui peut stopper net tout progrès. Pour contourner cela, une stratégie différente a émergé, reposant entièrement sur la machine quantique elle-même. Au lieu de demander à un ordinateur classique de régler les boutons, cette méthode utilise une boucle de rétroaction intégrée directement dans le processus quantique. Elle mesure l'état actuel du système et ajuste immédiatement l'étape suivante, guidant la machine vers la meilleure solution possible sans avoir besoin d'un partenaire classique pour faire les calculs. Cette approche, connue sous le nom d'algorithme quantique à rétroaction, est très prometteuse, mais présente un défaut majeur : elle nécessite souvent que le circuit quantique soit si profond, avec tant d'étapes séquentielles, que le bruit des machines actuelles détruit la réponse avant que le calcul ne soit terminé.

Une équipe de chercheurs au Brésil a maintenant trouvé un moyen de raccourcir considérablement ces circuits, rendant la méthode viable pour le matériel actuel. Ils ont combiné deux techniques existantes qui avaient été utilisées séparément auparavant pour accélérer le processus. Une technique consiste à changer le rythme du calcul, permettant au système quantique de se déplacer plus rapidement à certains moments et plus lentement à d'autres, un peu comme un conducteur changeant de vitesse pour naviguer efficacement sur une route sinueuse. L'autre technique utilise une façon plus sophistiquée de prédire comment le système changera à l'étape suivante, en regardant non seulement la direction immédiate, mais aussi la courbure de cette direction. En fusionnant ces deux idées en un cadre unique et unifié, les chercheurs ont créé une nouvelle version de l'algorithme qui atteint la solution correcte en beaucoup moins d'étapes qu'auparavant.

Les chercheurs ont testé cette nouvelle méthode, qu'ils appellent TR-Hy-FALQON, sur deux types de casse-têtes complexes connus sous le nom de problèmes de graphes. Ces casse-têtes consistent à diviser un réseau de points en deux groupes de sorte que les connexions entre les groupes soient maximisées, une tâche notoirement difficile pour les ordinateurs. Ils ont lancé des simulations sur des réseaux de douze et quatorze points, comparant leur nouvelle méthode à d'anciennes versions de l'algorithme à rétroaction et à l'approche hybride standard. Les résultats étaient clairs : la nouvelle méthode atteint des solutions de haute qualité beaucoup plus rapidement. Dans les simulations, elle a atteint le même niveau de précision que la méthode hybride standard, mais avec moins de couches d'opérations, et elle l'a fait avec une plus grande stabilité, ce qui signifie que les résultats étaient moins susceptibles de vaciller ou d'échouer au fur et à mesure que le calcul progressait.

Ce qui rend ce développement particulièrement important, c'est qu'il élimine la nécessité pour l'ordinateur classique d'intervenir constamment. Le nouvel algorithme repose toujours sur la machine quantique pour mesurer ses propres progrès et ajuster sa trajectoire, mais il le fait avec un circuit beaucoup plus court. C'est crucial car chaque étape supplémentaire dans un circuit quantique augmente la probabilité que le bruit corrompe les données. En réduisant le nombre d'étapes nécessaires pour résoudre le problème, les chercheurs ont effectivement abaissé la barrière de l'utilisation de ces algorithmes sur les machines actuelles et imparfaites. L'étude a montré que la nouvelle méthode pouvait résoudre ces problèmes de graphes spécifiques avec un niveau de précision qui rivalise avec les meilleures garanties classiques connues, tout en maintenant un chemin stable et fiable vers la solution.

Les chercheurs ont également noté que leur méthode offre plus de flexibilité dans la manière dont le calcul est cadencé. Dans les versions précédentes, les étapes devaient être prises à un rythme très spécifique et minuscule pour que les mathématiques fonctionnent, ce qui imposait un circuit très long. La nouvelle approche permet des pas de temps plus larges et plus flexibles sans perdre en stabilité. Cela signifie que l'ordinateur quantique peut faire de plus grands bonds vers la réponse sans trébucher sur le bruit qui habituellement le fait chuter. Bien que ces résultats proviennent de simulations informatiques plutôt que de matériel physique, les conclusions suggèrent que cet algorithme raffiné est bien adapté à l'ère actuelle de l'informatique quantique, où la minimisation de la profondeur du circuit est la clé du succès. En rendant le processus de rétroaction à la fois plus rapide et plus robuste, ce travail fournit une voie pratique pour résoudre des problèmes d'optimisation sur les processeurs quantiques bruyants et peu profonds disponibles aujourd'hui.