Bridge of $Ψ$'s: Quantum Circuit Optimization with Schrödinger Bridges

Les ordinateurs quantiques promettent de résoudre des problèmes impossibles pour les machines d'aujourd'hui, de la conception de nouveaux médicaments à la cassure de codes complexes. Mais pour exécuter ces programmes, les scientifiques doivent traduire des instructions abstraites en une séquence d'opérations physiques qu'un processeur quantique peut réellement effectuer. Ce processus de traduction, appelé compilation, est semé d'embûches. Chaque étape d'un programme quantique introduit une infime chance d'erreur, et parce que ces machines sont incroyablement fragiles, plus le nombre d'étapes est élevé, plus la probabilité que le résultat final soit erroné augmente. Pour rendre l'informatique quantique utile, les chercheurs doivent trouver des moyens de réduire ces programmes, en supprimant les étapes inutiles et en raccourcissant le temps qu'ils mettent à s'exécuter, tout en s'assurant que la réponse finale reste exactement la même que le plan original.

Pendant des décennies, l'approche standard pour réduire ces programmes a consisté à s'appuyer sur un ensemble fixe de règles, un peu comme un mécanicien utilisant une clé spécifique pour serrer un boulon. Les ingénieurs ont construit des bibliothèques de raccourcis connus, où un motif d'opérations spécifiques est remplacé par un autre, plus court et équivalent. Bien que cela fonctionne bien pour des cas simples, cette méthode peine face à des programmes complexes et emmêlés. Les règles sont rigides et ne peuvent pas facilement voir la vue d'ensemble ou coordonner des changements à travers des parties distantes d'un circuit. Une nouvelle étude menée par des chercheurs de l'ETH Zürich et de l'Université de Cambridge suggère que l'avenir de cette optimisation ne réside pas dans des règles rigides, mais dans un type d'intelligence artificielle qui apprend par l'exemple. Ils ont construit un système appelé Bridge of Ψ's, qui traite le problème de la réduction d'un programme quantique comme un voyage d'un état désordonné et inefficace vers un état propre et efficace, guidé par des motifs appris à partir de millions d'exemples.

Les chercheurs ont commencé par poser une question fondamentale : un modèle d'apprentissage automatique peut-il apprendre à optimiser un circuit quantique directement, sans qu'on lui dicte les règles spécifiques à suivre ? Pour répondre à cela, ils avaient besoin d'un moyen d'enseigner au modèle ce qu'est un « bon » circuit. Ils ne pouvaient pas simplement lui montrer des circuits aléatoires, car le modèle ne saurait pas lesquels sont meilleurs. Au lieu de cela, ils ont travaillé à rebours. Ils ont commencé avec de petits circuits efficaces et les ont délibérément rendus plus grands et plus complexes en appliquant des règles connues en sens inverse. Cela a créé une vaste collection de paires : un circuit désordonné et étendu, et son jumeau parfait et compact. En injectant ces paires dans leur système, les chercheurs ont appris au modèle à reconnaître la transformation du version désordonnée vers la version propre.

Le système qu'ils ont construit, nommé Bridge of Ψ's, utilise un type sophistiqué de modèle génératif connu sous le nom de pont de Schrödinger (Schrödinger bridge). En termes simples, ce modèle apprend à transporter des données d'une distribution à une autre. Imaginez un nuage de fumée qui doit être remodelé pour prendre une forme spécifique ; le modèle apprend le chemin le plus probable pour passer du nuage à la forme. Dans ce cas, la « fumée » est le circuit étendu et inefficace, et la « forme » est la version optimisée. Le modèle ne construit pas la solution pièce par pièce ou ne vérifie pas une liste de règles. Au lieu de cela, il regarde l'ensemble du circuit à la fois et prédit comment le remodeler. Pour ce faire, il utilise une architecture conçue sur mesure qui respecte la structure unique des circuits quantiques, où l'ordre des opérations dans le temps compte, mais où l'ordre des fils transportant l'information n'a pas d'importance. Cela permet au modèle de gérer des circuits de différentes tailles sans avoir besoin d'être réentraîné de zéro.

Lorsque les chercheurs ont testé leur système sur un ensemble de circuits impliquant huit qubits et soixante-quatre étapes, les résultats ont été frappants. Le modèle a produit de manière constante des circuits plus courts et plus rapides que n'importe lequel des neuf outils d'optimisation existants contre lesquels il a été comparé. En moyenne, il a réduit le nombre d'étapes d'un circuit d'un facteur de près de deux et demi, et il a fait de même pour le temps d'exécution du circuit. Plus important encore, il a réussi à trouver ces améliorations dans près de quatre-vingts pour cent des cas, alors que le meilleur outil traditionnel n'a réussi à atteindre le niveau d'optimisation cible que dans environ vingt-six pour cent des cas. Le système était si efficace qu'il a souvent trouvé des solutions plus courtes que celles utilisées pour l'entraîner, ce qui suggère qu'il avait appris les principes fondamentaux de l'optimisation plutôt que de simplement mémoriser les exemples.

L'étude a également exploré si cette approche pouvait gérer des circuits plus grands ou structurés différemment de ceux utilisés pour l'entraînement. Les chercheurs ont constaté que le modèle pouvait s'adapter rapidement. En apportant un léger ajustement au système, ils ont pu l'appliquer à des circuits de seize qubits et d'une profondeur bien plus grande, atteignant des taux de réussite similaires. Cette flexibilité est cruciale, car les programmes quantiques du monde réel varieront considérablement en taille et en complexité. Le système ne repose pas sur un espace de recherche fixe ou une bibliothèque de tours pré-écrite. Au lieu de cela, il génère de nouvelles solutions à la volée, en s'appuyant sur les motifs appris lors de l'entraînement. Pour garantir l'exactitude des résultats, les chercheurs ont inclus une étape de vérification qui contrôle chaque sortie pour confirmer qu'elle effectue exactement le même calcul que l'entrée originale, écartant toute sortie qui échoue à ce test.

Bien que le système soit puissant, il n'est pas sans compromis. Le processus de génération de ces circuits optimisés prend plus de temps que l'exécution d'un outil traditionnel basé sur des règles. Une seule passe d'optimisation peut prendre plusieurs secondes, alors qu'un outil standard pourrait se terminer en une fraction de seconde. Cependant, les chercheurs soutiennent que ce temps supplémentaire est un investissement qui en vaut la peine. Les outils traditionnels restent souvent bloqués, incapables de trouver la meilleure solution possible, tandis que le nouveau système trouve systématiquement des réductions plus profondes. Dans un domaine où chaque étape compte et où les erreurs s'accumulent rapidement, la capacité à raccourcir considérablement un programme pourrait faire la différence entre une expérience ratée et une découverte majeure.

Ce travail représente un changement significatif dans la manière dont le logiciel quantique est développé. Pendant des années, le domaine s'est appuyé sur des méthodes analytiques façonnées à la main et des algorithmes de recherche rigides. Cette étude démontre qu'une approche basée sur les données, où une machine apprend l'art de l'optimisation à partir d'exemples, peut surpasser les meilleurs outils conçus par l'homme. Elle ouvre la voie à un avenir où les compilateurs quantiques ne seront pas seulement des suiveurs de règles, mais des systèmes intelligents capables de naviguer dans le paysage complexe des opérations quantiques pour trouver le chemin le plus efficace. En jetant un pont entre l'apprentissage automatique avancé et la physique quantique, les chercheurs ont montré que les outils nécessaires pour rendre l'informatique quantique pratique sont peut-être déjà à portée de main, attendant simplement d'être entraînés sur les bonnes données.