Feedback-based quantum optimization with low depth and measurement
Cet article introduit BLS-FALQON, un algorithme d'optimisation hybride quantique-classique inspiré de la recherche linéaire par retour en arrière (Backtracking Line Search) qui réduit considérablement la charge de mesure par rapport à SO-FALQON tout en maintenant une faible profondeur de circuit, comme cela a été validé par des simulations numériques et des expériences réelles sur l'ordinateur quantique Tianyan-176.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans la course à la construction d'ordinateurs quantiques utiles, les scientifiques travaillent actuellement avec des machines qui sont puissantes mais fragiles. Ces dispositifs, connus sous le nom d'ordinateurs quantiques de taille intermédiaire bruyants, peuvent effectuer des calculs complexes, mais ils sont facilement perturbés par leur environnement, ce qui provoque l'apparition d'erreurs avant qu'un calcul ne soit terminé. Pour résoudre des problèmes difficiles comme l'organisation de données ou la recherche du chemin le plus efficace à travers un réseau, les chercheurs utilisent des algorithmes hybrides qui combinent les forces des ordinateurs classiques avec ces nouveaux processeurs quantiques. Une telle méthode, appelée FALQON, agit comme une recherche guidée. Elle part d'une supposition aléatoire et ajuste de manière répétée l'état quantique, en utilisant le retour d'information des mesures pour pousser le système vers la meilleure réponse possible. Le problème est que ce guidage nécessite que l'ordinateur quantique exécute une séquence très longue d'opérations. Comme les machines sont si fragiles, l'exécution d'une séquence longue signifie souvent que le signal se perd dans le bruit avant que la réponse ne soit trouvée.
Pour corriger cela, les chercheurs ont précédemment développé une version plus rapide de la recherche qui pouvait atteindre la solution en moins d'étapes. Cependant, cette rapidité avait un prix élevé : la machine devait effectuer beaucoup plus de mesures à chaque étape pour s'assurer qu'elle ne s'écartait pas de la trajectoire. Ce flux de mesures a ralenti le processus et a introduit encore plus d'erreurs. Une nouvelle étude menée par une équipe de l'Université de Posts et Télécommunications de Pékin et d'autres institutions propose une solution différente. Ils ont introduit une méthode appelée BLS-FALQON, qui parvient à maintenir la recherche courte sans exiger un nombre excessif de mesures. En utilisant une stratégie empruntée à l'optimisation mathématique, l'équipe a créé un système capable de faire de grandes étapes confiantes vers la solution tout en ne vérifiant ses progrès qu'occasionnellement. Lorsque le système vérifie et constate qu'il a dévié, il inverse simplement sa direction et tente une étape plus petite, plutôt que de recalculer des valeurs complexes à partir de zéro.
Les chercheurs ont testé cette nouvelle approche sur un casse-tête classique connu sous le nom de problème de la max-cut, qui consiste à diviser un réseau en deux groupes pour maximiser les connexions entre eux. Dans des simulations informatiques impliquant des réseaux allant jusqu'à vingt nœuds, la nouvelle méthode s'est révélée très efficace. Elle a réduit le nombre total de mesures requises de près de trente-huit pour cent par rapport à la méthode la plus rapide précédente, tout en maintenant la longueur du circuit quantique sensiblement la même. C'est une amélioration significative car, dans la génération actuelle de matériel quantique, le temps passé à mesurer et le temps passé à exécuter le circuit sont les deux principaux goulots d'étrangle. En réduisant les mesures, l'équipe a effectivement réduit le temps total dont l'ordinateur quantique avait besoin pour résoudre le problème.
Pour vérifier que ces résultats tenaient la route dans le monde réel, l'équipe a mené ses expériences sur un ordinateur quantique physique situé en Chine, qui utilise un processeur supraconducteur de 176 qubits. Ils ont testé l'algorithme sur de petits réseaux de quatre, six et huit nœuds. Les résultats ont confirmé que la nouvelle méthode n'était pas seulement un succès de simulation, mais une réalité pratique. Sur le matériel réel, la nouvelle approche a réduit le temps d'exécution estimé de quarante-trois pour cent par rapport à la meilleure méthode précédente. Le système est resté stable même en présence du bruit et des erreurs qui tourmentent les machines actuelles. Bien que la nouvelle méthode n'ait pas complètement éliminé l'écart entre les résultats du matériel bruyant et l'idéal théorique parfait, elle a mieux performé que les alternatives et a montré qu'elle pouvait trouver de bonnes solutions sans submerger le fragile processeur quantique avec trop de vérifications.
Le succès de ce travail réside dans sa simplicité. Au lieu d'essayer de calculer une correction parfaite et complexe à chaque étape, le nouvel algorithme utilise une approche heuristique. Il fait un grand pas, vérifie si le résultat s'est amélioré, et si ce n'est pas le cas, il inverse simplement la direction de l'étape suivante et réessaie. Cet ajustement de va-et-vient permet au système de rester sur la bonne voie sans avoir besoin de recueillir des données supplémentaires qui le ralentiraient. Les chercheurs ont constaté que cette stratégie fonctionne bien même lorsque l'ordinateur quantique commet des erreurs, car la méthode corrige naturellement ces erreurs en inversant la direction lorsque les choses tournent mal. Cela suggère que pour la génération actuelle d'ordinateurs quantiques, le chemin le plus efficace ne consiste peut-être pas à rendre les machines plus complexes, mais à rendre les instructions qu'elles suivent plus intelligentes et plus efficaces.
L'étude souligne également l'importance de la manière dont les données sont regroupées lors de la mesure. En informatique quantique, mesurer une partie du système peut perturber une autre partie, de sorte que les scientifiques doivent regrouper les mesures liées afin de minimiser les perturbations. L'équipe a montré que sa nouvelle méthode pouvait être combinée avec les techniques de regroupement existantes pour réduire davantage la charge de travail. Cela signifie que les économies de temps et de ressources ne sont pas seulement théoriques mais sont directement applicables à la manière dont ces machines sont actuellement programmées. Les conclusions suggèrent qu'en affinant la boucle de rétroaction, les chercheurs peuvent extraire davantage de performance du matériel quantique qu'ils possèdent déjà, rapprochant potentiellement les applications pratiques de ces machines de la réalité.
En fin de compte, ce travail démontre que l'efficacité en informatique quantique ne dépend pas seulement de la construction de processeurs plus grands, mais de la conception d'algorithmes qui respectent les limites physiques du matériel. La nouvelle méthode atteint un équilibre entre vitesse et précision que les approches précédentes ne pouvaient atteindre. Elle offre un moyen de naviguer dans le paysage bruyant des dispositifs quantiques actuels sans se perdre dans les erreurs. À mesure que le domaine progresse, des techniques comme celle-ci deviendront probablement essentielles pour résoudre des problèmes du monde réel, prouvant que parfois, la meilleure façon d'avancer est de savoir exactement quand reculer et réessayer.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.