Les ordinateurs quantiques promettent de résoudre des problèmes impossibles pour les machines d'aujourd'hui, mais ils sont notoirement fragiles. Les minuscules particules qui transportent l'information, appelées qubits, sont facilement perturbées par leur environnement, provoquant des erreurs qui peuvent ruiner un calcul. Pour rendre ces machines utiles, les scientifiques doivent d'abord comprendre exactement comment elles se comportent. Cela nécessite un processus appelé caractérisation : mesurer le résultat de la machine et remonter en arrière pour comprendre ce qui se passe à l'intérieur. C'est un peu comme essayer de comprendre les rouages internes d'une horloge complexe en ne regardant que les aiguilles, mais avec une nuance. Dans le monde quantique, les mathématiques nécessaires pour rétro-concevoir les engrenages de l'horloge deviennent si écrasantes qu'il est effectivement impossible de résoudre quoi que ce soit, sauf pour les plus petits dispositifs. À mesure que ces machines atteignent des centaines de qubits, les méthodes traditionnelles pour comprendre leur comportement se heurtent à un mur, laissant les chercheurs avec un matériel puissant qu'ils ne peuvent pleinement ni faire confiance ni régler.

Une équipe de chercheurs a développé une nouvelle façon de franchir ce mur, transformant un problème autrefois informatiquement impossible en une tâche gérable. Au lieu d'essayer de résoudre directement les équations mathématiques complexes, ils ont appris à un ordinateur à comprendre la relation entre les paramètres d'une machine quantique et ses résultats en observant des millions d'exemples simulés. Cette approche, qu'ils appellent inférence basée sur la simulation, leur permet de construire un modèle numérique capable de deviner instantanément les causes cachées de n'importe quelle mesure produite par un véritable ordinateur quantique. Les chercheurs ont démontré cette méthode sur des systèmes comprenant jusqu'à 81 qubits, identifiant avec succès des schémas de bruit, corrigeant des erreurs et même cartographiant les positions physiques d'atomes dans un simulateur quantique simulé. En entraînant un réseau de neurones sur des données générées par des supercalculateurs classiques rapides, ils ont créé un outil capable d'analyser un dispositif quantique en une seule étape, fournissant non seulement une meilleure estimation, mais aussi une image claire du degré de confiance de cette estimation.

Le cœur de cette nouvelle méthode repose sur une division intelligente du travail entre deux types de programmes informatiques. Le premier est un simulateur, un programme qui imite la façon dont un système quantique devrait se comporter sous des conditions spécifiques. Bien que simuler un véritable système quantique soit difficile, les chercheurs ont découvert que, pour de nombreux cas pratiques, ils pouvaient utiliser des algorithmes classiques simplifiés pour générer rapidement de vastes quantités de données d'entraînement. Ils ont injecté ces données dans le second programme, un réseau de neurones conçu pour apprendre des motifs. Ce réseau a été entraîné pour observer la sortie du simulateur et prédire immédiatement les réglages qui l'ont causée. Une fois entraîné, ce réseau agit comme un traducteur universel. Lorsqu'un véritable ordinateur quantique produit une mesure, le réseau peut instantanément traduire ces données en une carte de probabilité de ce qui est probablement en train de se passer à l'intérieur de la machine. Cela élimine la nécessité d'exécuter des calculs lents et complexes pour chaque nouvelle expérience, transformant une tâche qui prenait auparavant des heures ou des jours en une question de secondes.

Les chercheurs ont testé ce cadre sur quatre défis distincts, démontrant sa polyvalence à travers différents types de problèmes quantiques. Premièrement, ils l'ont utilisé pour comprendre le bruit dans un système de 50 qubits. En informatique quantique, le bruit désigne les erreurs aléatoires qui s'immiscent dans les calculs. L'équipe a réussi à identifier les probabilités spécifiques de ces erreurs pour des centaines de portes différentes, les blocs de construction des circuits quantiques. Ils ont constaté que si certaines sources d'erreurs étaient faciles à localiser, d'autres étaient intrinsèquement liées d'une manière qui les rendait impossibles à séparer. Crucialement, leur méthode a automatiquement identifié ces paramètres « non identifiables », montrant aux chercheurs précisément où leurs mesures étaient insuffisantes et où ils devaient regarder de plus près. Cette capacité à distinguer ce qui peut être connu de ce qui ne peut pas l'être est un outil de diagnostic vital pour améliorer les expériences futures.

Ensuite, l'équipe a appliqué ses modèles de bruit appris pour corriger les erreurs en temps réel. La mitigation d'erreurs quantiques est une technique utilisée pour nettoyer les données bruitées sans avoir besoin d'un matériel parfait. En injectant la compréhension du bruit du réseau de neurones dans les protocoles de correction standards, ils ont pu récupérer des résultats précis à partir de simulations bruitées. Dans un test impliquant une chaîne d'atomes en interaction, leur méthode a réduit les erreurs de plus de moitié par rapport aux techniques existantes, et elle a continué à fonctionner avec précision même en prédisant des résultats pour des profondeurs de circuit qu'elle n'avait jamais vues auparavant. Cela suggère que le modèle a appris la physique sous-jacente des erreurs plutôt que de simplement mémoriser des exemples spécifiques, lui permettant de se généraliser à de nouvelles situations.

Le cadre s'est également avéré efficace pour la tomographie d'état quantique, un processus utilisé pour reconstruire l'état quantique complet d'un système. Habituellement, cela nécessite de mesurer le système de nombreuses fois et d'effectuer des calculs lourds pour chaque nouvel état. Les chercheurs ont entraîné leur réseau de neurones sur une grande variété d'états simulés et ont découvert qu'il pouvait reconstruire de nouveaux états non vus avec une précision extrêmement élevée. Dans des tests avec des systèmes de 12 qubits, le réseau a reconstruit les états avec une fidélité, ou précision, dépassant les 99 pour cent. Cela signifie que la méthode peut servir d'outil réutilisable pour vérifier la qualité des états quantiques sans avoir besoin de réentraîner le système pour chaque nouvelle expérience, une étape significative vers la rendre pratique pour les machines à grande échelle.

Enfin, l'équipe a abordé le problème de l'apprentissage de l'Hamiltonien, qui consiste à déterminer les forces et les interactions exactes régissant un système quantique. Ils ont appliqué leur méthode à un réseau simulé de 81 atomes, où l'objectif était de déterminer les positions physiques précises de chaque atome en fonction de la façon dont ils interagissent avec leurs voisins. Même avec de petits déplacements de seulement quelques nanomètres, le réseau de neurones a pu déduire les emplacements des atomes avec une précision remarquable. Les résultats correspondaient aux valeurs réelles avec un haut degré de corrélation, et l'estimation d'incertitude du réseau a correctement mis en évidence les rares zones où les données étaient moins claires. Cette capacité pourrait être cruciale pour le calibrage des futurs simulateurs quantiques, où le placement physique des atomes détermine tout le comportement de la machine.

Le succès de ce travail repose sur le fait que les chercheurs n'ont pas essayé de résoudre directement les mathématiques impossibles. Au lieu de cela, ils ont accepté qu'ils ne pouvaient pas calculer la réponse pour chaque nouvelle situation. En investissant du temps en amont pour entraîner un modèle sur une quantité massive de données simulées, ils ont créé un système qui est extrêmement rapide et réutilisable. La méthode fonctionne parce qu'elle tire parti du fait que de nombreux systèmes quantiques, même de grande taille, possèdent des structures que les ordinateurs classiques peuvent encore simuler efficacement. En associant ces simulateurs efficaces à de puissants réseaux de neurones, les chercheurs ont créé un pont entre les mondes classique et quantique. Cette approche ne remplace pas le besoin d'expériences physiques, mais elle fournit une lentille puissante à travers laquelle les observer, transformant les données brutes en informations exploitables sur le monde quantique.

Les implications de ce travail s'étendent au-delà de ces tests spécifiques. Les chercheurs notent que leur méthode est suffisamment générale pour être appliquée à de nombreux autres problèmes de la science quantique, tels que le calibrage de capteurs ou la conception de contrôles de rétroaction. Bien que les résultats actuels soient basés sur des simulations, le cadre est conçu pour fonctionner également avec des données expérimentales réelles. La principale limite reste la capacité de simuler les données d'entraînement ; si un système devient trop complexe pour même les meilleurs simulateurs classiques, la méthode devra s'adapter. Cependant, pour la vaste gamme de systèmes quantiques actuellement accessibles, cette technique offre une voie pratique. Elle transforme la caractérisation des dispositifs quantiques d'un processus lent et sur mesure en une capacité rationalisée et automatisée, nous rapprochant du jour où les ordinateurs quantiques pourront être fiablement réglés et utilisés pour des applications concrètes.