⚛️ quantum physics

Analysis of asymmetric errors in NISQ experiments

Cet article étend les analyses statistiques précédentes des expériences NISQ en démontrant que, contrairement aux prédictions théoriques concernant l'amortissement d'amplitude, les données de la « suprématie quantique » de Google de 2019 présentent des fractions zéro-un déterminées uniquement par l'asymétrie de l'erreur de lecture plutôt que par les erreurs de porte, une conclusion étayée par des simulations sur les plateformes IBM et Google.

Auteurs originaux : Gil Kalai, Tomer Shoham, Carsten Voelkmann

Publié 2026-09-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Gil Kalai, Tomer Shoham, Carsten Voelkmann

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 de machines capables de résoudre des problèmes hors de portée des ordinateurs d'aujourd'hui, les scientifiques travaillent avec une nouvelle technologie fragile appelée l'informatique quantique. Ces machines utilisent de minuscules particules de matière, appelées qubits, qui peuvent exister dans un état étant à la fois zéro et un en même temps, ce qui leur permet de traiter l'information de manières que les ordinateurs classiques ne peuvent pas. Cependant, ces qubits sont incroyablement sensibles à leur environnement. Même la plus légère perturbation peut les amener à commettre des erreurs, un phénomène connu sous le nom de bruit. Pour comprendre si un ordinateur quantique fonctionne réellement comme prévu, les chercheurs doivent soigneusement séparer le signal du calcul de l'interférence statique de ces erreurs. Un axe majeur d'étude récent a porté sur les « erreurs de lecture », qui se produisent lorsque la machine interprète mal l'état final d'un qubit, confondant un zéro avec un un ou vice versa. Comprendre la nature précise de ces erreurs est crucial car cela indique aux scientifiques si la machine effectue un véritable calcul quantique ou produit simplement un bruit aléatoire.

Une équipe de chercheurs a récemment porté son attention sur une question spécifique concernant le comportement de ces erreurs. Ils voulaient savoir si les erreurs étaient purement aléatoires ou si elles possédaient un biais caché. Dans une machine parfaitement équilibrée, un qubit qui devrait être zéro pourrait être lu comme un un aussi souvent qu'un qubit qui devrait être un est lu comme zéro. Cependant, certains travaux théoriques suggéraient que les opérations internes de l'ordinateur, spécifiquement les portes qui manipulent les qubits, pourraient introduire un biais unidirectionnel. Cette théorie proposait qu'en fonction, la machine pousserait naturellement les résultats vers un nombre plus élevé de zéros, créant un déséquilibre qui n'était pas seulement une simple erreur de mesure, mais une dérive fondamentale des données.

Pour tester cette idée, les chercheurs ont examiné les données de la célèbre expérience de suprématie quantique de 2019 menée par Google, qui utilisait un processeur doté de 53 qubits. Ils ont également examiné des données provenant d'autres ordinateurs quantiques et de simulations informatiques conçues pour imiter ces machines. Leur objectif était de voir si la fraction de zéros dans les résultats finaux était plus élevée que ce qui pourrait être expliqué par les erreurs de lecture connues seules. Si la théorie était correcte, ils s'attendaient à trouver un surplus significatif de zéros dans les données expérimentales, lequel augmenterait à mesure que le nombre de qubits augmentait.

L'analyse a révélé un tableau clair qui contredit la prédiction théorique. Lorsque les chercheurs ont examiné les données réelles de l'expérience de 2019 de Google, couvrant une gamme de circuits allant de 12 à 53 qubits, ils n'ont trouvé aucune preuve de ce biais supplémentaire vers les zéros causé par les opérations de portes internes. Le léger déséquilibre observé entre les zéros et les uns reflétait l'asymétrie des erreurs de lecture rapportées, bien que la différence empirique entre les zéros et les uns soit environ 10 % à 20 % inférieure à la différence attendue à partir des taux d'erreur rapportés. En d'autres termes, la machine ne poussait pas secrètement les résultats vers zéro en raison de ses opérations internes ; le bruit observé était cohérent avec les erreurs de lecture physiques connues, sans le biais supplémentaire prédit par la théorie. Cette conclusion s'est avérée exacte pour toute la gamme de nombres de qubits testée dans l'expérience réelle.

L'histoire était différente lorsque l'équipe a examiné les simulations informatiques. Lorsqu'ils ont effectué des tests similaires sur une version simulée d'un ordinateur quantique d'IBM, les résultats ont montré un écart beaucoup plus important entre les zéros et les uns que ce que les taux d'erreur physiques pouvaient expliquer. Cela suggérait que les modèles de simulation incluaient des effets qui n'étaient pas présents dans le matériel réel de Google, ou que les simulations capturaient un type d'erreur que la machine réelle avait réussi à éviter. Les chercheurs ont également noté que, tandis que les données réelles de Google montraient un équilibre stable, la proportion de uns dans les mesures fluctuait au fil du temps d'une manière suggérant que les portes elles-mêmes étaient instables pendant l'expérience, plutôt que les outils de mesure qui étaient la source de la dérive.

En fin de compte, l'étude fournit une vérification rassurante du comportement du matériel quantique actuel. Elle confirme que pour l'expérience de 2019 de Google, les opérations internes complexes de l'ordinateur n'ont pas introduit le type d'erreur unidirectionnelle que certaines théories avaient prédit. La sortie de la machine n'était pas biaisée par une force cachée la poussant vers les zéros ; le bruit reflétait les erreurs de lecture asymétriques connues sans biais supplémentaire induit par les portes. Bien que les simulations aient montré des signes de ce biais, les données réelles ne l'ont pas fait, suggérant que les dispositifs physiques se comportent de manière plus prévisible que certains modèles théoriques ne l'avaient anticipé. Cette clarté aide les scientifiques à affiner leur compréhension du fonctionnement de ces machines et garantit que les futures affirmations sur leur puissance reposent sur une base solide et précise de la façon dont les erreurs se comportent réellement.

Résumé Technique : Analyse des Erreurs Asymétriques dans les Expériences NISQ

Énoncé du Problème
Cet article étend l'analyse statistique précédente des auteurs sur les expériences de calcul quantique de taille intermédiaire bruyantes (NISQ), en se concentrant spécifiquement sur l'expérience de « suprématie quantique » de Google en 2019 et sur des simulations connexes. Le problème central abordé est la caractérisation des erreurs de lecture asymétriques dans les circuits quantiques. Alors que les travaux précédents ([10], [13]) ont établi des outils pour les modèles de bruit symétriques, cette étude examine un modèle de bruit raffiné à 3 paramètres où la probabilité qu'un '1' soit lu comme un '0' ( $q_{1\to0}$ ) diffère de la probabilité qu'un '0' soit lu comme un '1' ( $q_{0\to1}$ ).

Une motivation spécifique de cette analyse découle d'un article théorique de Fefferman et al. [4], qui postule que les erreurs de porte par amortissement d'amplitude (bruit non unitaire, principalement la décomposition $T_1$ ) devraient induire un biais vers les '0' dans les échantillons de sortie. Les auteurs visent à déterminer si cet effet théorique — se manifestant par une fraction de zéros plus élevée que ce qui est prédit par les seules erreurs de lecture — est observable dans les données empiriques des processeurs Sycamore de Google, des processeurs quantiques d'IBM et de divers simulateurs.

Méthodologie
Les auteurs emploient et étendent les outils statistiques développés dans leurs travaux antérieurs, en utilisant spécifiquement des développements de Fourier-Walsh adaptés au bruit asymétrique.

Modèle de Bruit : L'étude utilise un modèle de bruit à 3 paramètres :
$R(q_{1\to0}, q_{0\to1})(sP_C + (1-s)/M)$
où $P_C$ est la distribution de probabilité idéale, $s$ est un paramètre de type fidélité, et $M=2^n$ , et $q_{1\to0}, q_{0\to1}$ représentent les taux d'erreur de lecture asymétriques. Cela généralise le modèle symétrique à 2 paramètres où $q_{1\to0} = q_{0\to1} = q$ .
Techniques d'Estimation :
- Estimation du Maximum de Vraisemblance (MLE) : Les auteurs développent des estimateurs MLE pour les paramètres $(s, q_{1\to0}, q_{0\to1})$ basés sur les données d'échantillonnage.
- Analyse de Fourier-Walsh : Ils étendent le cadre de Fourier de [10] à l'espace de mesure biaisé par $p$ pour gérer les erreurs asymétriques, permettant une estimation efficace des paramètres.
- Analyse Comparative : L'étude compare trois méthodes pour estimer les taux d'erreur :
  1. L'inférence statistique de la fraction empirique de 0 et de 1 dans les sorties de circuits.
  2. Les taux d'erreur de lecture directs rapportés par les fournisseurs de matériel (Google som_params_by_qubit.csv et readout_raw_data.tar).
  3. La MLE dérivée des distributions de sortie de circuit.
Sources de Données :
- Google Sycamore : Données empiriques de l'expérience de suprématie de 2019 ( $12 \le n \le 53$ qubits) et des exécutions ultérieures ( $n=67, 69$ ).
- Matériel IBM : Circuits de 5 qubits exécutés sur les processeurs « Nairobi » et « Jakarta ».
- Simulateurs : Simulateurs « QVM Weber » de Google et « Fake Guadalupe » d'IBM.
- Analyse Temporelle : Examen de la stabilité temporelle de la proportion de 1 mesurés à travers les séquences de mesure de chaînes de bits.

Résultats Clés

Absence d'Asymétrie Induite par les Portes dans les Données Google :
Contrairement à l'hypothèse suggérée par Feffermon et al. [4], l'analyse des données expérimentales de Google 2019 ( $12 \le n \le 53$ ) ne montre aucune preuve d'un biais supplémentaire vers les '0' causé par les erreurs d'amortissement d'amplitude des portes.
- La différence empirique entre la fraction de 0 et de 1 est cohérente avec, ou même légèrement inférieure à, la différence prédite uniquement par les erreurs de lecture rapportées ( $q_{1\to0} - q_{0\to1}$ ).
- Les estimations MLE pour $q_{1\to0}$ et $q_{0\to1}$ dérivées des données expérimentales sont similaires à (ou légèrement inférieures aux) erreurs de lecture physiques rapportées par Google.
- Cela se vérifie sur toute la plage de nombres de qubits testés.
Discrépance dans les Simulateurs :
- IBM « Fake Guadalupe » : Contrairement aux données matérielles de Google, le simulateur IBM montre une discrépance significative. Les erreurs de lecture « effectives » estimées via MLE ( $q_{1\to0} \approx 0,081, q_{0\to1} \approx 0,048$ ) sont considérablement plus élevées que les erreurs de lecture physiques ( $q_{1\to0} \approx 0,028, q_{0\to1} \approx 0,007$ ). L'asymétrie dans les données du simulateur est plus grande que ce qui est rapporté dans les paramètres physiques, suggérant que le modèle de bruit du simulateur incorpore peut-être par inadvertance des effets d'erreur de porte similaires à ceux prédits par Fefferman et al.
- Google « QVM Weber » : Les résultats pour le simulateur Google sont peu concluants en raison des ambiguïtés dans les paramètres d'erreur rapportés (différences entre les données de calibration « isolées » et « parallèles »).
Instabilité Temporelle :
L'étude identifie une instabilité temporelle de la proportion de 1 mesurés pendant les cycles de circuits de Sycamore (Google) et de Zuchongzhi (USTC).
- La proportion de 1 fluctue de manière significative au fil du temps (déviant de nombreux écarts types théoriques), présentant une forte autocorrélation positive.
- Cependant, les données brutes d'initialisation et de lecture de Google (readout_raw_data.tar) ne montrent pas de variations temporelles similaires.
- Les auteurs concluent que cette instabilité provient probablement des portes appliquées pendant les cycles de circuit plutôt que de variations temporelles dans la préparation de l'état ou les erreurs de lecture.
Anticoncentration :
L'étude note que les données expérimentales de Google présentent un manque d'anticoncentration (valeurs élevées du paramètre $c$ dans $\sum p(x)^2 = c/2^n$ ) plus marqué que prévu par le modèle de bruit de Google. Cet effet n'est pas attribué au biais de lecture asymétrique spécifique ( $q_{1\to0} > q_{0\to1}$ ) prédit par Fefferman et al., car les données ne montrent pas le biais correspondant vers les zéros.

Signification et Revendications
L'article affirme fournir un test statistique rigoureux de la prédiction théorique selon laquelle les erreurs de porte non unitaires (amortissement d'amplitude) se manifestent comme un type spécifique d'erreur de lecture asymétrique dans l'échantillonnage de circuits aléatoires.

Réfutation de l'Effet Observé : La revendication principale est que, bien que le mécanisme théorique de Fefferman et al. soit plausible, il n'est pas constaté dans les données de suprématie de Google 2019 ou les exécutions suivantes. L'asymétrie observée dans les données est entièrement expliquée par les erreurs de lecture rapportées, sans contribution supplémentaire d'un biais de porte vers le '0'.
Extension Méthodologique : Le papier étend avec succès l'analyse de Fourier-Walsh et les techniques de MLE au modèle de bruit asymétrique à 3 paramètres, fournissant un cadre pour l'analyse future des données NISQ.
Simulation vs Réalité : L'étude met en évidence une divergence entre le matériel réel (Google) et certains simulateurs (IBM Fake Guadalupe), où ce dernier semble présenter l'inflation des erreurs « effectives » prédite par la théorie, alors que le premier ne le fait pas.

Les auteurs maintiennent un ton modeste, notant que bien que l'effet spécifique de l'asymétrie induite par les portes n'ait pas été trouvé dans les données de Google, des échantillons et des simulations supplémentaires sont nécessaires pour une compréhension complète, compte tenu notamment de la nature peu concluante des données du simulateur de Google et des instabilités temporelles observées dans les cycles de portes.

Articles similaires