Non-Markovian dissipation as a resource for quantum reservoir computing

Dans la quête de la construction d'ordinateurs qui pensent comme le cerveau humain, les scientifiques se tournent depuis longtemps vers un domaine appelé l'informatique à réservoir (reservoir computing). Imaginez un système complexe et tourbillonnant — comme de l'eau coulant dans le lit rocheux d'une rivière — qui reçoit un flux de données et le remodèle naturellement sous une nouvelle forme. Le but n'est pas de programmer chaque torsion et chaque mouvement de ce flux, mais simplement de lire le motif final et de l'utiliser pour résoudre un problème, comme prédire le mot suivant dans une phrase ou reconnaître une voix. Pour que ces systèmes fonctionnent, ils doivent avoir un moyen d'oublier le passé lointain tout en se souvenant du présent récent, une qualité connue sous le nom de mémoire fuyante. Habituellement, cet oubli est obtenu en laissant le système interagir avec son environnement selon un flux d'énergie prévisible et unidirectionnel, où l'information s'échappe et ne revient jamais. Cette approche standard fonctionne bien, mais elle traite l'environnement comme un puits passif, un lieu où les données vont pour mourir.

Une équipe de chercheurs de Milan a exploré une voie différente, se demandant ce qui se passerait si cette interaction avec l'environnement n'était pas aussi simple. Ils ont étudié un scénario où l'environnement ne se contente pas d'engloutir l'information, mais la renvoie occasionnellement dans le système, créant une sorte d'écho. Ce phénomène, connu sous le nom de dynamique non-markovienne, introduit un effet de mémoire où le passé persiste et influence le présent de manière complexe. Bien que de tels effets soient souvent considérés comme une nuisance en physique quantique, cette étude suggère qu'ils pourraient en fait être un outil puissant. En concevant délibérément ces échos de mémoire, les chercheurs ont découvert qu'ils pouvaient ajuster un système quantique pour qu'il devienne exceptionnellement doué pour traiter l'information récente, offrant ainsi une nouvelle façon de construire des ordinateurs quantiques plus rapides et plus précis pour des tâches exigeant un rappel rapide et vif.

Les chercheurs se sont concentrés sur un type spécifique d'ordinateur quantique construit à partir d'une chaîne de minuscules aimants, ou spins, disposés en ligne. Dans leur configuration, un flux de données est injecté dans cette chaîne, provoant le déplacement et l'interaction des aimants. Pour rendre le système utile, ils devaient s'assurer qu'il finirait par se stabiliser et cesser de dépendre de sa manière de démarrer, une exigence appelée propriété d'état d'écho (echo state property). Ils y sont parvenus en permettant aux aimants de perdre de l'énergie vers leur environnement, un processus appelé dissipation. Cependant, au lieu de laisser cette perte d'énergie se produire de la manière standard et prévisible, ils ont utilisé une technique mathématique pour rendre la perte « à queue épaisse » (heavy-tailed). Cela signifie que la plupart du temps, le système oublie rapidement, mais qu'il existe une probabilité significative qu'il retienne un morceau d'information pendant un temps étonnamment long avant de le lâcher. Ils ont modélisé ce comportement à l'aide d'un type spécifique de dérivée fractionnaire, un outil mathématique qui permet un ajustement continu de la quantité de mémoire que le système conserve.

Pour tester si ce comportement étrange aidait réellement l'ordinateur à penser, l'équipe a réalisé une série de simulations. Ils ont d'abord vérifié si le système restait stable, s'assurant que les échos de mémoire ne provoquaient pas le blocage de l'ordinateur dans une boucle ou la perte de sa capacité à traiter de nouvelles données. Ils ont confirmé que même avec ces effets de mémoire complexes, le système éliminait ses conditions initiales et se concentrait sur l'entrée actuelle, tout comme un ordinateur fiable le devrait. La véritable percée est survenue lorsqu'ils ont testé la capacité de la machine à se souvenir et à prédire. Ils ont demandé au système de se rappeler une donnée spécifique d'il y a quelques étapes et de prédire l'étape suivante dans une séquence complexe et non linéaire.

Les résultats ont montré un arbitrage clair que les chercheurs pouvaient contrôler. Lorsqu'ils ajustaient le système pour qu'il possède une forte mémoire non-markovienne, sa capacité à se souvenir des entrées récentes s'améliorait de façon spectaculaire. Pour les tâches nécessitant le rappel de données datant de quelques instants seulement, le système est devenu trois fois plus précis pour les tâches de mémoire linéaire et jusqu'à dix fois meilleur pour prédire des motifs non linéaires complexes par rapport à la version standard. L'environnement n'était plus seulement un lieu où les données disparaissaient ; il était devenu un participant actif, recyclant les informations passées pour aiguiser la concentration du système sur le présent immédiat. Cependant, cette amélioration de la mémoire à court terme avait un coût. La capacité du système à conserver des informations du passé lointain s'affaiblissait. La mémoire qui s'étendait autrefois loin dans le temps se concentrait désormais étroitement sur le passé récent, rendant la machine excellente pour le traitement à court terme mais moins capable de rétention à long terme.

Cette découverte suggère que la manière dont un ordinateur quantique interagit avec son environnement n'est pas seulement un détail technique à minimiser, mais une ressource qui peut être ingéniée. En concevant délibérément l'environnement pour qu'il renvoie l'information dans le système, les scientifiques peuvent créer des réservoirs quantiques spécifiquement optimisés pour des tâches exigeant des réactions rapides et précises aux événements récents. L'étude démontre qu'en ajustant la force de ces échos de mémoire, on peut déplacer les capacités de l'ordinateur, échangeant le stockage à long terme contre un éclat à court terme. Cette approche offre une nouvelle direction prometteuse pour le développement de matériel quantique capable de gérer les défis des données séquentielles du futur proche, transformant ce qui était autrefois considéré comme un défaut des systèmes quantiques en une caractéristique qui améliore leur puissance de calcul.