Spiking neural networks for streaming qubit readout

Les ordinateurs quantiques portent la promesse de résoudre des problèmes actuellement impossibles pour les superordinateurs les plus puissants, de la conception de nouveaux médicaments à la simulation de matériaux complexes. Cependant, ces machines sont incroyablement fragiles. Pour fonctionner, elles doivent être maintenues dans un état d'équilibre délicat, et le moindre dérangement peut les amener à perdre leur information. Pour maintenir un ordinateur quantique en fonctionnement, les scientifiques doivent constamment vérifier l'état de ses composants individuels, appelés qubits, et effectuer des ajustements rapides basés sur ce qu'ils trouvent. Ce processus de vérification, ou de « lecture », de l'état d'un qubit n'est pas seulement une étape finale ; c'est une conversation continue et à enjeux élevés entre la machine et le scientifique. Si la lecture est trop lente ou imprécise, l'ordinateur ne peut pas corriger ses erreurs à temps, et le calcul échoue. Pendant des années, les scientifiques se sont appuyés sur des méthodes standards pour interpréter ces signaux, mais à mesure que les machines quantiques deviennent plus grandes et plus complexes, ces anciens outils deviennent trop lents et trop rigides pour gérer la nature désordonnée et en temps réel des données.

Une équipe de chercheurs a maintenant introduit une nouvelle façon d'écouter ces signaux quantiques, en utilisant un type de cerveau informatique inspiré du système nerveux humain. Au lieu d'attendre qu'une mesure entière soit terminée avant de prendre une décision, leur nouveau système écoute le signal à mesure qu'il arrive, mettant à jour sa compréhension instant après instant. Cette approche, qui utilise des réseaux de neurones à impulsions (spiking neural networks), permet à l'ordinateur de prendre des décisions beaucoup plus rapidement qu'auparavant, permettant potentiellement les corrections rapides nécessaires pour l'informatique quantique à grande échelle. Les chercheurs ont testé cette méthode sur un petit processeur quantique de cinq qubits et ont constaté qu'elle pouvait identifier l'état des qubits avec une grande précision, égalant les performances de systèmes beaucoup plus grands et plus lents, tout en opérant en temps réel.

Le défi commence par la manière dont les ordinateurs quantiques sont mesurés. Dans les processeurs quantiques supraconducteurs utilisés par de nombreux chercheurs, l'information est lue en envoyant des signaux micro-ondes à travers la machine. Lorsqu'un qubit est dans un état ou un autre, il déplace légèrement la fréquence de ces signaux. Dans les configurations modernes, les scientifiques mesurent souvent de nombreux qubits à la fois en envoyant différentes fréquences dans un seul fil, une technique appelée multiplexage fréquentiel. Bien qu'efficace, cela crée un signal complexe qui est un mélange des réponses de tous les qubits. Le signal n'est pas une ligne propre et simple ; c'est une trace bruitée et fluctuante qui peut être déformée par l'interaction des qubits entre eux ou par le changement d'état des qubits pendant que la mesure a lieu. Traditionnellement, les scientifiques ont utilisé une méthode appelée filtrage adapté (matched filtering) pour interpréter ces traces. Cette méthode fonctionne en comparant le signal entrant à un modèle parfait et précalculé de ce à quoi le signal devrait ressembler. Cependant, cette approche présente un défaut majeur : elle nécessite que l'ensemble de la mesure soit enregistré avant que toute analyse ne puisse commencer. Elle traite le signal comme une image statique, ignorant le fait que le signal change au fil du temps et que des indices importants peuvent apparaître tôt dans la mesure puis disparaître.

Pour surmonter cette limitation, les chercheurs se sont tournés vers un autre type d'intelligence artificielle connu sous le nom de réseau de neurones à impulsions. Contrairement aux réseaux de neurones artificiels standards, qui traitent les données sous forme de flux continus et ne produisent une réponse qu'après avoir vu l'intégralité de l'entrée, les réseaux de neurones à impulsions sont conçus pour gérer l'information à mesure qu'elle arrive, tout comme les neurones du cerveau émettent des impulsions en réponse à des événements spécifiques. Dans ce nouveau système, le signal micro-onde entrant est découpé en minuscules tranches temporelles, chacune durant seulement 100 nanosecondes. À mesure que chaque tranche arrive, le réseau la traite immédiatement, mettant à jour sa mémoire interne et son hypothèse sur l'état du qubit. Il n'attend pas que la mesure complète soit terminée. Cela permet au système de commencer à prendre une décision presque dès le début de la mesure, plutôt que d'attendre la toute fin. Les chercheurs ont construit ce système pour qu'il fonctionne sur un matériel spécialisé appelé circuit logique programmable (FPGA), qui est un type de puce couramment utilisé dans les systèmes de contrôle quantique car il peut effectuer des calculs avec un délai extrêmement faible.

L'équipe a testé sa nouvelle méthode sur un processeur quantique à cinq qubits, un banc d'essai petit mais réaliste qui inclut toutes les complications d'une machine plus grande, telles que le bruit et les interférences entre les qubits. Ils ont comparé leur réseau de neurones à impulsions à la méthode traditionnelle du filtrage adapté et à un réseau de neurones artificiels standard qui attend l'intégralité des données avant de décider. Les résultats ont montré que le réseau de neurones à impulsions était très efficace. Il a atteint une précision presque identique à celle du réseau neuronal standard beaucoup plus grand, qui avait accès à toutes les données à la fois, mais il l'a fait tout en traitant les données en temps réel. La méthode traditionnelle du filtrage adapté, qui est la norme actuelle, était moins précise, particulièrement lorsque les qubits interagissaient entre eux ou lorsque le signal était bruité. Le nouveau système a été capable de repérer ces motifs complexes et de les corriger, réduisant les erreurs qui surviennent lorsqu'une mesure de qubit est confondue par l'état d'un autre.

L'une des découvertes les plus significatives fut la capacité de contrôler le moment où le système prend sa décision. Parce que le réseau met à jour son hypothèse après chaque minuscule tranche de temps, les chercheurs ont pu l'entraîner pour qu'il soit assez confiant pour s'arrêter plus tôt si le signal est clair, ou pour attendre plus longtemps si le signal est ambigu. Ils ont découvert qu'en ajustant l'entraînement, ils pouvaient obtenir une lecture très précise après seulement 600 nanosecondes de mesure, ce qui est une partie significative du temps total, sans sacrifier la précision du résultat final. Cette flexibilité est cruciale pour la correction d'erreurs quantiques, où le système doit décider rapidement s'il doit appliquer une correction ou attendre plus d'informations. Les chercheurs ont également démontré qu'ils pouvaient faire fonctionner ce système complexe sur un matériel utilisant des nombres simplifiés, une technique appelée quantification, sans perdre beaucoup de précision. Cela est vital car cela signifie que le système peut fonctionner sur les ressources limitées du contrôleur d'un véritable ordinateur quantique sans nécessiter des quantités massives de puissance ou de mémoire.

Les tests matériels ont confirmé que le système est assez rapide pour la tâche. Les chercheurs ont calculé que la puce peut traiter chaque tranche de données de 100 nanosecondes en environ 31 à 52 nanosecondes. Cela signifie que le système termine son calcul et met à jour sa décision bien avant l'arrivée de la tranche de données suivante. Cette vitesse est essentielle pour une lecture en flux continu (streaming readout), où le système doit suivre le flux d'informations sans prendre de retard. L'étude a montré que cette approche n'est pas seulement une possibilité théorique, mais une solution pratique qui peut être construite avec la technologie actuelle. En combinant la capacité d'apprendre à partir de données complexes et bruitées avec la vitesse du traitement en temps réel, le réseau de neurones à impulsions offre une nouvelle voie pour lire les ordinateurs quantiques. Il comble le fossé entre les méthodes lentes et rigides du passé et les besoins rapides et adaptatifs du futur, suggérant que la prochaine génération d'ordinateurs quantiques pourrait dépendre de ces systèmes inspirés du cerveau pour rester sur la bonne voie.