Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor

Dans le monde de l'informatique moderne, certains problèmes sont si vastes que vérifier chaque réponse possible prendrait plus de temps que l'âge de l'univers. On les appelle des problèmes d'optimisation combinatoire, où un ordinateur doit trouver la meilleure disposition parmi un nombre vertigineux d'options. Un exemple classique est le problème de la « coupe maximale » (maximum cut) : imaginez un réseau de villes reliées par des routes, où chaque route possède un poids représentant son importance. L'objectif est de diviser les villes en deux groupes de manière à ce que le poids total des routes reliant ces deux groupes soit le plus élevé possible. Cette tâche est notoirement difficile pour les ordinateurs classiques, qui doivent souvent compter sur des raccourcis ingénieux plutôt que sur des solutions parfaites.

Les ordinateurs quantiques ont été proposés comme une nouvelle façon de relever ces défis. Contrairement aux machines classiques qui traitent l'information sous forme de bits de zéro ou de un, les machines quantiques utilisent des qubits qui peuvent exister dans des états complexes de zéro et de un simultanément. Cependant, les ordinateurs quantiques actuels sont imparfaits. Ils sont bruyants, ce qui signifie que leurs calculs sont facilement perturbés par l'environnement, et ils ne peuvent fonctionner que pendant une courte période avant que les erreurs ne s'accumulent. En raison de ces limitations, les scientifiques utilisent une méthode appelée algorithmes quantiques variationnels. Dans cette approche, un ordinateur quantique exécute un circuit spécifique, mesure le résultat, et un ordinateur classique ajuste les paramètres du circuit pour tenter de trouver une meilleure réponse. Le processus se répète, dans l'espoir de grimper vers la meilleure solution possible.

Une étude récente d'Achraf Boussahi aborde une faille critique dans la conception actuelle de ces expériences quantiques. La recherche se concentre sur une technique spécifique appelée encodage de corrélation de Pauli, qui permet à un ordinateur quantique de résoudre des problèmes avec de nombreuses variables en utilisant beaucoup moins de qubits que d'habitude. La manière standard d'entraîner ces circuits implique un paramètre de « netteté » (sharpness) mathématique qui contrôle la précision avec laquelle l'ordinateur imite le problème réel. Les recherches précédentes suggéraient que rendre ce paramètre aussi net que possible menait toujours à de meilleurs résultats, mais ces expériences ont été menées dans des simulations parfaites et sans bruit. Le travail de Boussahi révèle que cette hypothèse s'effondre lorsqu'on réalise l'expérience sur une machine réelle et imparfaite. En effectuant des tests sur un véritable processeur quantique, l'étude démontre que les meilleurs réglages pour une simulation parfaite sont souvent les pires réglages pour un dispositif réel, et elle fournit une nouvelle règle pour accorder ces machines afin qu'elles fonctionnent efficacement dans le monde réel.

Le cœur du problème réside dans la façon dont les ordinateurs quantiques mesurent leurs réponses. Pour obtenir un résultat, la machine doit exécuter son calcul de nombreuses fois, un processus appelé prise de « coups » (shots). Chaque coup produit un résultat légèrement différent dû au bruit statistique, un peu comme si l'on lançait une pièce de monnaie de nombreuses fois pour voir si elle est équilibrée. Plus le nombre de coups est élevé, plus la véritable réponse devient claire. Les chercheurs ont découvert que le paramètre de « netteté » utilisé pour entraîner le circuit quantique est secrètement lié à ce nombre de coups. Si la netteté est réglée trop haut, le circuit tente de trouver une solution qui nécessite plus de coups que la machine ne peut raisonnablement en fournir. Dans une simulation parfaite, où il n'y a pas de limite de coups, un réglage très net fonctionne bien car l'ordinateur peut résoudre des détails infimes. Mais sur un dispositif réel avec un nombre limité de coups, un réglage trop net force l'ordinateur à deviner le signe de ses réponses en se basant sur le bruit, ce qui conduit à des résultats aléatoires et inutiles.

Pour prouver cela, l'équipe a entraîné des circuits quantiques sur cinq graphes complexes différents, chacun possédant 800 variables, en utilisant un processeur quantique de seulement 13 qubits. Ils ont comparé les anciens programmes d'entraînement agressifs contre un nouveau programme « conscient des coups » (shot-aware) qui ajustait la netteté en fonction du nombre de coups réellement disponibles. Les résultats ont été frappants. Sur le processeur quantique réel, les anciens programmes ont mal performé, échouant souvent à faire mieux qu'un choix aléatoire. En revanche, le nouveau programme, qui était accordé aux limites spécifiques de la machine, a systématiquement surpassé toutes les méthodes publiées. Sur 150 comparaisons directes à travers différents graphes et nombres de coups, la nouvelle méthode a gagné à chaque fois. Elle a réussi à trouver des solutions nettement plus proches de la meilleure réponse possible, conservant jusqu'à 91,9 % de la valeur de la coupe optimale, alors que les meilleures méthodes précédentes s'effondraient dans l'aléatoire.

L'étude a également mis en lumière comment le bruit physique de la machine affecte le calcul. Les chercheurs ont découvert que le bruit du processeur agit comme un variateur de lumière (dimmer switch), réduisant la force des signaux que l'ordinateur lit. Cet effet est mathématiquement équivalent à avoir moins de coups que ceux réellement effectués. En mesurant cet effet de diminution sur la machine spécifique qu'ils ont utilisée, ils ont pu prédire exactement comment ajuster le paramètre de netteté pour compenser. Ils ont développé une règle simple : régler la netteté en fonction du nombre de coups et du niveau de bruit mesuré. Lorsqu'ils ont testé cette règle sur un nouveau graphe avant même de lancer l'expérience, leurs prédictions du résultat final étaient exactes à une fraction infime de pourcentage près. Cette capacité à prédire la performance avant d'exécuter le code est une étape majeure pour l'utilisation pratique des ordinateurs quantiques.

Une autre découverte cruciale concernait la conception même du circuit quantique. Les meilleurs résultats de la littérature existante provenaient de circuits qui connectaient chaque qubit à tous les autres, une conception qui fonctionne bien sur des machines dotées d'une connectivité parfaite. Cependant, le processeur quantique réel utilisé dans cette étude possède une configuration spécifique où les qubits ne sont connectés qu'à leurs voisins immédiats. Lorsque les chercheurs ont tenté d'exécuter la conception « tout-à-tous » (all-to-all) sur cette machine, l'ordinateur a dû déplacer les données en utilisant des portes supplémentaires, ce qui a introduit tellement de bruit que la réponse finale n'était pas meilleure qu'un choix aléatoire. En passant à une conception en « briques » (brickwork) qui correspondait à la disposition naturelle de la machine, ils ont évité ces étapes supplémentaires. Ce circuit natif du matériel, combiné au nouvel entraînement conscient des coups, leur a permis de conserver la force de leur signal et de délivrer des résultats de haute qualité.

La recherche conclut que pour que l'optimisation quantique fonctionne sur le matériel actuel, les scientifiques doivent cesser de traiter la machine comme un simulateur parfait et commencer à la traiter comme un dispositif bruyant et limité en coups. L'ancienne stratégie consistant à viser une netteté maximale est contre-productive dans le monde réel. Au lieu de cela, la clé est d'accorder le programme d'entraînement aux contraintes spécifiques du matériel : le nombre de coups disponibles et le niveau de bruit présent. Ce faisant, les chercheurs peuvent extraire des solutions significatives de ces machines imparfaites d'aujourd'hui. L'étude n'a utilisé que quelques minutes de temps de calcul quantique réel pour parvenir à ces conclusions, ce qui suggère qu'avec le bon réglage, ces dispositifs sont déjà capables de résoudre des problèmes complexes mieux qu'on ne le pensait, à condition de cesser de leur demander l'impossible et de commencer à leur demander ce qu'ils peuvent réellement faire.