Same Spectrum, Harder First-Order Training: Phase-Locking in Single- versus Multi-Qubit Re-Uploading Circuits
Bien que les circuits de réinjection à un seul qubit puissent représenter la même série de Fourier que les circuits à plusieurs qubits avec un budget d'encodage équivalent, ils souffrent d'un phénomène de « verrouillage de phase » qui restreint sévèrement la dimension de leur espace tangent, entraînant un entraînement du premier ordre nettement plus difficile et des taux de convergence plus faibles par rapport aux contrôles multi-qubits plus larges.
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 le domaine émergent de l'informatique quantique, les chercheurs apprennent à exploiter les lois étranges de la physique qui régissent le monde subatomique pour résoudre des problèmes trop complexes pour les superordinateurs actuels. Un outil central de cet effort est le circuit quantique variationnel, un type d'algorithme conçu pour apprendre des modèles à partir de données, de la même manière qu'un réseau de neurones, mais en utilisant des bits quantiques, ou qubits, à la place des bits classiques. Ces circuits fonctionnent en encodant l'information dans les angles de rotation appliqués aux qubits, transformant ainsi la machine en un moteur mathématique sophistiqué capable d'approximer des courbes complexes. Pour des données unidimensionnelles simples, les scientifiques savent depuis longtemps qu'ils peuvent échanger le nombre de qubits utilisés contre le nombre d'étapes effectuées. En d'autres termes, une machine dotée d'un seul qubit qui fonctionne pendant longtemps peut, en théorie, produire exactement les mêmes résultats qu'une machine dotée de nombreux qubits qui fonctionne pendant peu de temps. Cette flexibilité suggère que la construction de dispositifs quantiques plus petits et plus simples pourrait être tout aussi puissante que la construction de dispositifs plus grands et plus complexes, à condition que les plus petits soient suffisamment profonds.
Cependant, une nouvelle étude menée par des chercheurs de l'Université de Munich et d'Aqarios GmbH révèle que cette équivalence théorique s'effondre lorsqu'il s'agit du processus réel d'apprentissage de ces machines. Bien qu'un circuit à un seul qubit puisse représenter les mêmes fonctions mathématiques qu'un circuit à deux qubits, il est nettement plus difficile d'enseigner à la version à un seul qubit comment trouver la solution correcte. Les chercheurs ont découvert que la machine à un seul qubit souffre d'une limitation structurelle qu'ils appellent le « verrouillage de phase » (phase-locking). Comme l'état d'un qubit unique est confiné à la surface d'une sphère, chaque ajustement effectué sur ses paramètres déplace le système selon une direction unique et partagée. Cette contrainte signifie que la machine n'a pas d'espace supplémentaire pour manœuvrer ; elle est forcée de marcher sur une corde raide où chaque pas doit être parfaitement aligné pour modifier la sortie. En revanche, une machine à deux qubits possède un espace d'états beaucoup plus vaste, permettant à ses paramètres de se déplacer dans plusieurs directions indépendantes simultanément. Cette liberté supplémentaire offre un filet de sécurité, rendant l'algorithme d'apprentissage bien plus apte à naviguer dans le paysage complexe des erreurs et à trouver la solution optimale.
Pour tester cela, l'équipe a mis en place une expérience contrôlée comparant trois conceptions de circuits différentes. Ils ont utilisé un circuit « sériel » avec un seul qubit et une longue chaîne d'opérations, et l'ont comparé à des circuits à deux qubits possédant la même capacité totale d'encodage d'informations. Ils ont entraîné ces machines sur une variété de cibles mathématiques, allant de courbes lisses et prévisibles à des ensembles de données réelles complexes comme les relevés de températures mensuelles et les cours boursiers quotidiens. Les résultats sont frappants. En utilisant des méthodes d'entraînement standard reposant sur le calcul de gradients, le circuit à un seul qubit a échoué à atteindre la meilleure solution possible dans la grande majorité des tentatives, en particulier à mesure que la complexité du problème augmentait. Dans un test avec un budget d'encodage élevé, le circuit à un seul qubit n'a réussi que trois fois sur cent tentatives, tandis que le témoin à deux qubits a réussi quatre-vingt-dix-neuf fois. Même lorsque les chercheurs ont fait correspondre le nombre de paramètres ajustables pour assurer une comparaison équitable, la machine à un seul qubit est restée systématiquement en retrait, produisant souvent des prédictions nettement moins précises que celles de son homologue à deux qubits.
Les chercheurs ont exploré si cette difficulté était simplement due au fait que l'algorithme d'entraînement restait bloqué dans une mauvaise position de départ ou qu'il luttait contre un paysage mathématique mal conditionné. Ils ont découvert que, bien que le circuit à un seul qubit ait souvent rencontré des conditions mathématiques difficiles pendant l'entraînement, le problème allait plus loin qu'une simple question de malchance ou d'un mauvais départ. Lorsqu'ils ont utilisé une méthode d'entraînement de second ordre plus puissante, moins sensible à ces obstacles mathématiques, l'écart entre les deux conceptions s'est réduit mais ne s'est pas réduit. La machine à un seul qubit n'a toujours pas réussi à converger dans de nombreux cas où la machine à deux qubits a réussi. Cela suggère que la limitation n'est pas seulement un obstacle temporaire qu'un meilleur algorithme pourrait surmonter, mais un désavantage structurel fondamental. La machine à un seul qubit manque simplement les degrés de liberté supplémentaires nécessaires pour explorer efficacement l'espace des solutions, la laissant sans directions de secours pour corriger sa trajectoire lorsqu'elle s'en écarte.
Cette découverte a des implications importantes pour l'avenir de l'apprentissage automatique quantique. Elle suggère que, bien que la construction de petits dispositifs à un seul qubit puisse sembler être un raccourci attrayant pour éviter les défis d'ingénierie liés à la gestion de plusieurs qubits, cela peut se faire au prix d'une performance réduite. L'étude indique que pour les données unidimensionnelles, la complexité supplémentaire de l'ajout d'un second qubit n'est pas seulement un luxe, mais une nécessité pour un entraînement fiable. Le système à deux qubits, grâce à sa capacité à se déplacer dans plusieurs directions à la fois, offre la robustesse nécessaire pour trouver systématiquement la meilleure solution. Bien que les chercheurs n'aient pas testé tous les scénarios possibles, leurs simulations sur des ensembles de données réelles ont confirmé que l'approche à un seul qubit conduit souvent à des erreurs de prédiction plus élevées. En fin de compte, ce travail démontre que dans le domaine quantique, avoir plus d'espace pour bouger ne concerne pas seulement le fait d'avoir plus d'espace ; il s'agit d'avoir la liberté de trouver le bon chemin dans un paysage qui, autrement, serait impossible à naviguer.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.