Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

Dans le monde de la science moderne, les chercheurs s'appuient souvent sur des modèles mathématiques complexes pour reconstruire des images à partir de données incomplètes, comme l'assemblage d'une image claire de l'intérieur du corps humain à partir d'ombres de rayons X. Ces modèles traitent l'information sous forme de tableaux de nombres, où chaque entrée possède une valeur spécifique et un emplacement spécifique. Un domaine plus récent, l'informatique quantique, promet de manipuler ces tableaux massifs d'une manière fondamentalement différente. Au lieu de stocker des nombres dans une grille, un ordinateur quantique utilise de minuscules unités d'information appelées qubits. Ces qubits peuvent exister dans un état de superposition, ce qui signifie qu'ils peuvent détenir une combinaison de possibilités à la fois, décrite par des valeurs mathématiques appelées amplitudes. Cependant, il existe un obstacle critique : bien que ces amplitudes puissent être manipulées pour effectuer des calculs, elles ne peuvent pas être lues directement comme les entrées d'un tableur. Lorsqu'un scientifique observe le résultat, l'état quantique s'effondre en un résultat unique et aléatoire basé sur les probabilités définies par ces amplitudes. Cela crée un fossé entre les puissants calculs qu'une machine quantique peut effectuer et l'information réelle dont un humain a besoin pour l'extraire.

Une équipe de chercheurs issus d'institutions italiennes et grecques s'est donné pour mission de combler ce fossé, spécifiquement pour le domaine de l'imagerie computationnelle. Ils soutiennent que le simple fait de traduire un problème d'imagerie en un format quantique ne suffit pas ; il faut définir soigneusement ce que l'état quantique représente, comment il est mesuré et quelle est la décision finale. Dans leurs travaux, ils démontrent que la manière dont les données sont encodées dans un système quantique modifie la nature de la réponse obtenue. Ils montrent que stocker des données d'image brutes sous forme d'amplitudes est différent de l'utilisation d'amplitudes pour représenter une liste de solutions possibles à un problème. À travers une série d'exemples soigneusement construits, ils révèlent qu'un ordinateur quantique pourrait abaisser le coût moyen d'une solution sans pour autant faire de la meilleure solution possible la plus probable. Cette distinction est vitale pour quiconque espère utiliser des machines quantiques pour résoudre des problèmes d'imagerie du monde réel, car elle clarifie ce que ces dispositifs peuvent et ne peuvent pas livrer.

Les chercheurs ont commencé par examiner deux manières très différentes d'utiliser un ordinateur quantique pour une tâche d'imagerie. Dans la première approche, connue sous le nom de codage par amplitude, les valeurs de luminosité réelles des pixels d'une image sont stockées directement dans les amplitudes d'un état quantique. Si vous avez quatre pixels, vous pourriez utiliser deux qubits pour détenir leurs valeurs. Cependant, lorsque vous mesurez ce système, vous n'obtenez pas les valeurs des pixels. Au lieu de cela, vous obtenez un emplacement unique, choisi au hasard, où la probabilité de choisir cet emplacement dépend de la luminosité du pixel. L'échelle originale de l'image est perdue dans le processus, et l'information de phase complexe qui pourrait être cruciale pour la reconstruction est cachée. Dans la seconde approche, que l'équipe privilégie pour les problèmes d'optimisation, les qubits ne stockent pas les données de l'image elle-même. Au lieu de cela, ils représentent une solution candidate complète, telle qu'une manière spécifique de labelliser chaque pixel comme étant soit un arrière-plan, soit un premier plan. Ici, les amplitudes représentent la probabilité que l'ensemble de ce marquage soit la bonne réponse. Ce subtil changement de ce que représente l'état quantique change tout dans la manière dont les résultats sont interprétés.

Pour tester ces idées, l'équipe a construit un scénario petit et concret impliquant une image de quatre pixels devant être segmentée, ou divisée, en deux régions. Ils ont défini un objectif mathématique qui récompensait la correspondance entre la luminosité du pixel et un seuil, et pénalisait le fait d'avoir des étiquettes différentes sur des pixels voisins. Cela a créé un paysage de solutions possibles, chacune ayant une « énergie » ou un coût spécifique. Ils ont ensuite utilisé un algorithme quantique, connu sous le nom d'Algorithme d'Optimisation Approximative Quantique (QAOA), pour chercher le meilleur marquage. Cet algorithme fonctionne en préparant un état quantique, en appliquant une série d'opérations qui tordent les amplitudes en fonction du coût de chaque solution, puis en les mélangeant pour créer une interférence. Le but est de faire en sorte que la meilleure solution apparaisse plus souvent que les autres.

Les résultats de leur simulation ont révélé une vérité contre-intuitive. Après avoir exécuté l'algorithme, le coût moyen des solutions produites par l'ordinateur quantique a chuté de manière significative, passant d'une valeur initiale de 1,675 à 0,686. Cela suggérait que la machine trouvait avec succès de meilleures solutions que le choix aléatoire. Cependant, lorsque les chercheurs ont examiné les solutions spécifiques qui apparaissaient le plus fréquemment, ils ont constaté que le meilleur marquage possible, qui avait le coût le plus bas de 0,375, n'était pas le résultat le plus courant. Au lieu de cela, une solution légèrement moins bonne, avec un coût de 0,675, apparaissait plus souvent. L'interférence quantique qui a aidé à abaisser l'énergie moyenne a en fait favorisé la probabilité d'une réponse sous-optimale par rapport à la réponse parfaite. Cette découverte remet en question l'hypothèse selon laquelle l'abaissement de l'énergie moyenne d'un système rend automatiquement la solution optimale la plus probable à observer.

L'équipe a approfondi cette exploration en examinant des mesures réelles provenant de matériel quantique existant, spécifiquement des dispositifs fournis par IBM et IQM. Ils ont analysé une tâche légèrement plus grande impliquant six pixels, où l'objectif était de décider de l'étiquette d'une frontière spécifique entre les régions. Même avec le bruit et les imperfections du matériel réel, les données montraient une distinction claire entre la probabilité de trouver la solution parfaite globale et la probabilité d'obtenir une réponse correcte pour seulement la frontière locale. Dans certains cas, le matériel était beaucoup plus susceptible d'obtenir correctement la frontière locale que de trouver la solution globale parfaite. Cela renforce l'idée que la « meilleure » réponse dépend entièrement de la question que vous posez. Si vous avez besoin de la configuration globale absolue la plus performante, l'ordinateur quantique pourrait avoir du mal à la fournir efficacement. Si vous avez seulement besoin d'une décision locale fiable, la même machine pourrait être tout à fait efficace.

Les chercheurs ont également utilisé ces exemples pour clarifier comment les ordinateurs quantiques gèrent l'incertitude et l'information. Ils ont montré que pour apprendre une propriété cachée, telle que la phase d'une onde, on ne peut pas se fier à un seul type de mesure. Tout comme un photographe peut avoir besoin de prendre des photos avec différents angles d'éclairage pour voir la forme complète d'un objet, un scientifique quantique doit utiliser différentes configurations de mesure pour résoudre les ambiguïtés qu'une vue unique ne peut détecter. Ils ont démontré que si les mesures locales peuvent fournir des informations précises sur une petite partie d'un système, elles peuvent laisser l'image globale ambiguë. Ce n'est qu'en combinant les résultats de mesures complémentaires que l'image complète peut être reconstruite.

Enfin, l'article aborde la question de savoir si ces méthodes quantiques sont réellement plus rapides ou plus efficaces que les ordinateurs classiques. Les auteurs notent prudemment que pour les petits exemples étudiés, les ordinateurs classiques peuvent résoudre les problèmes de manière exacte et instantanée. La valeur de leur travail ne réside pas dans la revendication d'une accélération qui n'existe pas encore, mais dans l'établissement d'un cadre clair pour comparer les deux. Ils soutiennent que toute revendication d'avantage quantique doit tenir compte de l'ensemble du processus : comment les données sont chargées, comment le circuit est construit, combien de fois la machine doit être exécutée pour obtenir une réponse fiable, et comment le résultat final est décodé. Ils montrent que le coût de la préparation de l'état quantique et le nombre de tirages nécessaires pour obtenir une bonne réponse sont tout aussi importants que l'algorithme lui-même.

En conclusion, l'équipe souligne que la voie à suivre pour l'imagerie quantique n'est pas de forcer chaque problème dans un moule quantique, mais de concevoir le calcul autour de la quantité spécifique qui est réellement nécessaire. Que l'objectif soit une reconstruction d'image complète, une corrélation spécifique entre des pixels ou une simple décision sur une frontière, le résultat requis dicte la méthode. En séparant la représentation des données de la mesure et de la décision finale, les chercheurs fournissent une feuille de route aux ingénieurs et aux scientifiques pour comprendre ce qu'un ordinateur quantique peut réellement restituer. Ils montrent que si la technologie est prometteuse, le passage d'un état quantique à une réponse scientifique utile nécessite une comptabilisation rigoureuse des ressources, une définition claire de l'objectif et une attente réaliste de ce que la machine produira réellement. Ce travail sert de guide pratique, garantissant que l'enthousiasme pour l'informatique quantique soit ancré dans une compréhension précise de ses capacités et de ses limites.