Engineered Learning Problems on Noisy Quantum Processors

Dans la course pour construire des machines capables de résoudre des problèmes hors de portée des ordinateurs d'aujourd'hui, les scientifiques explorent un domaine où les règles de la physique elles-mêmes deviennent le processeur. C'est le domaine de l'apprentissage automatique quantique, une discipline qui tente d'utiliser les comportements étranges et contre-intuitifs des particules subatomiques pour reconnaître des motifs et faire des prédictions. L'idée centrale repose sur un concept appelé « noyau » (kernel), qui est essentiellement un outil mathématique permettant de mesurer la similitude entre deux données. Dans un ordinateur classique, cet outil fonctionne en comparant les points de données de manière familière. Dans un ordinateur quantique, la donnée est d'abord traduite dans le langage de la mécanique quantique, où elle existe dans un espace complexe et de haute dimension difficile à naviguer pour les machines classiques. L'espoir est qu'en effectuant cette traduction, la machine quantique puisse trouver des connexions cachées dans les données que les méthodes classiques ne peuvent tout simplement pas voir. Cependant, une question persistante plane sur le domaine : ces dispositifs quantiques bruyants et imparfaits peuvent-ils réellement surpasser les supercalculateurs classiques les plus puissants, ou ne font-ils que lutter sous le poids de leur propre fragilité ?

Une équipe de chercheurs s'est donné pour mission de répondre à cette question en concechant un défi artificiel spécifique où un ordinateur quantique pourrait théoriquement détenir un avantage. Ils n'ont pas tenté de résoudre un problème du monde réel comme la prédiction de la météo ou le diagnostic d'une maladie, car les méthodes classiques pour ces tâches sont trop robustes et trop bien comprises. Au lieu de cela, ils ont créé un casse-tête personnalisé. Ils ont pris un ensemble standard d'images — des photos de vêtements comme des t-shirts et des robes — et ont utilisé un circuit quantique pour transformer les données sous une nouvelle forme. Ensuite, ils ont utilisé les résultats de cette transformation pour attribuer des étiquettes aux images, créant ainsi un test où les réponses « correctes » étaient définies par la perspective unique de la machine quantique elle-même. L'objectif était de voir si un ordinateur quantique pouvait prédire ces étiquettes mieux qu'un ordinateur classique tentant de résoudre le même casse-tête. Pour s'assurer que les résultats étaient authentiques et non de simples caprices liés aux particularités d'une machine spécifique, ils ont mené l'expérience sur deux processeurs quantiques différents, l'un doté de 54 qubits et l'autre de 20, et ont même testé le même problème sur différentes sections de la même puce pour voir si les résultats se maintenaient à travers différents profils de bruit.

Les chercheurs ont découvert que lorsque les circuits quantiques étaient relativement simples, la machine quantique surpassait effectivement ses rivaux classiques. Elle prédisait les étiquettes avec un haut degré de précision, tandis que les meilleurs modèles classiques peinaient à suivre. Cet écart de performance était clair et reproductible sur les différentes configurations matérielles. Cependant, à mesure que les chercheurs rendaient les circuits quantiques plus profonds et plus complexes pour traiter davantage de données, l'avantage commençait à s'estomper. Le bruit inhérent au matériel quantique actuel — les erreurs inévitables qui s'immiscent à mesure que la machine fonctionne — commençait à fausser les résultats. À un certain point, avec une profondeur de circuit équivalente à dix étapes d'un calcul spécifique, la performance de la machine quantique chutait tellement qu'elle ne pouvait plus battre les modèles classiques. L'ordinateur quantique ne gagnait plus ; il était tout aussi confus que l'ordinateur classique.

L'équipe s'est ensuite tournée vers un ensemble de techniques connues sous le nom d'atténuation d'erreurs, qui sont conçues pour nettoyer les données bruitées après l'exécution de l'expérience, en soustrayant efficacement les erreurs connues pour révéler le signal réel. Ils ont testé plusieurs méthodes, dont une qui tente de deviner quel aurait été le résultat si la machine n'avait aucun bruit, et une autre qui utilise une série d'impulsions rapides pour stabiliser les qubits. Ils ont découvert que toutes les méthodes de correction d'erreurs ne se valent pas. Une technique, qui ajustait simplement les chiffres finaux en fonction de la lecture de la machine, n'a pas aidé. Une autre méthode, qui tentait d'extrapoler le résultat sans bruit, a réussi à restaurer l'écart de performance, mais seulement en rendant le casse-tête plus difficile pour l'ordinateur classique, plutôt qu'en rendant l'ordinateur quantique nettement meilleur. La technique la plus efficace, cependant, était une méthode qui supprimait activement le bruit pendant le processus. Cette approche a non seulement restauré l'avantage de la machine quantique, mais a également amélioré sa capacité à résoudre le casse-tête, rapprochant sa performance de ce qu'une machine parfaite et sans bruit accomplirait.

Malgré ces succès, les chercheurs ont pris soin de préciser ce que leur travail ne prouvait pas. Ils ont démontré que le matériel quantique peut surpasser les modèles d'apprentissage automatique classiques sur une tâche spécifique et ingénierée, mais ils ont également montré que cet avantage n'est pas absolu. Lorsqu'ils ont simulé le processus quantique à l'aide d'un puissant algorithme classique connu sous le nom d'état de produit matriciel (matrix product state), conçu pour imiter les systèmes quantiques, la simulation classique a obtenu des résultats tout aussi bons que le matériel quantique bruyant. Cela suggère que l'avantage quantique actuel est fragile et dépend fortement du type de problème et du niveau de bruit. La simulation classique a pu suivre le rythme car les circuits quantiques utilisés dans l'expérience n'étaient pas assez complexes pour briser les limites de l'informatique classique. Les chercheurs ont conclu que, bien qu'ils aient montré une voie où les machines quantiques peuvent gagner, l'objectif ultime de battre les meilleures méthodes de simulation classique reste un obstacle majeur. La voie à suivre consiste à concevoir des problèmes qui ne sont pas seulement difficiles à simuler pour les ordinateurs classiques, mais impossibles à imiter pour eux, même avec les algorithmes les plus avancés d'aujourd'hui.

L'étude sert de carte réaliste du paysage actuel de l'informatique quantique. Elle confirme que les machines quantiques peuvent faire des choses que les machines classiques ne peuvent pas faire, mais seulement sous des conditions soigneusement contrôlées et avec l'aide de la correction d'erreurs. Elle souligne également que le domaine est encore dans une phase où le « bruit » de la machine est souvent le facteur décisif entre la victoire et la défaite. En montrant que différentes techniques d'atténuation d'erreurs ont des effets très différents, ce travail fournit une feuille de route pour les expériences futures, suggérant que l'exécution d'un algorithme quantique ne suffit pas ; il faut également choisir les bons outils pour nettoyer le désordre que la machine produit. Les chercheurs n'ont pas prétendu avoir résolu le problème de l'avantage quantique, mais ils ont apporté la preuve solide que c'est un objectif réalisable, à condition que les problèmes soient choisis avec suffisamment de soin pour déjouer les simulations classiques qui constituent actuellement le plus grand obstacle.