Machine learning quantum data to accelerate quantum Monte Carlo

Dans le monde microscopique des molécules et des matériaux, le comportement des électrons est souvent un enchevêtrement chaotique. Lorsque les électrons interagissent fortement entre eux, ils refusent d'agir de manière indépendante, créant des motifs complexes qui déterminent si un matériau conduit l'électricité, devient un supraconducteur ou catalyse une réaction chimique. Prédire ces comportements est l'un des défis les plus difficiles de la science moderne. Les ordinateurs classiques, qui alimentent tout, des smartphones aux supercalculateurs, luttent intensément contre cette tâche car le nombre de configurations électroniques possibles croît si rapidement qu'il submerge rapidement même les machines les plus puissantes. Les ordinateurs quantiques, qui utilisent les lois étranges de la physique pour traiter l'information, offrent une voie différente. Ils peuvent représenter naturellement ces états électroniques emmêlés, mais ils sont actuellement sujets aux erreurs et ne peuvent contenir qu'une quantité limitée d'informations à la fois. Pour combler ce fossé, les scientifiques ont développé une approche hybride : utiliser un ordinateur quantique pour préparer une esquisse grossière de la configuration électronique, puis utiliser un ordinateur classique pour affiner cette esquisse en une réponse précise. Cette méthode, connue sous le nom de Monte Carlo quantique, a montré un grand potentiel, mais elle s'est heurtée à un mur. Le processus de traduction des données brutes de l'ordinateur quantique en une forme utilisable par l'ordinateur classique est si lent et coûteux qu'il a limité ces expériences à de très petits systèmes, empêchant les scientifiques de s'attaquer aux molécules plus grandes et plus intéressantes qui comptent le plus.

Une équipe de chercheurs a maintenant brisé cette barrière en apprenant à un modèle d'apprentissage automatique à lire directement les données de l'ordinateur quantique, contournant ainsi le besoin de calculs répétitifs et lents. Dans une étude récente, ils ont démontré que cette nouvelle approche peut accélérer l'ensemble du processus par des milliers de fois, permettant de simuler des systèmes allant jusqu'à 40 qubits — une échelle plus du double de ce qui était possible auparavant avec une précision comparable. L'équipe, travaillant avec le processeur quantique Willow de Google, a testé sa méthode sur deux défis très différents : de longues chaînes d'atomes d'hydrogène et des clusters fer-soufre complexes présents dans les systèmes biologiques. Dans les deux cas, le modèle d'apprentissage automatique a réussi à prédire les chevauchements quantiques nécessaires à partir d'un ensemble compressé de mesures, agissant efficacement comme un traducteur rapide et intelligent entre les mondes quantique et classique. Les résultats n'étaient pas seulement plus rapides ; ils étaient assez précis pour atteindre la « précision chimique », l'étalon-or pour prédire le comportement des molécules, un jalon qui était resté hors de portée pour ces systèmes plus larges.

Le cœur du problème que les chercheurs ont résolu réside dans la manière dont les algorithmes quantiques hybrides opèrent actuellement. Dans une configuration typique, un processeur quantique prépare une fonction d'onde d'essai, qui est une description mathématique de la façon dont les électrons sont susceptibles d'être disposés. Pour affiner cette description, un ordinateur classique exécute une simulation appelée Monte Carlo quantique, qui implique des millions d'étapes où le système est légèrement modifié et vérifié. À chaque étape, l'ordinateur classique doit savoir à quel point l'état actuel correspond à la fonction d'onde d'essai du processeur quantique. Traditionnellement, cela nécessite que l'ordinateur classique traite à nouveau les données brutes de la machine quantique pour chaque étape de la simulation. À mesure que le système s'agrandit, la quantité de données explose, et le temps requis pour les traiter devient prohibitif. Dans les expériences précédentes, ce goulot d'étranglement signifiait que la simulation d'un système de seulement 16 qubits nécessitait plus de 13 000 heures de temps de calcul sur de puissants processeurs graphiques. L'extrapolation de cela à un système de 40 qubits suggérait qu'il faudrait des millions d'heures, rendant de tels calculs pratiquement impossibles.

Pour surmonter cela, les chercheurs ont entièrement changé le flux de travail. Au lieu de retraiter les données brutes des millions de fois, ils ont collecté un grand lot de mesures aléatoires provenant du processeur quantique une seule fois. Ils ont ensuite utilisé ces données pour entraîner un modèle d'apprentissage automatique, un type d'intelligence artificielle capable d'apprendre des modèles à partir d'exemples. Ce modèle a appris à prédire les valeurs spécifiques dont la simulation classique avait besoin, compressant efficacement la vaste quantité de données quantiques en un programme compact et rapide. Une fois entraîné, ce modèle pouvait fournir l'information nécessaire à la simulation classique presque instantanément, sans jamais avoir besoin de regarder à nouveau les données quantiques originales. Les chercheurs ont comparé cela à l'apprentissage d'une langue : au lieu de traduire un livre mot à mot chaque fois que vous avez besoin d'une phrase, vous apprenez la grammaire et le vocabulaire une fois pour toutes, ce qui vous permet de parler couramment et instantanément par la suite.

L'équipe a mis cette méthode à l'épreuve sur le processeur Willow de Google, un dispositif doté de plus de cent qubits et de capacités de mesure à haute vitesse. Ils ont d'abord abordé les chaînes d'hydrogène, un test de référence standard pour tester la capacité d'une méthode à gérer l'augmentation de la complexité. En faisant varier la longueur de la chaîne, ils ont pu simuler des systèmes allant de 8 à 40 qubits. Dans ces tests, l'approche d'apprentissage automatique a produit des résultats qui étaient chimiquement précis, ce qui signifie que les niveaux d'énergie prédits se situaient dans une marge d'erreur infime requise pour la chimie réelle. Plus important encore, l'accélération a été spectaculaire. Pour un système de 16 qubits, la nouvelle méthode était 4 100 fois plus rapide que l'approche traditionnelle. Pour le système de 40 qubits, la méthode traditionnelle aurait été trop coûteuse pour être exécutée, elle n'a donc même pas été tentée, mais la nouvelle méthode l'a rendue réalisable, complétant le calcul en une fraction du temps.

Les chercheurs sont ensuite passés à un problème beaucoup plus difficile : un cluster fer-soufre, un type de molécule crucial pour les processus biologiques comme le transfert d'électrons et la catalyse. Ces molécules sont notoirement difficiles à simuler car leurs électrons sont hautement corrélés et existent dans de nombreux états énergétiques presque identiques. Les tentatives précédentes de simulation de ces systèmes à l'aide de méthodes classiques ou de premières techniques quantiques avaient peiné à atteindre le niveau de précision nécessaire. En utilisant leur cadre d'apprentissage automatique, l'équipe a réussi à simuler le cluster fer-soufre dans des espaces actifs de 28 et 40 qubits. Ils ont constaté que leur approche guidée par le quantique pouvait atteindre la précision chimique même lorsque le matériel quantique était bruité, un problème courant avec les dispositifs actuels. Le modèle d'apprentissage automatique était suffisamment robuste pour filtrer le bruit et extraire le signal physique correct, prouvant que la méthode fonctionne même lorsque les données quantiques sous-jacentes sont imparfaites.

Une intuition clé de ce travail est que le modèle d'apprentissage automatique n'avait pas besoin de reconstruire l'état quantique entier, ce qui serait trop complexe. Au lieu de cela, il devait seulement apprendre les chevauchements spécifiques — les relations mathématiques entre l'état quantique et les configurations utilisées dans la simulation. En se concentrant sur ces relations spécifiques, le modèle est resté simple et efficace. Les chercheurs ont également démontré qu'ils pouvaient partir d'une estimation classique approximative puis utiliser les données quantiques pour l'affiner, ou même partir de zéro et laisser les données quantiques enseigner au modèle tout ce dont il avait besoin. Dans le cas du cluster fer-soufre, ils ont montré qu'un modèle entraîné sur des données quantiques surpassait les méthodes classiques optimisées pour la même tâche, soulignant la valeur unique de l'apprentissage direct à partir du matériel quantique.

Les implications de ce travail dépassent la simple question de ces molécules spécifiques. Le goulot d'étranglement que les chercheurs ont résolu — le traitement lent des données quantiques — est un problème fondamental qui persistera même lorsque les ordinateurs quantiques deviendront plus puissants et sans erreur. En montrant que l'apprentissage automatique peut compresser et réutiliser efficacement l'information quantique, l'équipe a fourni un plan pour la manière dont les algorithmes hybrides peuvent passer à l'échelle pour résoudre des problèmes du monde réel. Leur succès avec 40 qubits suggère que le chemin vers la simulation de matériaux complexes et la conception de nouveaux médicaments n'est plus bloqué par le coût de calcul. L'étude prouve qu'avec l'interface appropriée entre le calcul quantique et classique, nous pouvons désormais accéder à une échelle de simulation qui était auparavant hors de portée, ouvrant la porte à une nouvelle ère de découverte en chimie et en science des matériaux.