General Noise Channels and Mid-Circuit Measurements for Pre-Trajectory Sampling with Batched Execution
Cet article introduit une méthode de l'échantillonnage de pré-trajectoire généralisée avec exécution par lots (PTSBE) qui permet une simulation exacte et rapide de circuits quantiques bruités avec des mesures en cours de circuit et des canaux de Kraus généraux sur GPU, atteignant des accélérations allant jusqu'à 83x par rapport aux méthodes conventionnelles tout en révélant des inexactitudes significatives dans les approximations de bruit par twirling de Pauli.
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 l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Pour construire un ordinateur capable de résoudre des problèmes hors de portée des machines d'aujourd'hui, les scientifiques se tournent vers les lois étranges de la physique quantique. Ces ordinateurs quantiques utilisent de minuscules particules, comme des atomes ou des électrons, qui peuvent exister dans plusieurs états à la fois, ce qui leur permet de traiter l'information de manières que les ordinateurs classiques ne peuvent pas traiter. Cependant, ces systèmes délicats sont facilement perturbés par leur environnement, provoquant des erreurs qui corrompent le calcul. Pour y remédier, les chercheurs utilisent une technique appelée correction d'erreurs quantiques, qui vérifie constamment le système pour détecter les erreurs et les répare sans détruire l'information. Ce processus nécessite d'effectuer des milliers de mesures pour suivre ce qui se passe à l'intérieur de la machine. Pour concevoir ces systèmes et entraîner le logiciel qui les fera fonctionner à terme, les scientifiques doivent simuler la manière dont ces ordinateurs se comportent dans des conditions réalistes. Le défi est que simuler la réalité exacte et désordonnée de ces erreurs quantiques est incroyablement lent et coûteux en termes de calcul, tandis que les méthodes plus rapides disponibles reposent souvent sur des simplifications qui modifient les résultats de manière subtile mais importante.
Une équipe de chercheurs de NVIDIA, du MIT et de l'Université d'Oxford a développé une nouvelle méthode pour combler ce fossé, permettant des simulations rapides et exactes de circuits quantiques bruités. Leurs travaux se concentrent sur un type spécifique de simulation appelé échantillonnage de trajectoire, qui suit le chemin qu'un système quantique emprunte au fur et à mesure de son évolution. Par le passé, les simulateurs devaient choisir entre vitesse et précision. Les outils les plus rapides ne pouvaient gérer que des modèles de bruit simplifiés, ignorant de fait les interactions complexes et réelles qui se produisent lorsqu'un ordinateur quantique mesure son propre état en milieu de calcul. Les outils plus précis pouvaient gérer ces complexités, mais étaient si lents que la génération des ensembles de données massifs nécessaires à l'apprentissage automatique moderne était impraticable. Les chercheurs ont créé une technique appelée échantillonnage de pré-trajectoire généralisé avec exécution par lots. Cette approche leur permet de simuler le comportement exact des circuits quantiques, y compris ceux comportant des mesures en milieu de circuit et des types généraux de bruit, à des vitesses auparavant jugées impossibles pour des modèles aussi détaillés.
Le cœur de leur innovation réside dans la gestion de l'aléa inhérent à la mécanique quantique. Dans un système quantique, le résultat d'une mesure ou l'effet d'un bruit n'est pas prédéterminé ; c'est une question de probabilité. Les simulateurs traditionnels exécutaient une simulation unique, faisaient un choix aléatoire pour chaque événement, puis recommençaient pour la course suivante. Cela signifiait que si deux exécutions suivaient le même chemin pendant un certain temps, l'ordinateur perdait du temps à calculer exactement les mêmes étapes deux fois. La nouvelle méthode change cela en décidant de certains résultats aléatoires à l'avance, avant même que la simulation ne commence. Elle identifie les parties du processus où les probabilités sont fixes et indépendantes de l'état actuel du système, et pré-sélectionne ces résultats. Pour les parties qui dépendent de l'état, elle attend que la simulation atteigne ce point pour prendre la décision.
Cette stratégie permet aux chercheurs de regrouper de nombreuses exécutions de simulation. Si un groupe d'exécutions partage les mêmes résultats pré-sélectionnés, elles peuvent traverser le circuit ensemble en tant qu'unité unique. Ce n'est que lorsqu'elles atteignent un point où la décision dépendante de l'état est nécessaire que le groupe se divise en branches plus petites, chacune suivant un chemin différent. Crucialement, parce que les chercheurs ont déjà calculé l'état pour le groupe, ils n'ont pas besoin de le recalculer pour chaque branche individuelle. Ils peuvent réutiliser l'état mis en cache, ce qui permet d'économiser un temps considérable. Une fois la simulation terminée, ils peuvent générer des milliers de registres de mesure à partir de cet état final unique en un seul lot, plutôt que d'exécuter l'ensemble du circuit des milliers de fois. Ceci est particulièrement puissant pour générer les vastes ensembles de données étiquetées nécessaires pour entraîner des modèles d'intelligence artificielle à agir comme des décodeurs pour la correction d'erreurs quantiques.
L'équipe a testé sa méthode sur divers circuits quantiques, y compris ceux conçus pour stocker l'information dans des codes topologiques, qui sont un candidat de premier plan pour la construction d'ordinateurs quantiques tolérants aux fautes. Lorsqu'ils ont comparé leur nouveau simulateur aux outils de haute performance standards actuellement utilisés, les résultats ont été frappants. Pour les circuits impliquant un type spécifique de bruit appelé amortissement d'amplitude, qui imite la façon dont l'énergie s'échappe d'un système quantique, leur méthode était jusqu'à 24 fois plus rapide que l'approche conventionnelle. Pour des circuits aléatoires plus complexes incluant des mesures en milieu de circuit, l'accélération était encore plus spectaculaire, atteignant jusqu'à 83 fois la vitesse. Dans un mode spécifique conçu pour générer des ensembles de données massifs, où le même chemin de simulation est utilisé pour produire de nombreux registres de mesure différents, leur méthode était près de 70 000 fois plus rapide par trajectoire que la méthode standard. Ce bond d'efficacité signifie que les chercheurs peuvent désormais générer les millions de points de données nécessaires pour entraîner des décodeurs sophistiqués d'apprentissage automatique en une fraction du temps qu'il fallait auparavant.
Au-delà de la simple vitesse, les chercheurs ont démontré que leur méthode produit des résultats plus précis que les raccourcis courants utilisés dans le domaine. Une technique largement utilisée appelée « Pauli twirling » simplifie le bruit complexe en une forme plus facile à simuler, mais l'équipe a montré que cette simplification introduit des erreurs significatives. Dans leurs tests sur un système de mémoire quantique, le modèle simplifié surestimait le taux de détection des erreurs de 21 %. Plus important encore, lorsqu'ils ont utilisé les données de ce modèle simplifié pour entraîner un décodeur, le système résultant commettait 8 % d'erreurs logiques de plus qu'un décodeur entraîné sur les données exactes et non simplifiées. Cette découverte souligne une faille critique dans le recours aux approximations : bien qu'elles puissent être rapides, elles peuvent conduire à la conception de systèmes de correction d'erreurs moins efficaces qu'ils ne pourraient l'être. En fournissant un moyen de simuler le bruit exact sans sacrifier la vitesse, la nouvelle méthode garantit que les données utilisées pour construire les futurs ordinateurs quantiques reflètent la réalité.
Les implications de ce travail s'étendent à l'effort plus large de construction d'un ordinateur quantique pratique. À mesure que ces machines grandissent en taille et en complexité, la capacité à les simuler avec précision devient un goulot d'étranglement. La méthode des chercheurs lève ce goulot d'étranglement pour un large éventail de modèles de bruit réalistes, y compris ceux qui impliquent la mesure du système pendant son fonctionnement. Cette capacité ouvre la porte à l'étude de protocoles complexes reposant sur des mesures en milieu de circuit, tels que ceux utilisés pour créer des états quantiques spéciaux ou pour effectuer une correction d'erreurs en temps réel. L'équipe a rendu son logiciel disponible sous forme d'extension d'une plateforme open-source existante, garantissant que d'autres scientifiques puissent immédiatement appliquer ces accélérations à leurs propres recherches. En rendant la simulation exacte et à haut débit pratique, ce travail fournit un outil vital pour le développement d'ordinateurs quantiques tolérants aux fautes, aidant à garantir que la prochaine génération de ces machines sera construite sur une base de données précises et réalistes.
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.