Les ordinateurs quantiques promettent de résoudre des problèmes qui prendraient des milliers d'années aux machines actuelles, mais ils sont incroyablement fragiles. Les minuscules particules qui détiennent leur information, appelées qubits, sont facilement perturbées par la chaleur, les vibrations ou même les ondes électromagnétiques parasites. Lorsqu'un qubit est perturbé, il commet une erreur, et si ces erreurs s'accumulent, tout le calcul s'effondre. Pour construire un ordinateur quantique utile, les scientifiques doivent concevoir un système capable de détecter et de corriger ces erreurs au fur et à mesure qu'elles se produisent, un processus connu sous le nom de correction d'erreurs quantiques. La méthode la plus populaire pour y parvenir utilise une grille de qubits où le système vérifie constamment sa propre santé. Ces vérifications produisent un flux de données appelé syndrome, qui agit comme une carte indiquant où les erreurs se sont produites. Le défi est que l'ordinateur doit lire cette carte et décider comment corriger les erreurs plus rapidement avant que de nouvelles erreurs n'apparaissent, une course contre la montre qui exige une vitesse et une précision immenses.

Pendant des années, les meilleurs outils pour lire ces cartes d'erreurs ont été des algorithmes classiques qui traitent l'ensemble de la grille comme un bloc de données solide, vérifiant chaque carré sans distinction, qu'il y ait un problème ou non. Cette approche est fiable mais lente, car elle perd du temps à traiter l'espace vide. Dans une nouvelle étude, des chercheurs de l'Université de Californie à Irvine ont introduit une autre façon de penser. Ils ont construit un décodeur qui ignore les parties vides de la grille et se concentre uniquement sur les rares endroits où une erreur s'est réellement produite. En traitant la carte d'erreurs non pas comme une image complète, mais comme une liste éparse d'événements actifs, ils ont créé un système qui est considérablement plus rapide et tout aussi précis que les meilleures méthodes existantes.

Les chercheurs, dirigés par Samira Sayedsalehi, ont développé ce qu'ils appellent le "Sparse Mamba Decoder" (Décodeur Mamba Épars). Pour comprendre pourquoi il s'agit d'une avancée majeure, il faut d'abord comprendre la nature des erreurs. Dans un ordinateur quantique exécutant une expérience typique, les erreurs sont rares. Sur des milliers d'endroits possibles où une erreur pourrait être enregistrée, généralement seule une infime fraction, souvent moins de cinq pour cent, présente réellement un problème. L'ancienne méthode de décodage était comme un agent de sécurité parcourant chaque pièce d'un immense hôtel vide pour chercher des intrus, alors que l'agent savait que les intrus n'apparaissaient que dans quelques pièces spécifiques. Le nouveau décodeur saute entièrement les pièces vides. Il attend que l'alarme sonne, identifie la pièce spécifique d'où provient le bruit, puis analyse uniquement cette pièce et ses voisins immédiats.

Ce changement de stratégie a permis à l'équipe d'utiliser un nouveau type puissant d'architecture d'intelligence artificielle appelé modèle d'espace d'état, plus précisément une version connue sous le nom de Mamba. Ce modèle est conçu pour traiter les séquences d'informations de manière efficace. Au lieu de nourrir le système avec l'intégralité de la grille de données, les chercheurs n'ont extrait que les signaux d'erreur actifs, qu'ils appellent des "défauts". Ils ont ensuite enveloppé chaque défaut dans une description détaillée contenant sa localisation, le type d'erreur et sa relation avec les erreurs voisines. Cela a créé une liste d'événements courte et de longueur variable plutôt qu'un bloc de données géant et statique. Le modèle d'IA lit ensuite cette liste pour prédire si l'ordinateur a subi une défaillance logique, qui est une erreur qui ne peut pas être corrigée et qui ruine le calcul.

Les résultats de cette approche ont été frappants. Lors de tests sur des données simulées imitant le comportement du matériel quantique réel, le nouveau décodeur a réduit le taux d'erreurs incorrigibles jusqu'à 49 % par rapport à la méthode standard utilisée dans le domaine. Plus important encore, il l'a fait avec une vitesse incroyable. Lors des tests, le nouveau système a fonctionné entre 95 et 467 fois plus vite que le principal décodeur quasi parfait actuel, nommé Tesseract. Alors que le décodeur Tesseract mettait des millisecondes pour traiter une seule carte d'erreurs, le nouveau système accomplissait la tâche en microsecondes. Cette vitesse est critique car les ordinateurs quantiques fonctionnent sur des cycles qui durent environ une microseconde ; si le décodeur est trop lent, l'ordinateur ne peut pas suivre ses propres erreurs.

Les chercheurs ont également testé leur système sur des données réelles collectées auprès du processeur quantique Sycamore de Google. Dans ces expériences, le nouveau décodeur égalait ou surpassait légèrement les performances d'un réseau neuronal précédent, plus complexe, qui traitait la grille de données complète. Cela a prouvé que la nouvelle méthode ne perdait pas de précision en ignorant l'espace vide ; elle trouvait simplement un moyen plus efficace de percevoir le signal. Le système a atteint ce haut niveau de performance sur des cartes graphiques standards et disponibles dans le commerce, sans nécessiter le matériel de supercalcul spécialisé et coûteux requis par les autres décodages avancés.

L'une des découvertes les plus significatives fut la manière dont le système gérait la taille de l'ordinateur quantique. À mesure que la grille de qubits s'agrandit pour effectuer des calculs plus complexes, la quantité de données à traiter explose généralement, rendant le décodage de plus en plus lent. Le nouveau décodeur, cependant, a maintenu une vitesse presque constante, quelle que soit la taille de la grille. Tandis que les autres méthodes devenaient des centaines de fois plus lentes à mesure que la grille croissait, ce système ne ralentissait que d'un faible facteur. Cela suggère qu'à mesure que les ordinateurs quantiques passeront à des tailles massives nécessaires pour un usage pratique, cette approche axée sur les défauts deviendra non seulement plus rapide, mais essentielle.

Le succès du Sparse Mamba Decoder repose sur une manière ingénieuse de décrire les erreurs. Au lieu de simplement savoir où une erreur s'est produite, le système reçoit un ensemble riche d'indices pour chaque événement d'erreur. On lui indique les coordonnées exactes de l'erreur, s'il s'agit d'une inversion de bit (bit-flip) ou d'une inversion de phase (phase-flip), et si ses voisins ont également déclenché l'alarme. Il reçoit également un historique de l'état de l'erreur au fil du temps. En injectant ce contexte détaillé dans l'IA, le système a appris à reconnaître des schémas d'erreurs complexes que les anciennes méthodes manquaient. Il a appris à distinguer un simple incident de mesure d'une chaîne d'erreurs se propageant à travers la puce, ce qui lui permet de prendre de meilleures décisions sur la façon de corriger l'ordinateur.

L'étude a également mis en évidence une limitation fondamentale de l'approche classique. En traitant l'intégralité de la grille, les décodeurs précédents étaient contraints de traiter les directions horizontale et verticale de la carte d'erreurs comme des problèmes distincts. Cependant, dans le monde quantique, certains types d'erreurs affectent les deux directions simultanément. Le nouveau décodeur, en examinant la séquence de toutes les erreurs ensemble, pouvait naturellement percevoir ces connexions. Cela lui a permis de résoudre des problèmes que les anciennes méthodes séparées ne pouvaient pas traiter, menant à la baisse significative des taux d'erreurs observée lors des tests.

Bien que le système ne soit pas encore assez rapide pour fonctionner en temps réel sur les ordinateurs quantiques supraconducteurs les plus rapides, qui opèrent sur un cycle d'une microseconde, il représente un bond en avant massif. Les chercheurs ont noté que la version actuelle traite les données par lots (batches), ce qui ajoute un léger délai. Cependant, la logique sous-jacente est si efficace qu'une version future, conçue pour traiter les données en flux continu (streaming) dès leur arrivée, pourrait potentiellement atteindre les vitesses nécessaires pour une correction en temps réel. Le fait que ce niveau de performance ait été atteint sur une carte graphique standard suggère que la barrière à l'entrée pour une correction d'erreurs quantiques de haute qualité est plus basse qu'on ne le pensait.

Ce travail démontre que la parcimonie (sparsity) inhérente aux erreurs quantiques est une caractéristique, et non un défaut. En concevant une architecture qui respecte cette parcimonie, les chercheurs ont trouvé une voie de décodage qui est à la fois plus rapide et plus précise. L'étude infirme l'idée que le traitement de la grille de données complète et dense est nécessaire pour une grande précision, montrant au contraire que se concentrer sur les défauts actifs est une stratégie supérieure. À mesure que le matériel quantique continue de s'améliorer et de croître, la capacité de décoder les erreurs rapidement et efficacement sera la clé pour libérer le plein potentiel de ces machines. Ce nouveau décodeur offre une voie claire et pratique vers cet avenir, prouvant que, parfois, la meilleure façon de résoudre un problème complexe est d'ignorer tout ce qui n'est pas cassé.