L’apprentissage automatique contribue à une meilleure correction des erreurs quantiques

Contrairement aux ordinateurs classiques, qui fonctionnent sur des bits qui ne peuvent prendre que les valeurs de base 0 et 1, les ordinateurs quantiques fonctionnent sur des « qubits », qui peuvent assumer n’importe quelle superposition des états de base du calcul. En combinaison avec l’intrication quantique, une autre caractéristique quantique qui connecte différents qubits au-delà des moyens classiques, cela permet aux ordinateurs quantiques d’effectuer des opérations entièrement nouvelles, donnant lieu à des avantages potentiels dans certaines tâches informatiques, telles que les recherches à grande échelle, les problèmes d’optimisation et la cryptographie.

Le principal défi de la mise en pratique des ordinateurs quantiques réside dans la nature extrêmement fragile des superpositions quantiques. En effet, de minuscules perturbations induites, par exemple, par la présence omniprésente d’un environnement donnent lieu à des erreurs qui détruisent rapidement les superpositions quantiques et, par conséquent, les ordinateurs quantiques perdent leur avantage.

Pour surmonter cet obstacle, des méthodes sophistiquées de correction des erreurs quantiques ont été développées. Bien qu’ils puissent, en théorie, neutraliser avec succès l’effet des erreurs, ils s’accompagnent souvent d’une surcharge considérable en termes de complexité des appareils, qui elle-même est sujette aux erreurs et augmente donc potentiellement même l’exposition aux erreurs. En conséquence, la correction complète des erreurs est restée difficile à réaliser.

Dans ce travail, les chercheurs ont exploité l’apprentissage automatique pour rechercher des schémas de correction d’erreurs minimisant la surcharge du périphérique tout en conservant de bonnes performances de correction d’erreurs. À cette fin, ils se sont concentrés sur une approche autonome de la correction des erreurs quantiques, dans laquelle un environnement artificiel intelligemment conçu remplace la nécessité d’effectuer de fréquentes mesures de détection d’erreurs. Ils ont également examiné les « codages de qubits bosoniques », qui sont, par exemple, disponibles et utilisés dans certaines des machines informatiques quantiques actuellement les plus prometteuses et les plus répandues, basées sur des circuits supraconducteurs.

Trouver des candidats hautement performants dans le vaste espace de recherche des codages de qubits bosoniques représente une tâche d’optimisation complexe, que les chercheurs abordent avec l’apprentissage par renforcement, une méthode avancée d’apprentissage automatique, dans laquelle un agent explore un environnement éventuellement abstrait pour apprendre et optimiser sa politique d’action. Grâce à cela, le groupe a découvert qu’un codage qubit approximatif étonnamment simple pouvait non seulement réduire considérablement la complexité du dispositif par rapport aux autres codages proposés, mais surpassait également ses concurrents en termes de capacité à corriger les erreurs.

Yexiong Zeng, le premier auteur de l’article, déclare : « Notre travail démontre non seulement le potentiel de déploiement de l’apprentissage automatique pour la correction des erreurs quantiques, mais il pourrait également nous rapprocher de la mise en œuvre réussie de la correction des erreurs quantiques dans les expériences. »

Selon Franco Nori, « l’apprentissage automatique peut jouer un rôle central dans la résolution des problèmes de calcul quantique et d’optimisation à grande échelle. Actuellement, nous sommes activement impliqués dans un certain nombre de projets qui intègrent l’apprentissage automatique, les réseaux de neurones artificiels, la correction d’erreurs quantiques et l’apprentissage quantique. tolérance aux pannes.”