Développement d’une nouvelle méthode pour trouver systématiquement les séquences d’opérations quantiques optimales pour les ordinateurs quantiques

Pour qu’un ordinateur quantique puisse effectuer une tâche, nous devons écrire une séquence d’opérations quantiques. Jusqu’à présent, les opérateurs informatiques écrivaient leurs propres séquences d’opérations quantiques basées sur des méthodes existantes (recettes). Ce que nous avons développé cette fois est une méthode systématique qui applique la théorie du contrôle optimal (algorithme GRAPE) pour identifier la séquence théoriquement optimale parmi toutes les séquences d’opérations quantiques imaginables.

Cette méthode devrait devenir un outil utile pour les ordinateurs quantiques à moyenne échelle et devrait contribuer à améliorer les performances des ordinateurs quantiques et à réduire l’impact environnemental dans un avenir proche.

Ce résultat a été publié dans la revue scientifique américaine Examen physique A le 23 août 2022.

Les ordinateurs quantiques, actuellement en cours de développement, devraient avoir un impact majeur sur la société. Leurs avantages incluent la réduction de la charge environnementale en réduisant la consommation d’énergie, la recherche de nouvelles substances chimiques à usage médical, l’accélération de la recherche de matériaux pour un environnement plus propre, etc.

L’un des gros problèmes des ordinateurs quantiques est que l’état quantique est très sensible au bruit, il est donc difficile de le maintenir stable pendant longtemps (maintien d’un état quantique cohérent). Afin d’obtenir les meilleures performances, il est nécessaire de terminer les opérations dans le temps que l’état quantique cohérent est maintenu. Il y avait un besoin d’une méthode pour identifier systématiquement les séquences optimales.

L’équipe de recherche a développé une méthode systématique pour identifier la séquence d’opération quantique optimale.

Lorsqu’un ordinateur stocke et traite des informations, toutes les informations sont converties en une chaîne de bits avec des valeurs de 0 ou 1. Une séquence d’opérations quantiques est un programme informatique écrit dans un langage lisible par l’homme qui est converti de manière à pouvoir être traité par un ordinateur quantique. La séquence d’opérations quantiques se compose d’opérations à 1 qubit et d’opérations à 2 qubit. La meilleure séquence est celle qui comporte le moins d’opérations et qui affiche les meilleures performances (le nombre de carrés rouges et de lignes verticales vertes est le plus petit).

La nouvelle méthode analyse toutes les séquences possibles d’opérations quantiques élémentaires à l’aide d’un algorithme de calcul appelé GRAPE, un algorithme numérique de la théorie du contrôle optimal. Plus précisément, nous créons un tableau des séquences d’opérations quantiques et l’indice de performance (fidélité F) pour chaque séquence, allant de milliers à des millions, en fonction du nombre de qubits et du nombre d’opérations étudiées. La séquence d’opération quantique optimale est systématiquement identifiée sur la base des données accumulées.

Il est également possible pour la nouvelle méthode d’analyser la liste complète de toutes les séquences d’opérations quantiques et d’évaluer les recettes conventionnelles. En tant que tel, il peut fournir un outil précieux pour établir des références pour les recherches passées et futures sur les performances des algorithmes quantiques à quelques qubits.

La méthode systématique pour trouver la séquence d’opération quantique optimale pour les ordinateurs quantiques devrait devenir un outil utile pour les ordinateurs quantiques à moyenne échelle. Dans un avenir proche, il devrait améliorer les performances des ordinateurs quantiques et contribuer à réduire la charge sur l’environnement.

Nous avons également constaté qu’il existe de nombreuses séquences optimales d’opérations quantiques qui sont excellentes. Cela signifie qu’une approche probabiliste pourrait étendre l’applicabilité de cette nouvelle méthode à des tâches plus importantes. Les approches basées sur l’analyse de grands ensembles de données suggèrent la possibilité d’intégrer l’apprentissage automatique à notre nouvelle méthode pour améliorer encore le pouvoir prédictif. Dans le futur, l’équipe de recherche appliquera les résultats obtenus cette fois à l’optimisation de tâches obtenues à partir d’algorithmes quantiques réels.