Vue d’artiste du processeur Google. Crédit : Forest Stearns, artiste en résidence Google AI Quantum
Le Laboratoire de traitement de l’information quantique du CPQM a collaboré avec l’équipe de calcul intensif du CDISE « Zhores » pour émuler le processeur quantique de Google. En reproduisant des données silencieuses en suivant les mêmes statistiques que les récentes expériences de Google, l’équipe a pu pointer un effet subtil se cachant dans les données de Google. Cet effet, appelé déficit d’accessibilité, a été découvert par l’équipe Skoltech dans son travail passé. Les chiffres ont confirmé que les données de Google étaient au bord d’une avalanche dite dépendante de la densité, ce qui implique que les futures expériences nécessiteront beaucoup plus de ressources quantiques pour effectuer une optimisation quantique approximative. Les résultats sont publiés dans la principale revue du domaine Quantum.
Depuis les premiers jours de l’informatique numérique, les systèmes quantiques sont apparus extrêmement difficiles à imiter, bien que les raisons précises de cela restent un sujet de recherche active. Pourtant, cette difficulté apparemment inhérente à un ordinateur classique pour émuler un système quantique a incité plusieurs chercheurs à renverser le récit.
Des scientifiques tels que Richard Feynman et Yuri Manin ont spéculé au début des années 1980 que les ingrédients inconnus qui semblent rendre les ordinateurs quantiques difficiles à imiter à l’aide d’un ordinateur classique pourraient eux-mêmes être utilisés comme ressource informatique. Par exemple, un processeur quantique devrait être bon pour simuler des systèmes quantiques, car ils sont régis par les mêmes principes sous-jacents.
Ces premières idées ont finalement conduit Google et d’autres géants de la technologie à créer des versions prototypes des processeurs quantiques tant attendus. Ces appareils modernes sont sujets aux erreurs, ils ne peuvent exécuter que le plus simple des programmes quantiques et chaque calcul doit être répété plusieurs fois pour faire la moyenne des erreurs afin de former éventuellement une approximation.
Parmi les applications les plus étudiées de ces processeurs quantiques contemporains se trouve l’algorithme d’optimisation approximatif quantique, ou QAOA (prononcé « kyoo-ay-oh-AY »). Dans une série d’expériences spectaculaires, Google a utilisé son processeur pour sonder les performances de QAOA à l’aide de 23 qubits et de trois étapes de programme réglables.
En un mot, QAOA est une approche dans laquelle on vise à résoudre approximativement des problèmes d’optimisation sur une configuration hybride composée d’un ordinateur classique et d’un coprocesseur quantique. Les processeurs quantiques prototypes tels que Sycamore de Google sont actuellement limités à l’exécution d’opérations bruyantes et limitées. En utilisant une configuration hybride, l’espoir est d’atténuer certaines de ces limitations systématiques tout en récupérant le comportement quantique à exploiter, ce qui rend des approches telles que QAOA particulièrement attrayantes.
Les scientifiques de Skoltech ont fait une série de découvertes récentes liées à QAOA, par exemple voir l’article ici. Le principal d’entre eux étant un effet qui limite fondamentalement l’applicabilité de la QAOA. Ils montrent que la densité d’un problème d’optimisation, c’est-à-dire le rapport entre ses contraintes et ses variables, agit comme un obstacle majeur à l’obtention de solutions approchées. Des ressources supplémentaires, en termes d’opérations exécutées sur le coprocesseur quantique, sont nécessaires pour surmonter cette limitation de performance. Ces découvertes ont été faites en utilisant un stylo et du papier et de très petites émulations. Ils voulaient voir si l’effet qu’ils avaient récemment découvert se manifestait dans la récente étude expérimentale de Google.
Le laboratoire d’algorithmes quantiques de Skoltech a ensuite approché l’équipe de calcul intensif CDISE dirigée par Oleg Panarin pour les importantes ressources informatiques requises pour émuler la puce quantique de Google. Le Dr Igor Zacharov, membre du laboratoire Quantum, chercheur scientifique principal a travaillé avec plusieurs autres pour transformer le logiciel d’émulation existant en une forme permettant des calculs parallèles sur Zhores. Après plusieurs mois, l’équipe a réussi à créer une émulation qui génère des données avec les mêmes distributions statistiques que Google et a montré une gamme de densités d’instances à laquelle les performances QAOA se dégradent fortement. Ils ont en outre révélé que les données de Google se situaient à la limite de cette fourchette au-delà de laquelle l’état de l’art actuel ne suffirait pas à produire un avantage.
L’équipe Skoltech a découvert à l’origine que les déficits d’accessibilité – une limitation de performance induite par le rapport contrainte/variable d’un problème – étaient présents pour un type de problème appelé satisfiabilité de contrainte maximale. Google, cependant, a envisagé la minimisation des fonctions énergétiques des graphes. Étant donné que ces problèmes appartiennent à la même classe de complexité, cela a donné à l’équipe l’espoir conceptuel que les problèmes, et plus tard l’effet, pourraient être liés. Cette intuition s’est avérée correcte. Les données ont été générées et les résultats ont clairement montré que les déficits d’accessibilité créent une sorte d’effet d’avalanche, plaçant les données de Google au bord de cette transition rapide au-delà de laquelle des circuits QAOA plus longs et plus puissants deviennent une nécessité.
Oleg Panarin, responsable des services de données et d’information chez Skoltech, a commenté : « Nous sommes très heureux de voir notre ordinateur poussé à cet extrême. Le projet était long et difficile et nous avons travaillé main dans la main avec le laboratoire quantique pour développer ce cadre. Nous pensons que ce projet établit une base de référence pour les futures démonstrations de ce type utilisant Zhores. »
Igor Zacharov, chercheur principal chez Skoltech, a ajouté : « Nous avons pris le code existant d’Akshay Vishwanatahan, le premier auteur de cette étude, et l’avons transformé en un programme qui s’est déroulé en parallèle. Ce fut certainement un moment passionnant pour nous tous lorsque les données sont enfin apparues, et nous avons eu les mêmes statistiques que Google. Dans ce projet, nous avons créé un progiciel qui peut désormais émuler divers processeurs quantiques de pointe, avec jusqu’à 36 qubits et une douzaine de couches de profondeur.
Akshay Vishwanatahan, doctorant à Skoltech, a conclu : « Dépasser quelques qubits et couches dans QAOA était une tâche très difficile à l’époque. Le logiciel d’émulation interne que nous avons développé ne pouvait traiter que des cas de modèles de jouets et j’ai d’abord pensé que ce projet, bien qu’un défi passionnant, s’avérerait presque impossible. Heureusement, j’étais au milieu d’un groupe de pairs optimistes et pleins d’entrain et cela m’a encore motivé à suivre et à reproduire les données silencieuses de Google. Ce fut certainement un moment de grande excitation lorsque nos données correspondaient à celles de Google, avec une distribution statistique similaire, à partir de laquelle nous avons enfin pu voir la présence de l’effet.
Référence : « Reachability Deficits in Quantum Approximate Optimization of Graph Problems » par V. Akshay, H. Philathong, I. Zacharov et J. Biamonte, 30 août 2021, Quantum.
DOI : 10.22331/q-2021-08-30-532
