Les algorithmes hybrides peuvent s’accommoder de qubits limités et de l’absence de correction d’erreurs pour les tâches du monde réel.
Comme indiqué dans un article de Nature Reviews Physicsau lieu d’attendre l’émergence d’ordinateurs quantiques pleinement matures, le Los Alamos National Laboratory et d’autres institutions de premier plan ont mis au point des algorithmes hybrides classiques/quantiques afin de tirer le maximum de performances – et potentiellement d’avantages quantiques – du matériel actuel, bruyant et sujet aux erreurs. Connus sous le nom d’algorithmes quantiques variationnels, ils utilisent les boîtes quantiques pour manipuler les systèmes quantiques tout en transférant une grande partie de la charge de travail aux ordinateurs classiques pour leur permettre de faire ce qu’ils font actuellement le mieux : résoudre des problèmes d’optimisation.
“Les ordinateurs quantiques ont la promesse de surpasser les ordinateurs classiques pour certaines tâches, mais sur le matériel quantique actuellement disponible, ils ne peuvent pas exécuter de longs algorithmes. Ils ont trop de bruit lorsqu’ils interagissent avec l’environnement, ce qui corrompt l’information traitée”, a déclaré Marco Cerezo, un physicien spécialisé dans le domaine de l’optimisation. l’informatique quantique, l’apprentissage automatique quantique et l’information quantique à Los Alamos et auteur principal de l’article. “Avec les algorithmes quantiques variationnels, nous obtenons le meilleur des deux mondes. Nous pouvons exploiter la puissance des ordinateurs quantiques pour des tâches que les ordinateurs classiques ne peuvent pas accomplir facilement, puis utiliser les ordinateurs classiques pour compléter la puissance de calcul des dispositifs quantiques.”
Les ordinateurs quantiques actuels, bruyants et d’échelle intermédiaire, comptent entre 50 et 100 qubits, perdent rapidement leur “quanticité” et sont dépourvus de correction d’erreurs, ce qui nécessite davantage de qubits. Cependant, depuis la fin des années 1990, les théoriciens développent des algorithmes conçus pour fonctionner sur un grand ordinateur quantique idéalisé, à correction d’erreurs et tolérant aux pannes.
“Nous ne pouvons pas encore mettre en œuvre ces algorithmes parce qu’ils donnent des résultats absurdes ou qu’ils nécessitent trop de qubits. On a donc réalisé que nous avions besoin d’une approche qui s’adapte aux contraintes du matériel dont nous disposons – un problème d’optimisation”, a déclaré Patrick Coles, un physicien théoricien qui développe des algorithmes à Los Alamos et l’auteur principal de l’article.
“Nous avons découvert que nous pouvions transformer tous les problèmes d’intérêt en problèmes d’optimisation, potentiellement avec un avantage quantique, ce qui signifie que l’ordinateur quantique bat un ordinateur classique dans cette tâche”, a déclaré Coles. Ces problèmes comprennent des simulations pour la science des matériaux et la chimie quantique, la factorisation de nombres, l’analyse de données volumineuses et pratiquement toutes les applications qui ont été proposées pour les ordinateurs quantiques.
Les algorithmes sont dits variationnels parce que le processus d’optimisation fait varier l’algorithme à la volée, comme une sorte d’apprentissage automatique. Il modifie les paramètres et les portes logiques afin de minimiser une fonction de coût, qui est une expression mathématique mesurant la qualité de l’exécution de la tâche par l’algorithme. Le problème est résolu lorsque la fonction de coût atteint sa valeur la plus basse possible.
Dans une fonction itérative de l’algorithme quantique variationnel, l’ordinateur quantique estime la fonction de coût, puis renvoie ce résultat à l’ordinateur classique. L’ordinateur classique ajuste alors les paramètres d’entrée et les envoie à l’ordinateur quantique, qui exécute à nouveau l’optimisation.
L’article de synthèse se veut une introduction complète et une référence pédagogique pour les chercheurs qui se lancent dans ce domaine naissant. Les auteurs y abordent toutes les applications des algorithmes et leur fonctionnement, ainsi que les défis, les pièges et la manière de les résoudre. Enfin, ils se tournent vers l’avenir en envisageant les meilleures possibilités d’obtenir un avantage quantique sur les ordinateurs qui seront disponibles dans les deux prochaines années.
Référence : “Variational Quantum Algorithms” par M. Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio et Patrick J. Coles, 12 août 2021, Nature Reviews Physics.
DOI: 10.1038/s42254-021-00348-9
Financement : U.S. Department of Energy (DOE) Office of Science, Advanced Scientific Computing Research program ; DOE Quantum Science Center (QSC) ; Laboratory Directed Research and Development program, Los Alamos National Laboratory.
