Les ordinateurs quantiques pourraient un jour résoudre des problèmes algorithmiques que même les plus gros supercalculateurs d'aujourd'hui ne peuvent pas gérer. Mais comment tester un ordinateur quantique pour s'assurer qu'il fonctionne de manière fiable ? Selon la tâche algorithmique, cela pourrait être un problème de certification facile ou très difficile. Une équipe internationale de chercheurs a franchi une étape importante vers la résolution d'une variante difficile de ce problème, en utilisant une approche statistique développée à l'Université de Fribourg. Les résultats de leur étude sont publiés dans la dernière édition de Photonique de la nature .

Leur exemple d'un problème de certification difficile est le tri d'un nombre défini de photons après qu'ils soient passés par un arrangement défini de plusieurs éléments optiques. L'agencement fournit à chaque photon un certain nombre de chemins de transmission - selon que le photon est réfléchi ou transmis par un élément optique. La tâche consiste à prédire la probabilité que des photons quittent l'arrangement à des points définis, pour un positionnement donné des photons à l'entrée de l'arrangement. Avec l'augmentation de la taille de l'arrangement optique et l'augmentation du nombre de photons envoyés sur leur chemin, le nombre de chemins et de distributions possibles des photons à la fin augmente fortement en raison du principe d'incertitude qui sous-tend la mécanique quantique - de sorte qu'il ne peut y avoir de prédiction de la probabilité exacte en utilisant les ordinateurs dont nous disposons aujourd'hui. Les principes physiques disent que différents types de particules - comme les photons ou les électrons - devraient produire des distributions de probabilité différentes. Mais comment les scientifiques peuvent-ils distinguer ces distributions et ces arrangements optiques différents lorsqu'il n'y a aucun moyen de faire des calculs exacts ?

Une approche développée dans la présente étude permet maintenant pour la première fois d'identifier des signatures statistiques caractéristiques à travers des distributions de probabilité non mesurables. Au lieu d'une "empreinte digitale" complète, " ils ont pu distiller les informations à partir d'ensembles de données qui ont été réduits pour les rendre utilisables. En utilisant ces informations, ils ont pu discriminer divers types de particules et caractéristiques distinctives des arrangements optiques. L'équipe a également montré que ce processus de distillation peut être amélioré, en s'appuyant sur des techniques établies d'apprentissage automatique, où la physique fournit les informations clés sur l'ensemble de données à utiliser pour rechercher les modèles pertinents. Et parce que cette approche devient plus précise pour un plus grand nombre de particules, les chercheurs espèrent que leurs découvertes nous rapprochent un peu plus de la résolution du problème de la certification.