Des chercheurs de l'Université de Sydney et de la startup de contrôle quantique Q-CTRL ont annoncé aujourd'hui un moyen d'identifier les sources d'erreur dans les ordinateurs quantiques grâce à l'apprentissage automatique, offrant aux développeurs de matériel la possibilité d'identifier la dégradation des performances avec une précision sans précédent et d'accélérer les chemins vers des ordinateurs quantiques utiles.

Un article scientifique commun détaillant la recherche, intitulé "Spectroscopie de bruit d'oscillateur quantique via des états de chat déplacés, " a été publié dans le Lettres d'examen physique , le premier journal de recherche en sciences physiques au monde et la publication phare de l'American Physical Society (APS Physics).

En se concentrant sur la réduction des erreurs causées par le "bruit" environnemental - le talon d'Achille de l'informatique quantique - l'équipe de l'Université de Sydney a développé une technique pour détecter les plus petits écarts par rapport aux conditions précises nécessaires à l'exécution d'algorithmes quantiques à l'aide d'ions piégés et de matériel informatique quantique supraconducteur. Ce sont les technologies de base utilisées par les efforts d'informatique quantique industrielle de premier plan chez IBM, Google, Honeywell, IonQ, et d'autres.

Pour localiser la source des écarts mesurés, Les scientifiques de Q-CTRL ont développé une nouvelle façon de traiter les résultats de mesure à l'aide d'algorithmes d'apprentissage automatique personnalisés. En combinaison avec les techniques de contrôle quantique existantes de Q-CTRL, les chercheurs ont également pu minimiser l'impact des interférences de fond dans le processus. Cela a permis une discrimination facile entre les sources de bruit « réelles » qui pourraient être fixes et les artefacts fantômes des mesures elles-mêmes.

"La combinaison de techniques expérimentales de pointe avec l'apprentissage automatique a démontré d'énormes avantages dans le développement des ordinateurs quantiques, " a déclaré le Dr Cornelius Hempel de l'ETH Zurich qui a mené la recherche à l'Université de Sydney. " L'équipe Q-CTRL a pu développer rapidement une solution d'apprentissage automatique conçue par des professionnels qui nous a permis de donner un sens à nos données et de fournir une nouvelle moyen de « voir » les problèmes du matériel et de les résoudre. »

Le PDG de Q-CTRL et professeur à l'Université de Sydney, Michael J. Biercuk, a déclaré :« La capacité d'identifier et de supprimer les sources de dégradation des performances du matériel quantique est essentielle à la fois pour la recherche fondamentale et les efforts industriels de construction de capteurs quantiques et d'ordinateurs quantiques.

"Contrôle quantique, augmenté par l'apprentissage automatique, a montré une voie pour rendre ces systèmes pratiques et accélérer considérablement les délais de R&D, " il a dit.

« Les résultats publiés dans un prestigieux, revue à comité de lecture valident l'avantage d'une coopération continue entre la recherche scientifique fondamentale dans un laboratoire universitaire et les startups de la deep-tech. Nous sommes ravis de faire avancer le domaine grâce à notre collaboration. »