Fig. 1 :Le circuit quantique QAOA. Une représentation schématique du circuit QAOA et notre approche pour le simuler. L'état d'entrée est trivialement initialisé à |+⟩|+⟩. Prochain, à chaque p, l'échange des portes applicables exactement (UC) et approximativement (RX(β) = e−iβX) est étiqueté (voir Sec. Méthodes). Comme indiqué dans le texte principal, chaque application (exacte) de la porte UC entraîne une augmentation du nombre d'unités cachées de ∣E∣ (le nombre d'arêtes du graphe). Afin de maintenir ce nombre constant, nous "compressons" le modèle (voir Sec. Méthodes), indiqué par des lignes pointillées rouges après chaque porte UC. La compression est répétée à chaque couche après la première, diviser par deux le nombre d'unités cachées à chaque fois, immédiatement après l'avoir doublé avec des portes UC. Après la dernière couche, le RBM est paramétré par θopt, approximant l'état cible QAOA final |γ, |γ, . Crédit :DOI :10.1038/s41534-021-00440-z
Deux physiciens, de l'EPFL et de l'Université Columbia, ont introduit une approche pour simuler l'algorithme d'optimisation approchée quantique à l'aide d'un ordinateur traditionnel. Au lieu d'exécuter l'algorithme sur des processeurs quantiques avancés, la nouvelle approche utilise un algorithme d'apprentissage automatique classique qui imite étroitement le comportement des ordinateurs quantiques à court terme.
Dans un article publié en Informations quantiques sur la nature , Le professeur EPFL Giuseppe Carleo et Matija Medvidović, un étudiant diplômé de l'Université Columbia et du Flatiron Institute de New York, ont trouvé un moyen d'exécuter un algorithme d'informatique quantique complexe sur des ordinateurs traditionnels au lieu d'ordinateurs quantiques.
Le "logiciel quantique" spécifique qu'ils envisagent est connu sous le nom d'algorithme d'optimisation approximative quantique (QAOA) et est utilisé pour résoudre des problèmes d'optimisation classiques en mathématiques; c'est essentiellement une façon de choisir la meilleure solution à un problème parmi un ensemble de solutions possibles. "Il y a beaucoup d'intérêt à comprendre quels problèmes peuvent être résolus efficacement par un ordinateur quantique, et QAOA est l'un des candidats les plus en vue, " dit Carléo.
Finalement, QAOA est destiné à nous aider sur la voie de la célèbre « accélération quantique, " l'augmentation prévue de la vitesse de traitement que nous pouvons obtenir avec des ordinateurs quantiques au lieu des ordinateurs conventionnels. Naturellement, QAOA a un certain nombre de partisans, y compris Google, qui visent les technologies quantiques et l'informatique dans un futur proche :en 2019, ils ont créé Sycamore, un processeur quantique de 53 qubits, et l'a utilisé pour exécuter une tâche qu'il a estimé qu'il faudrait un supercalculateur classique à la pointe de la technologie autour de 10, 000 ans à compléter. Sycamore a exécuté la même tâche en 200 secondes.
« Mais la barrière de « l'accélération quantique » est presque rigide et elle est continuellement remodelée par de nouvelles recherches, aussi grâce aux progrès dans le développement d'algorithmes classiques plus efficaces, " dit Carléo.
Dans leur étude, Carleo et Medvidović abordent une question ouverte clé dans le domaine :les algorithmes exécutés sur des ordinateurs quantiques actuels et à court terme peuvent-ils offrir un avantage significatif par rapport aux algorithmes classiques pour des tâches d'intérêt pratique ? « Si nous devons répondre à cette question, il faut d'abord comprendre les limites de l'informatique classique dans la simulation de systèmes quantiques, " dit Carleo. Ceci est d'autant plus important que la génération actuelle de processeurs quantiques fonctionne dans un régime où ils font des erreurs lors de l'exécution de logiciels " quantiques, " et ne peut donc exécuter que des algorithmes de complexité limitée.
À l'aide d'ordinateurs conventionnels, les deux chercheurs ont développé une méthode qui peut simuler approximativement le comportement d'une classe spéciale d'algorithmes appelés algorithmes quantiques variationnels, qui sont des moyens d'élaborer l'état d'énergie le plus bas, ou "état fondamental" d'un système quantique. QAOA est un exemple important d'une telle famille d'algorithmes quantiques, que les chercheurs pensent être parmi les candidats les plus prometteurs pour un « avantage quantique » dans les ordinateurs quantiques à court terme.
L'approche est basée sur l'idée que les outils modernes d'apprentissage automatique, par exemple. ceux utilisés dans l'apprentissage de jeux complexes comme le Go, peut également être utilisé pour apprendre et imiter le fonctionnement interne d'un ordinateur quantique. L'outil clé pour ces simulations sont les états quantiques du réseau de neurones, un réseau de neurones artificiels que Carleo a développé en 2016 avec Matthias Troyer, et qui était maintenant utilisé pour la première fois pour simuler QAOA. Les résultats sont considérés comme relevant de l'informatique quantique, et établir une nouvelle référence pour le développement futur du matériel quantique.
"Notre travail montre que le QAOA que vous pouvez exécuter sur les ordinateurs quantiques actuels et à court terme peut être simulé, avec une bonne précision, sur un ordinateur classique aussi, " dit Carleo. " Cependant, cela ne signifie pas que tous les algorithmes quantiques utiles qui peuvent être exécutés sur des processeurs quantiques à court terme peuvent être émulés de manière classique. En réalité, nous espérons que notre approche servira de guide pour concevoir de nouveaux algorithmes quantiques à la fois utiles et difficiles à simuler pour les ordinateurs classiques."
