Démonstration de substituts prédictifs efficaces pour des processeurs quantiques à grande échelle

Pourquoi cela compte pour l’informatique de demain

Les ordinateurs quantiques promettent de traiter des problèmes hors de portée des machines actuelles, depuis la simulation de nouveaux matériaux jusqu’à l’exploration d’états de matière exotiques. Pourtant, les processeurs quantiques de pointe restent coûteux, fragiles et rares, ce qui limite leur accès et leur fréquence d’utilisation. Cette étude propose une méthode pour « mettre en bouteille » le comportement typique d’un grand processeur quantique dans un modèle classique efficace, de sorte que de nombreuses tâches puissent être exécutées sur un ordinateur ordinaire après un accès limité au dispositif quantique réel.

Capturer l’empreinte d’un ordinateur quantique

Les auteurs se concentrent sur une quantité clé qui apparaît dans de nombreux algorithmes quantiques : la valeur moyenne d’une mesure réalisée après l’exécution d’un circuit quantique sur un processeur bruité. Plutôt que de simuler chaque détail microscopique, ils construisent ce qu’ils appellent des substituts prédictifs. Ce sont des modèles d’apprentissage classiques entraînés sur des données collectées à partir d’une puce quantique supraconductrice réelle. Une fois entraîné, le substitut peut rapidement prédire des moyennes de mesure pour de nouveaux réglages de circuit, sans revenir au matériel quantique, et reflète automatiquement le bruit et les imperfections réelles de la puce.

Deux types de remplaçants numériques

L’équipe conçoit et analyse deux types de substituts adaptés à différents cas d’usage. Le premier, appelé h_cs, prend en charge des circuits dont les paramètres de contrôle varient indépendamment et supporte de nombreuses mesures locales simultanément. Il s’appuie sur l’idée des ombres classiques (classical shadows), une technique qui compresse l’information issue de mesures randomisées en une représentation classique compacte. Le second, appelé h_qs, vise les situations où de nombreux paramètres du circuit sont corrélés, comme c’est souvent le cas dans les simulations quantiques de matériaux, de chimie ou d’apprentissages automatiques. Il est conçu pour fonctionner avec des entrées corrélées tirées de distributions arbitraires, ce qui correspond mieux aux charges de travail scientifiques réalistes.

Mettre les remplaçants au travail

Pour tester ces idées, les chercheurs utilisent un processeur quantique supraconducteur comptant jusqu’à 42 qubits opérationnels. Ils montrent d’abord que h_cs peut prédire de manière fiable l’énergie d’un modèle de magnéton quantique, un modèle d’Ising en champ transverse unidimensionnel, pour de nombreux choix des paramètres du modèle. Ils utilisent ensuite ce substitut pour préentraîner une routine largement utilisée appelée variational quantum eigensolver. L’optimisation est effectuée entièrement sur un ordinateur classique guidé par le substitut, puis vérifiée et légèrement affinée ultérieurement sur la puce quantique réelle. Cette approche réduit le nombre de mesures quantiques requises de plusieurs ordres de grandeur, tout en atteignant des estimations d’énergie plus basses que celles obtenues en lançant l’optimisation quantique complète depuis le début.

Révéler des phases cachées de matière drivée

Le second substitut, h_qs, est appliqué à une tâche plus exotique : identifier des phases particulières dans une chaîne de spins soumise à une excitation périodique dans le temps, connues sous le nom de phases topologiques protégées par symétrie de Floquet. Traditionnellement, cartographier ces phases exige de nombreuses mesures répétées sur le dispositif quantique au fur et à mesure que les réglages de contrôle changent. À la place, les auteurs entraînent une famille de substituts qui apprennent comment la magnétisation locale le long de la chaîne répond à l’excitation. En n’utilisant que des calculs classiques avec les modèles entraînés, ils reconstituent des signatures d’oscillations de bord de longue durée et localisent la transition entre la phase protégée et une phase thermique sans caractéristiques, en accord avec des expériences directes sur le matériel quantique.

Ce que cela signifie pour l’accès à la puissance quantique

En prouvant que ces substituts peuvent être entraînés efficacement et en montrant qu’ils s’étendent à des dizaines de qubits sur un dispositif réel, ce travail suggère une nouvelle manière de partager des ressources quantiques rares. Un jeu limité de mesures sur un processeur avancé peut être distillé en un modèle classique réutilisable que de nombreux utilisateurs peuvent interroger à faible coût. Bien que de tels substituts ne remplacent pas les ordinateurs quantiques, ils peuvent fortement réduire la fréquence nécessaire d’exécution de ces derniers pour des tâches basées sur des valeurs moyennes de mesures, rapprochant ainsi des études assistées par quantique — sur les matériaux, la chimie et les nouvelles phases de la matière — d’un usage scientifique courant.

Citation: Liao, WY., Du, Y., Wang, X. et al. Demonstration of efficient predictive surrogates for large-scale quantum processors. Nat Commun 17, 4731 (2026). https://doi.org/10.1038/s41467-026-72506-5

Mots-clés: processeurs quantiques, modèles substituts prédictifs, variational quantum eigensolver, simulation quantique numérique, phases de Floquet

En savoir plus sur le site web de l'équipe de recherche: http://staff.ustc.edu.cn/~quanhhl/