Relier les phases de la matière à la platitude du paysage de perte dans les algorithmes variationnels quantiques analogiques

Pourquoi cela compte pour les ordinateurs quantiques futurs

À mesure que les ordinateurs quantiques passent d’objets de laboratoire à des outils pratiques, un défi majeur apparaît : de nombreux algorithmes prometteurs deviennent impossibles à entraîner quand les dispositifs grandissent. Cet article explore une manière surprenante d’aborder ce problème en empruntant des idées de la physique de la matière condensée. Les auteurs montrent comment différentes « phases » de la matière quantique — façons dont un système à plusieurs particules s’organise — peuvent rendre les algorithmes variationnels quantiques soit entraînables soit essentiellement bloqués, et ils proposent une stratégie pour les maintenir entraînables sur du matériel quantique analogique.

Un apprentissage quantique compatible avec le matériel

Les algorithmes variationnels quantiques utilisent un dispositif quantique pour préparer un état quantique réglable et un ordinateur classique pour ajuster les paramètres jusqu’à ce qu’une quantité cible, comme l’énergie ou un coût, soit minimisée. La plupart des conceptions existantes sont « numériques » : elles construisent les états à partir de longues séquences de portes logiques. Bien que flexibles, ces circuits peuvent être trop expressifs, explorant de vastes régions de l’espace des états quantiques qui sont inutiles pour la tâche. Dans les grands systèmes, cela peut provoquer le problème dit des plateaux stériles, où le paysage de perte devient presque parfaitement plat et les gradients s’annulent exponentiellement avec la taille du système. Plutôt que d’assembler de longues séquences de portes, les auteurs étudient une approche « analogique » : laisser une chaîne de spins quantiques évoluer sous ses interactions naturelles au travers d’une série de changements soudains, ou quenches, directement réalisables sur des plateformes comme les ions piégés, les atomes de Rydberg et les circuits supraconducteurs. En contrôlant le désordre dans la chaîne de spins, ils peuvent placer chaque quench dans l’une de deux phases de la matière distinctes, thermalizée ou localisée à plusieurs corps, et étudier comment ce choix façonne le comportement de l’algorithme.

Deux phases, deux paysages d’apprentissage très différents

Dans la phase thermalizée, le système se comporte de manière chaotique : les interactions et un faible désordre propagent rapidement l’information et l’intrication à travers tous les spins, poussant la chaîne vers des états qui ressemblent à ceux produits par un processus quantique entièrement aléatoire. Dans la phase de localisation à plusieurs corps (MBL), un désordre fort empêche ce type de mélange. Les motifs locaux de l’état initial restent visibles pendant des temps très longs, et l’intrication ne croît que lentement. Les auteurs utilisent des mesures quantitatives de l’étendue d’exploration de l’ansatz de l’algorithme dans l’espace des évolutions quantiques possibles — son expressivité — et relient cela à la platitude du paysage de perte. Ils constatent que les deux phases deviennent maximales en expressivité si un nombre suffisant de quenches est appliqué, mais la phase thermalizée atteint ce régime beaucoup plus tôt. À mesure qu’elle y parvient, la variance de la fonction de perte, et donc les gradients nécessaires à l’apprentissage, décroît exponentiellement avec le nombre de qubits, signalant l’apparition de plateaux stériles. Dans la phase MBL, le même destin survient finalement, mais seulement après beaucoup plus de quenches.

Relier la croissance de l’intrication à l’entraînabilité

Pourquoi la phase MBL retarde-t-elle l’apparition de paysages plats ? Les auteurs relient cela à la manière dont l’intrication se construit. Dans le régime thermalizé, chaque quench produit un grand saut d’intrication entre les parties de la chaîne de spins, et le système imite rapidement des états entièrement aléatoires. Ce brouillage rapide efface la structure du paysage de perte, rendant les gradients extrêmement faibles. En revanche, le régime MBL génère l’intrication beaucoup plus lentement et de façon plus localisée. Numériquement, le nombre de quenches requis pour que la variance de la perte se sature suit de près celui nécessaire pour que l’intrication se sature, et l’écart entre les deux phases croît approximativement de façon linéaire avec la taille du système. Cela signifie qu’il existe une large fenêtre où l’ansatz basé sur la MBL est déjà assez expressif mais n’est pas encore tombé dans un plateau stérile, tandis que l’ansatz thermalizé est déjà non entraînable.

Une stratégie d’initialisation qui évite l’échec précoce

En s’appuyant sur cette compréhension, les auteurs proposent une règle pratique pour configurer les algorithmes variationnels analogiques. Choisir un nombre intermédiaire de quenches et initialiser le système dans la phase MBL : la même profondeur qui serait déjà trop importante et trop plate en phase thermalizée reste entraînable en phase MBL. Pendant l’optimisation, les paramètres de contrôle sont alors libres de s’éloigner d’une localisation stricte si nécessaire, gagnant en expressivité sans avoir commencé dans une région plate. Des tests sur des exemples petits mais non triviaux soutiennent ce tableau. Pour certains problèmes dont la structure correspond étroitement au matériel, une configuration thermalizée et peu profonde peut bien fonctionner. Mais pour des cibles plus générales, comme trouver l’état fondamental d’une chaîne de Heisenberg ou résoudre des instances aléatoires de Max-Cut, une initialisation basée sur la MBL à profondeur intermédiaire offre une précision énergétique nettement meilleure et des solutions de meilleure qualité, avec une convergence plus fiable et moins d’instances coincées dans de mauvais minima.

Ce que cela signifie pour l’extension des algorithmes quantiques

L’étude suggère que la physique des phases quantiques n’est pas seulement un obstacle ou une curiosité, mais un outil pour concevoir de meilleures architectures d’apprentissage quantique. En réglant un dispositif analogique dans un régime de localisation à plusieurs corps pour l’initialisation, on peut retarder l’apparition des plateaux stériles tout en conservant suffisamment de flexibilité pour approcher des états complexes plus tard dans l’entraînement. Les auteurs soulignent que ce n’est pas une solution magique : les plateaux stériles et d’autres problèmes, comme de mauvais minima locaux, peuvent toujours surgir, et la méthode reste largement agnostique au problème. Néanmoins, elle offre des orientations concrètes et conscientes du matériel pour construire des algorithmes variationnels quantiques analogiques plus évolutifs et ouvre la voie à un programme plus large où des concepts comme la localisation, les cristaux temporels ou l’ordre topologique contribuent à façonner les paysages d’apprentissage des ordinateurs quantiques du futur.

Citation: Srimahajariyapong, K., Thanasilp, S. & Chotibut, T. Connecting phases of matter to the flatness of the loss landscape in analog variational quantum algorithms. Commun Phys 9, 111 (2026). https://doi.org/10.1038/s42005-026-02528-4

Mots-clés: algorithmes variationnels quantiques, simulation quantique analogique, localisation à plusieurs corps, plateaux stériles, apprentissage automatique quantique