Des chercheurs de l’Institut indien de technologie de Madras ont développé une technique d’apprentissage automatique pour identifier et atténuer rapidement le bruit dans les ordinateurs quantiques, une étape importante vers la fiabilisation de cette technologie transformatrice. L’approche de l’équipe, détaillée dans Advanced Quantum Technologies, entraîne des réseaux neuronaux artificiels pour identifier les perturbations affectant les qubits avec une vitesse et une précision supérieures à celles des méthodes traditionnelles.
Le défi quantique : les qubits fragiles
Les ordinateurs quantiques promettent une puissance de traitement sans précédent en exploitant les qubits : contrairement aux bits informatiques standard (0 ou 1), les qubits existent simultanément dans plusieurs états. Cela leur permet de résoudre des problèmes hors de portée même des superordinateurs les plus puissants, notamment la découverte de médicaments, la science des matériaux et le décryptage. Cependant, les qubits sont notoirement sensibles : toute interaction externe peut leur faire perdre leurs propriétés quantiques (appelées décohérence ), rendant les calculs inutiles.
Pourquoi est-ce important : Le problème principal n’est pas seulement que les qubits sont fragiles, mais que identifier et contrôler la source de la fragilité a été un processus lent et complexe. Les chercheurs ont longtemps eu du mal à mesurer et à corriger efficacement ces perturbations, ce qui entrave la pratique de l’informatique quantique.
Spectroscopie du bruit alimentée par l’IA
L’équipe de l’IIT Madras a contourné ce goulot d’étranglement en utilisant l’apprentissage automatique. Ils ont formé des réseaux neuronaux sur des données simulées imitant des perturbations de qubits, puis les ont testés sur les processeurs quantiques d’IBM. Le résultat : un système d’IA capable de diagnostiquer les modèles de bruit plus rapidement que les méthodes traditionnelles.
« Nous utilisons des réseaux de neurones artificiels formés sur des données synthétiques bien conçues pour une prédiction rapide des caractéristiques du bruit avec une perte de précision minimale », explique le professeur Siddharth Dhomkar, co-auteur de l’étude.
Cette approche reflète les techniques de reconnaissance d’images, dans lesquelles les ordinateurs apprennent à identifier des objets à partir de grands ensembles de données. Le réseau neuronal identifie les modèles de bruit dans les données expérimentales réelles en une fraction du temps qu’il faudrait avec des protocoles quantiques conventionnels.
Validation sur les processeurs IBM Quantum
La méthode a été testée avec succès sur les qubits supraconducteurs d’IBM, qui fonctionnent comme des bits quantiques en exploitant de minuscules circuits électriques refroidis à un niveau proche du zéro absolu. L’IA a diagnostiqué des variations de bruit dans ces qubits et a suggéré des stratégies de suppression ciblées. Les chercheurs prévoient d’utiliser cette technique pour évaluer et comparer les qubits dans différents laboratoires du monde entier.
L’impact : Un diagnostic de bruit plus rapide signifie un contrôle des qubits plus efficace, conduisant à des performances améliorées et au potentiel d’architectures informatiques quantiques évolutives.
Au-delà des qubits supraconducteurs : une approche universelle
La méthode de l’équipe ne se limite pas aux qubits supraconducteurs. Il est conçu pour être indépendant du matériel, ce qui signifie qu’il peut être adapté à d’autres technologies de qubits, y compris les systèmes de spin optique. Cette flexibilité est cruciale compte tenu de l’expérimentation en cours de diverses approches informatiques quantiques.
L’équipe développe actuellement des méthodes d’IA pour lutter contre des bruits plus complexes et concevoir des opérations quantiques personnalisées, même pour du matériel imparfait. L’objectif ultime est de créer des ordinateurs quantiques plus robustes et plus fiables, rapprochant ainsi cette technologie des applications du monde réel.
Le chemin vers l’informatique quantique pratique reste long, mais cette étude montre une voie à suivre claire : en apprenant aux machines à comprendre et à contrecarrer les perturbations cachées qui affectent les qubits, les chercheurs accélèrent le voyage vers un avenir quantique.
