Des chercheurs de Google ont découvert une nouvelle technique qui pourrait enfin rendre l'informatique quantique pratique dans la vie réelle, en utilisant l'intelligence artificielle pour résoudre l'un des défis les plus persistants de la science : des états plus stables.

Dans un article de recherche publié dans Nature, des scientifiques de Google Deepmind expliquent que leur nouveau système d'IA, AlphaQubit, s'est révélé remarquablement efficace pour corriger les erreurs persistantes qui ont longtemps pénalisé les ordinateurs quantiques.

"Les ordinateurs quantiques ont le potentiel de révolutionner la découverte de médicaments, la conception de matériaux et la physique fondamentale—c'est-à-dire, si nous pouvons les faire fonctionner de manière fiable," lit l'annonce de Google. Mais rien n'est parfait : les systèmes quantiques sont extraordinairement fragiles. Même la plus légère interférence environnementale—provenant de la chaleur, des vibrations, des champs électromagnétiques, ou même des rayons cosmiques—peut perturber leurs états quantiques délicats, entraînant des erreurs qui rendent les calculs peu fiables.

Un document de recherche de mars met en évidence le défi : les ordinateurs quantiques ont besoin d'un taux d'erreur de juste un dans un trillion d'opérations (10^-12) pour une utilisation pratique. Cependant, le matériel actuel a des taux d'erreur entre 10^-3 et 10^-2 par opération, rendant la correction d'erreurs cruciale.

"Certains problèmes, qui prendraient à un ordinateur conventionnel des milliards d'années à résoudre, prendraient à un ordinateur quantique juste quelques heures," déclare Google. "Cependant, ces nouveaux processeurs sont plus sensibles au bruit que les conventionnels."

“Si nous voulons rendre les ordinateurs quantiques plus fiables, surtout à grande échelle, nous devons identifier et corriger ces erreurs avec précision.”

Le nouveau système d'IA de Google, AlphaQubit, veut s'attaquer à ce problème. Le système d'IA utilise une architecture de réseau neuronal sophistiquée qui a démontré une précision sans précédent dans l'identification et la correction des erreurs quantiques, montrant 6 % d'erreurs en moins que les meilleures méthodes précédentes dans des expériences à grande échelle et 30 % d'erreurs en moins que les techniques traditionnelles.

Il a également maintenu une grande précision à travers des systèmes quantiques allant de 17 qubits à 241 qubits—ce qui suggère que l'approche pourrait s'adapter aux plus grands systèmes nécessaires pour l'informatique quantique pratique.

Sous le Capot

AlphaQubit emploie une approche en deux étapes pour atteindre sa haute précision.

Le système s'entraîne d'abord sur des données de bruit quantique simulées, apprenant les modèles généraux d'erreurs quantiques, puis s'adapte au matériel quantique réel en utilisant une quantité limitée de données expérimentales.

Cette approche permet à AlphaQubit de gérer des effets de bruit quantique complexes du monde réel, y compris le cross-talk entre qubits, la fuite (lorsque les qubits sortent de leurs états computationnels) et les corrélations subtiles entre différents types d'erreurs.

Mais ne vous réjouissez pas trop ; vous n'aurez pas un ordinateur quantique dans votre garage de sitôt.

Malgré sa précision, AlphaQubit fait encore face à des obstacles significatifs avant une mise en œuvre pratique. "Chaque vérification de cohérence dans un processeur quantique supraconducteur rapide est mesurée un million de fois chaque seconde," notent les chercheurs. "Bien qu'AlphaQubit soit excellent pour identifier les erreurs avec précision, il est encore trop lent pour corriger les erreurs dans un processeur supraconducteur en temps réel."

"S'entraîner à des distances de code plus grandes est plus difficile car les exemples sont plus complexes, et l'efficacité des échantillons semble plus faible à des distances plus grandes," a déclaré un porte-parole de Deepmind à Decrypt, "C'est important car le taux d'erreur évolue de manière exponentielle avec la distance de code, donc nous nous attendons à devoir résoudre des distances plus grandes pour obtenir les taux d'erreur ultra-faibles nécessaires pour un calcul tolérant aux pannes sur de grands circuits quantiques profonds.

Les chercheurs se concentrent sur l'optimisation de la vitesse, l'évolutivité et l'intégration comme des domaines critiques pour le développement futur.

L'IA et l'informatique quantique forment une relation synergique, améliorant le potentiel de l'autre. "Nous nous attendons à ce que l'IA/ML et l'informatique quantique restent des approches complémentaires au calcul. L'IA peut être appliquée dans d'autres domaines pour soutenir le développement d'ordinateurs quantiques tolérants aux pannes, comme la calibration et la compilation ou la conception d'algorithmes," a déclaré le porte-parole à Decrypt, "en même temps, les gens examinent les applications de ML quantique pour les données quantiques, et plus spéculativement, pour les algorithmes de ML quantique sur des données classiques.

Cette convergence pourrait représenter un tournant crucial dans la science computationnelle. À mesure que les ordinateurs quantiques deviennent plus fiables grâce à la correction d'erreurs assistée par l'IA, ils pourraient, à leur tour, aider à développer des systèmes d'IA plus sophistiqués, créant ainsi une puissante boucle de rétroaction d'avancement technologique.

L'âge de l'informatique quantique pratique, longtemps promis mais jamais réalisé, pourrait enfin être plus proche—bien que pas tout à fait assez proche pour commencer à s'inquiéter d'une apocalypse cyborg.

Édité par Sebastian Sinclair