Des chercheurs de la Freie Universität Berlin, de l’Université du Maryland et du NIST, de Google AI et d’Abu Dhabi ont entrepris d’estimer de manière robuste les paramètres hamiltoniens libres des excitations bosoniques dans un simulateur quantique supraconducteur. Les protocoles qu’ils ont développés, décrit dans un article pré-publié sur arXivpourrait contribuer à la réalisation de simulations quantiques de haute précision dépassant les limites des ordinateurs classiques.
« Je participais à une conférence au Brésil lorsque j’ai reçu un appel d’amis de l’équipe Google AI », a déclaré Jens Eisert, premier auteur de l’article, à Phys.org.
« Ils essayaient de calibrer leur puce quantique supraconductrice Sycamore avec des méthodes d’apprentissage hamiltonien et ont rencontré de sérieux obstacles et appelaient à l’aide. Ayant beaucoup travaillé à la fois sur des idées de simulation quantique analogique et sur une méthodologie d’identification de systèmes, j’étais vraiment intrigué. »
Quand Eisert a commencé à réfléchir au problème que lui posaient ses amis, il a pensé qu’il devrait être facile à résoudre. Pourtant, il s’est vite rendu compte que ce serait plus difficile que prévu, car les fréquences de l’opérateur hamiltonien dans le système de l’équipe n’étaient pas récupérées avec suffisamment de précision pour identifier l’hamiltonien inconnu à partir des données disponibles.
« J’ai invité deux doctorants extrêmement intelligents, Ingo Roth et Dominik Hangleiter, et ensemble, nous avons rapidement trouvé une solution en utilisant des idées de superrésolution, en principe jusqu’à ce que les données arrivent », a déclaré Eisert.
« Il a ensuite fallu encore quelques années avant que nous comprenions comment rendre les idées d’apprentissage hamiltonien suffisamment robustes pour qu’elles puissent être appliquées à de véritables expériences à grande échelle.
» Entre-temps, un autre doctorant s’est joint à nous, Jonas Fuksa, et les deux autres avaient obtenu leur diplôme depuis longtemps. Cela a aidé Pedram Roushan, le responsable expérimental des efforts de Google en matière d’IA, à rester persévérant et à fournir d’excellentes données. Au final Des années plus tard, nous avons trouvé une solution à la question soulevée lors de l’appel Zoom des années plus tôt. »
Pour apprendre la dynamique hamiltonienne d’un simulateur quantique supraconducteur, Eisert et ses collègues ont utilisé diverses techniques. Premièrement, les chercheurs ont utilisé la superrésolution, une méthode permettant d’améliorer la résolution de l’estimation des valeurs propres, afin d’atteindre les fréquences hamiltoniennes correctes.
Ils ont ensuite utilisé une technique connue sous le nom d’optimisation multiple pour récupérer les espaces propres de l’opérateur hamiltonien, récupérant ainsi l’hamiltonien. L’optimisation des variétés implique l’utilisation d’algorithmes d’optimisation spécialisés pour résoudre des problèmes complexes pour lesquels les variables se trouvent sur une variété (espace lisse et courbe), plutôt que dans un espace euclidien standard.
« Pour obtenir des estimations robustes, nous avons combiné un certain nombre d’idées », a expliqué Eisert.
« Même comprendre les processus d’allumage et d’extinction était important, car ces processus ne sont pas parfaits et instantanés (et même pas unitaires), donc si l’on essaie de s’adapter à une évolution hamiltonienne qui, en partie, n’est pas du tout hamiltonienne, on obtient un En fin de compte, de nouvelles méthodes de traitement du signal que nous avons appelées TensorEsprit ont permis une récupération robuste jusqu’à des systèmes de grande taille.
Dans leur article, les chercheurs présentent une nouvelle technique de mise en œuvre de la super-résolution, qu’ils ont baptisée TensorEsprit. En combinant cette technique avec une méthode d’optimisation multiple, ils ont pu identifier de manière robuste les paramètres hamiltoniens pour jusqu’à 14 qubits supraconducteurs couplés répartis sur deux processeurs Sycamore.
« Au début, il était important de comprendre l’importance des méthodes d’apprentissage hamiltonien », a déclaré Eisert.
« On ne peut alors récupérer les espaces propres de manière significative que si les valeurs propres sont connues avec une extrême précision. Dans les phases ultérieures du projet, nous avons compris à la dure pourquoi il y a si peu de publications présentant des données issues de l’apprentissage hamiltonien : il est tout simplement très difficile de faites-le fonctionner pour des données pratiques.
Les premiers tests effectués par les chercheurs suggèrent que les techniques proposées pourraient être évolutives et applicables de manière robuste aux grands processeurs quantiques. Leurs travaux pourraient inspirer le développement d’approches similaires pour caractériser les paramètres hamiltoniens des processeurs quantiques.
Dans le cadre de leurs prochaines études, Eisert et ses collègues prévoient d’appliquer leurs méthodes à des systèmes quantiques en interaction. Ils travaillent également à appliquer des idées similaires dérivées des réseaux de tenseurs aux systèmes quantiques constitués d’atomes froids, qui ont été introduits pour la première fois par le physicien Immanuel Bloch.
« Je pense que ce domaine deviendra important à l’avenir », a ajouté Eisert. « Une question ancienne et pourtant souvent sous-estimée est celle de savoir ce qu’est réellement un hamiltonien d’un système. Cette question est déjà posée dans les cours de base sur la mécanique quantique. Car même si elle caractérise le système, on suppose souvent qu’elle est connue, un hypothèse qui n’est souvent pas le cas.
« En fin de compte, les expériences ne produisent que des données, et donc, en mécanique quantique, vous n’avez un pouvoir prédictif que si vous connaissez exactement l’hamiltonien. La question se pose donc de savoir comment l’apprendre à partir des données. »
En plus de contribuer à la compréhension conceptuelle des opérateurs hamiltoniens, les futures études des chercheurs pourraient éclairer le développement de technologies quantiques. En facilitant la caractérisation des simulateurs quantiques analogiques, ils pourraient en effet ouvrir de nouvelles voies pour la réalisation de simulations quantiques de haute précision.
« La simulation quantique analogique permet d’étudier d’une nouvelle manière des systèmes et des matériaux quantiques complexes en les recréant dans des conditions extrêmement précises en laboratoire », a expliqué Eisert.
« Pourtant, cette idée n’a de sens – et n’est associée à des prédictions précises – que si vous connaissez l’hamiltonien qui caractérise exactement le système. »
Plus d’informations :
Dominik Hangleiter et al, Apprendre de manière robuste la dynamique hamiltonienne d’un processeur quantique supraconducteur, arXiv (2024). DOI : 10.48550/arxiv.2108.08319
© 2024 Réseau Science X