Les scientifiques ont développé une approche exacte d'un problème clé de correction des erreurs quantiques qui ne serait pas insoluble, et ont montré que ce qui semblait être des erreurs liées au matériel peut en fait être due au décodage sous-optimal.
Le nouvel algorithme, appelé planaire, a réalisé une réduction de 25% des taux d'erreur logique lorsqu'il est appliqué aux données expérimentales de Google Quantum AI. Cette découverte a révélé qu'un quart de ce que le géant de la technologie a attribué à un « plancher d'erreur » était en fait causé par leur méthode de décodage, plutôt que de véritables limitations matérielles.
Les ordinateurs quantiques sont extraordinairement sensibles aux erreurs, ce qui rend la correction d'erreur quantique essentielle pour les applications pratiques.
Les algorithmes de correspondance parfaits de poids minimum (MWPM) sont couramment utilisés pour résoudre le problème de décodage dans la correction d'erreur quantique. Bien qu'ils soient efficaces en calcul, leur nature sous-optimale introduit des erreurs algorithmiques supplémentaires qui peuvent obscurcir de véritables performances matérielles.
L'alternative théorique – décodage de maximum-likelihhood – est connue depuis longtemps pour être optimale mais a été considérée comme impossible par calcul pour les systèmes pratiques, appartenant à la classe de complexité #P notoirement difficile.
Cependant, les chercheurs ont maintenant découvert que les codes de répétition sous bruit au niveau du circuit ont une structure mathématique spéciale qui permet des solutions exactes.
Issues.fr s'est entretenu avec les co-auteurs de l'étude, le professeur Feng Pan de l'Université de technologie et de design de Singapour, le professeur Pan Zhang de l'Académie chinoise des sciences, et le Dr Huikai Xu, chercheur à l'Académie de Pékin des sciences de l'information quantique (Baqis).
« Notre groupe a étudié les modèles de verre à spin avec différentes topologies pendant de nombreuses années, en se concentrant sur deux problèmes de base: trouver des états au sol et calculer les fonctions de partition », ont expliqué les chercheurs.
« Lorsque nous avons entré une correction d'erreur quantique, nous avons découvert une connexion profonde: les miroirs de décodage d'erreur sont probablement des lunettes de spin dans les lunettes de spin, tandis que le décodage du décodage des miroirs de cloison du calcul de la part de partition. »
La recherche, publiée dans Lettres d'examen physiquereprésente le premier algorithme de décodage de vérification maximale exacte avec complexité de calcul polynomiale pour les codes de répétition sous bruit au niveau du circuit.
Le défi de décodage
La correction d'erreur quantique repose sur l'interprétation des mesures du « syndrome ». Ce sont des signaux qui détectent où les erreurs se sont produites et déterminent le modèle d'erreur le plus probable qui les a provoqués.
Les expériences actuelles utilisent principalement des algorithmes de correspondance parfaits de poids minimum, qui trouvent le chemin d'erreur le plus court mais n'identifient pas nécessairement l'erreur logique la plus probable.
« Cette sous-optimalité a masqué les performances matérielles et a contribué à des planchers d'erreur non comptabilisés », ont expliqué les chercheurs.
Le contexte des chercheurs en physique statistique leur a fait réaliser un lien profond entre la correction des erreurs quantiques et les modèles de verre à spin.
« Alors que la communauté QEC savait que les graphiques planaires simplifiaient le décodage du MLE, peu de MLD reconnues pouvaient également être efficaces pour de telles topologies. Cette perspicacité a directement motivé notre travail », ont-ils expliqué.
Planaire fonctionne en traduisant le problème de correction d'erreur quantique dans le calcul de la fonction de partition d'un verre de spin, qui est un problème bien étudié en physique statistique. L'informatique importante est que pour les codes de répétition, cela se traduit par ce qu'on appelle un graphique plan, où les bords ne se croisent pas.
« Cela nous permet d'exploiter les solutions exactes et efficaces pour les lunettes de rotation planaires. Pour les graphiques non planaires, de telles solutions sont intraitables sur le calcul », a expliqué les chercheurs.
L'algorithme repose sur le formalisme KAC-Ward, une méthode mathématique qui permet le calcul exact des fonctions de partition pour les systèmes de verre de spin plane en temps polynomial, ce qui permet de calculer les probabilités exactes de la vérification maximale.
Pourquoi les codes de répétition sont importants
L'accent mis sur les codes de répétition n'est pas arbitraire.
Alors que d'autres codes de correction des erreurs quantiques, comme les codes de surface, n'ont atteint que de petites distances et des taux d'erreur relativement élevés dans les expériences, les codes de répétition sont uniques pour démontrer à la fois de grandes distances et des taux d'erreur extrêmement faibles.
« Le code de répétition évolue à de grandes distances tout en atteignant des taux d'erreur ultra-bas (jusqu'à 10-10)Contrairement aux codes de surface limités aux petites distances sur le matériel actuel, « expliquent les chercheurs.
Ces capacités rendent les codes de répétition cruciaux pour l'analyse comparative du matériel, l'identification des événements de rayons cosmiques dans les ordinateurs quantiques et la mise en place de calculs quantum tolérants à défaut évolutifs.
Planar a été validé par les chercheurs par des tests complets impliquant des données synthétiques, les résultats expérimentaux quantiques de Google et leur puce quantique à 72 qubit interne. Dans tous les cas, l'algorithme a démontré de meilleurs résultats que les méthodes existantes.
Pour les modèles de bruit synthétique, planaire a découvert les seuils d'erreur exacts: 6,7% pour le bruit de dépolarisation et 2,0% pour le bruit de supraconducteur SI1000, des valeurs qui n'avaient jamais été calculées avec précision auparavant.
Lorsqu'elle est appliquée aux expériences de mémoire quantique de Google, Planar a non seulement atteint 25% des taux d'erreur logique inférieurs, mais a également amélioré le facteur de suppression d'environ 8,11 à 8,28, ce qui indique la rapidité avec laquelle les erreurs diminuent à mesure que la taille du code quantique augmente.
Peut-être le plus impressionnant, lorsque l'équipe a testé planaire sur sa propre puce de 72 qubit (a délibérément opéré sans réinitialiser les portes pour créer des conditions difficiles avec des modèles d'erreur inconnus), l'algorithme a toujours atteint jusqu'à 8,76% d'amélioration des taux d'erreur logiques par rapport aux décodeurs standard.
Résultats prometteurs et travail futur
L'impact de la recherche va bien au-delà de la percée technique elle-même.
La complexité polynomiale efficace de l'algorithme lui permet de s'étendre avec la taille du système, ce qui est essentiel à mesure que les ordinateurs quantiques deviennent plus puissants.
« Les orientations futures incluent l'étendue à d'autres codes planes et l'intégration du plan plan dans la correction d'erreur en temps réel pour le calcul quantique tolérant aux pannes car il est à la fois précis (théoriquement optimal) et rapide (échelles polynomiales) », ont noté les chercheurs.
Les chercheurs ont prouvé l'efficacité de Planar sur les codes de surface dans des conditions de bruit particulières et prévoient de l'adapter à des graphiques non planaires avec un genre fini, ouvrant la porte à une utilisation plus large dans différents codes de correction des erreurs quantiques.
Les améliorations démontrées du matériel divers et sous plusieurs modèles de bruit suggèrent que l'algorithme jouera un rôle crucial dans l'activation de l'informatique quantique pratique.
Écrit pour vous par notre auteur Tejasri Gururaj, édité par Gaby Clark, et vérifié et examiné par Robert Egan – cet article est le résultat d'un travail humain minutieux. Nous comptons sur des lecteurs comme vous pour garder le journalisme scientifique indépendant en vie. Si ce rapport vous importe, veuillez considérer un don (surtout mensuel). Vous obtiendrez un sans publicité compte comme un remerciement.
