- AlphaQubit, développé conjointement par Google DeepMind et l’équipe Quantum AI, utilise l’IA pour identifier avec précision les erreurs à l’intérieur des ordinateurs quantiques
- Cette technologie peut rendre les ordinateurs quantiques plus fiables, ouvrant la voie à des avancées en découverte de médicaments, conception de matériaux et physique fondamentale, avec la possibilité de résoudre en quelques heures des problèmes qui prendraient des milliards d’années aux ordinateurs classiques
- Cependant, les processeurs quantiques sont plus vulnérables au bruit que les processeurs classiques. Pour améliorer la fiabilité des ordinateurs quantiques, il faut identifier et corriger précisément les erreurs
- AlphaQubit fournit une capacité d’identification précise des erreurs afin de permettre aux ordinateurs quantiques d’exécuter des calculs à grande échelle, une étape indispensable vers des percées scientifiques
Correction des erreurs en calcul quantique
- Les ordinateurs quantiques exploitent des propriétés uniques de la matière, comme la supraconductivité et l’intrication, pour résoudre des problèmes complexes plus rapidement que les ordinateurs classiques
- Mais l’état naturel des bits quantiques (qubits) est facilement perturbé par divers facteurs comme la chaleur, les vibrations, les interférences électromagnétiques ou les rayons cosmiques
- Les techniques de correction d’erreurs quantiques regroupent plusieurs qubits physiques pour former un qubit logique, puis identifient et corrigent les erreurs grâce à des vérifications de cohérence
- AlphaQubit joue le rôle d’un décodeur basé sur un réseau neuronal qui utilise ces données de vérification de cohérence pour détecter les erreurs
Développement du décodeur AlphaQubit basé sur un réseau neuronal
- AlphaQubit est un décodeur neuronal qui s’appuie sur l’architecture Transformer développée par Google pour prédire les erreurs à partir des vérifications de cohérence
- Il a amélioré sa précision en apprenant sur des millions d’exemples d’erreurs à partir de données générées par le processeur quantique Sycamore
- Comparé aux décodeurs existants, AlphaQubit :
- affiche un taux d’erreur inférieur de 6 % à celui d’un décodeur basé sur les réseaux de tenseurs (les réseaux de tenseurs sont précis mais inefficaces)
- obtient un taux d’erreur inférieur de 30 % à la méthode correlated matching, qui est rapide tout en restant précise
Scalabilité d’AlphaQubit et perspectives d’avenir
- AlphaQubit a montré d’excellentes performances dans des simulations exploitant des données de plus de 241 qubits, au-delà des systèmes actuellement disponibles
- Sur des systèmes plus vastes, AlphaQubit conserve une grande précision, ce qui suggère qu’il pourrait aussi bien fonctionner sur des dispositifs quantiques de taille intermédiaire
- AlphaQubit peut également fournir des niveaux de confiance en entrée et en sortie, ce qui pourrait contribuer à améliorer les performances des processeurs quantiques à l’avenir
- Il a maintenu des performances stables dans des simulations de correction d’erreurs allant jusqu’à plus de 100 000 rounds, démontrant une capacité de généralisation au-delà des données d’entraînement
Les défis vers un calcul quantique pratique
- AlphaQubit constitue une étape importante en montrant le potentiel du machine learning dans la correction d’erreurs quantiques
- Il reste toutefois des défis à relever, notamment en matière de vitesse pour la correction d’erreurs en temps réel et d’amélioration des méthodes d’entraînement plus efficientes en données
- L’équipe de Google vise à développer des ordinateurs quantiques fiables en combinant les avancées de pointe du machine learning et des technologies de correction d’erreurs quantiques
1 commentaires
Avis Hacker News
Lorsqu’on maintient une mémoire quantique, on mesure les contrôles de parité du code de correction d’erreurs quantiques. Ces contrôles de parité contiennent des informations partielles sur les erreurs, et non sur l’état logique, ce qui permet à l’information quantique logique de rester cohérente pendant ce processus.
Ces mesures sont des données classiques, et un calcul est nécessaire pour inférer l’erreur la plus probable à partir du syndrome mesuré. Ce processus s’appelle le décodage.
Cette étude présente un modèle qui sert d’algorithme de décodage pour le surface code, un code quantique très courant. Le surface code est l’analogue quantique du repetition code.
AlphaQubit est une architecture de réseau neuronal basée sur un recurrent transformer qui prédit les erreurs des observables logiques à partir des syndromes en entrée. Ce réseau est préentraîné sur des échantillons simulés puis affiné sur une quantité limitée d’échantillons expérimentaux, afin de décoder l’expérience Sycamore surface code avec une précision supérieure à celle de tous les décodeurs précédents.
Lors d’un cycle de correction d’erreurs dans le surface code, les informations des stabilisateurs X et Z mettent à jour l’état interne du décodeur, encodé sous forme de vecteur pour chaque stabilisateur. L’état interne est ensuite modifié par plusieurs couches d’un réseau neuronal de type syndrome transformer intégrant attention et convolutions.
Certains estiment qu’en dehors de l’article et des figures citées, il est difficile de trouver une description détaillée de l’architecture. Ils soulignent aussi que Google ne fournit plus facilement ses méthodologies ML depuis 2017.
Un commentaire souligne qu’en substance, un calcul intrinsèquement sujet aux erreurs est en train d’en corriger un autre, lui aussi sujet aux erreurs.
Une interrogation est soulevée sur la manière dont un système classique peut détecter/corriger les erreurs d’un système quantique. La personne pensait que tous les algorithmes de correction d’erreurs quantiques reposaient sur des qubits.
Le calcul quantique et l’IA sont clairement au sommet du hype.
Certains estiment qu’il n’y a pas vraiment matière à se plaindre du hype autour de l’IA. D’autres disent que c’est le seul élément lié à l’IA qui sonne à moitié légitime.
Tout cela donne l’impression des anciens brevets « avec un ordinateur ».
Une blague suggère qu’il ne manque plus qu’à y intégrer la cryptomonnaie pour que ce soit presque complet.
Certains disent ne pas bien connaître les ordinateurs quantiques, mais trouvent cela intéressant. Ils ajoutent qu’au vu de la liste des composants, tout semble nécessaire et qu’il faut aussi beaucoup de GPU.
Certains disent essayer depuis longtemps sans toujours comprendre comment fonctionne le calcul quantique. On leur explique toujours cela comme le fait d’essayer toutes les combinaisons possibles puis d’obtenir la réponse.