La course à l'avantage quantique sur des problèmes pertinents est plus vive que jamais. Du côté du matériel, plusieurs architectures concurrentes sont apparues ces dernières années, tandis que des algorithmes quantiques nouveaux et améliorés à court terme émergent presque quotidiennement. Malgré tous ces progrès, l'informatique quantique n'en est qu'à ses débuts et, à ce stade, il est crucial de développer des algorithmes adaptés à une exécution efficace sur une architecture matérielle spécifique. PASQAL est une société d'informatique quantique complète et est donc très bien positionnée pour concrétiser cette vision. Dans ce billet de blog, nous présenterons les bases de la plateforme d'informatique quantique à atomes neutres de PASQALet nous expliquerons en détail comment cette architecture correspond parfaitement à l'approche prometteuse d'apprentissage machine quantique à court terme adoptée par l'algorithme DQC (circuit quantique différentiable), récemment développé par PASQAL [1]. À l'adresse PASQAL , nous pensons que cette combinaison pourrait bientôt offrir l'un des premiers exemples d'avantage quantique étroit et pertinent sur le plan industriel.
Alors, de quoi s'agit-il et comment fonctionne cette architecture ? Plongeons dans le vif du sujet.
Transformateurs d'atomes neutres
Sur PASQAL, nous développons et commercialisons des unités de traitement quantique (QPU) de deuxième génération basées sur des réseaux ordonnés d'atomes neutres. Dans cette architecture, chaque qubit est réalisé avec un seul atome neutre dont les niveaux d'énergie électronique représentent les états|0⟩ et |1⟩ du qubit. Sous l'effet d'un laser soigneusement modulé, les atomes sont piégés dans le registre atomique souhaité à l'aide de pinces optiques. Des calculs quantiques peuvent être réalisés en envoyant des impulsions laser finement réglées sur les atomes. Enfin, la valeur de chaque qubit peut être mesurée à la fin du calcul en prenant (littéralement) l'image d'une caméra. Ce processus est résumé à la figure 1

L'architecture de l'atome neutre présente plusieurs avantages par rapport à d'autres plateformes concurrentes. Le plus important est leur flexibilité. D'une part, ils sont très évolutifs en termes de nombre de qubits : À l'adresse PASQAL, nous utilisons actuellement des prototypes de R&D fonctionnels avec plus de 300 atomes piégés, et nous prévoyons d'atteindre 1000 qubits d'ici à la fin de 2023. Grâce à la nature, tous ces qubits sont totalement identiques, ce qui garantit un bruit global plus faible et un temps de cohérence de plusieurs dizaines de ms, soit un ordre de grandeur supérieur à celui des architectures concurrentes telles que les qubits supraconducteurs et les pièges à ions. D'autre part, le piège optique que nous développons nous permet d'arranger le registre atomique dans des formes arbitraires, même en 3 dimensions, et de réaliser presque n'importe quel type de connectivité de qubit de 1 à plusieurs et de plusieurs à plusieurs, réduisant ainsi les besoins de portes SWAP coûteuses pour mettre en œuvre les algorithmes quantiques les plus courants. Cette caractéristique est également déterminante pour l'implémentation native de portes multi-qubits telles que Toffoli, un autre facteur de différenciation important par rapport à d'autres plates-formes.
Comme nous venons de le voir, les QPU à atomes neutres peuvent fonctionner en mode numérique, où les unités de circuit sont décomposées en ensembles de portes quantiques numériques compilées. Cependant, contrairement à la plupart des autres plateformes, elles peuvent également fonctionner en mode dit analogique, où l'hamiltonien du système de qubits complet peut être finement manipulé et utilisé comme ressource pour les calculs. Ce mode ouvre la voie au développement de nouveaux algorithmes quantiques et à la simulation directe de systèmes quantiques sur la QPU.
Compte tenu de tous ces avantages, les processeurs à atomes neutres ont de grandes chances d'atteindre l'avantage quantique à l'avenir. Cependant, à l'heure actuelle, il reste encore quelques obstacles à surmonter pour atteindre cet objectif. Par exemple, la fidélité, en particulier sur les portes à plusieurs qubits, doit être améliorée. Une augmentation similaire est également nécessaire en ce qui concerne le taux de répétition, c'est-à-dire le nombre de calculs par seconde pouvant être effectués par le processeur, qui est actuellement limité à l'exécution de ∼ 10 circuits par seconde. Toutefois, dans les deux cas, les principaux défis ne relèvent pas de la physique fondamentale mais de limitations techniques qui peuvent être résolues avec le temps.
Passons maintenant à l'aspect logiciel et voyons comment les avantages des architectures à atomes neutres peuvent être exploités pour exécuter efficacement l'algorithme DQC.
Pourquoi les processeurs d'atomes neutres sont bons pour les circuits quantiques différentiables ?
Dans notre récent article de blog sur l'algorithme DQC [1], nous avons montré comment utiliser l'apprentissage automatique informé par la physique (PIML) [2] pour résoudre des équations différentielles directement sur un système à base de qubits. Pour ce faire, un réseau neuronal quantique (QNN) soigneusement conçu sert d'approximateur de fonction universel pour estimer la solution de l'équation différentielle. Dans ce billet de blog, nous n'avons pas supposé d'architecture matérielle spécifique pour mettre en œuvre les DQC. Nous montrons ici que la plateforme d'atomes neutres de PASQAL possède certaines caractéristiques saillantes qui en font une plateforme idéale pour exécuter les algorithmes DQC.
Dans la section précédente, nous avons mentionné que la plateforme de l'atome neutre peut évoluer vers des centaines ou des milliers de qubits dès les deux prochaines années ; mais comment pouvons-nous utiliser au mieux ces qubits ?
Dans le cadre du DQC, cela s'avère très avantageux. En particulier, le nombre maximal de caractéristiques auxquelles un QNN peut accéder en tant qu'approximateur de fonction universel [1] dépend exponentiellement du nombre de qubits alloués à chaque dimension d'entrée de données. Avec des centaines de qubits, une fonction f(x) sur une seule dimension x pourrait potentiellement être décomposée par un nombre énorme de caractéristiques, atteignant ainsi une expressivité et une précision impossibles à atteindre par les méthodes conventionnelles. Plus intéressant encore, on pourrait envisager de décomposer une fonction multi-variable f(x, y, z, t) de, disons, trois dimensions spatiales et temporelles sur des registres parallèles, puis d'enchevêtrer l'ensemble du registre dans un circuit relativement peu profond. On sait, grâce aux méthodes PIML classiques, que les problèmes de dimensions supérieures sont des cibles particulièrement intéressantes par rapport aux méthodes FEM [5]. Une autre utilisation d'un plus grand nombre de qubits physiques, cette fois-ci en commun avec d'autres algorithmes quantiques, réside dans les protocoles d'atténuation ou de correction des erreurs. Dans la plupart de ces techniques [4, 8], des qubits ancillaires sont nécessaires pour atténuer ou stabiliser les exécutions bruyantes du circuit. Alors qu'une exécution entièrement corrigée des erreurs nécessiterait des milliers de qubits physiques par qubit logique, une atténuation à échelle intermédiaire pourrait être réalisée avec des supports plus petits.
Comme nous l'avons vu dans la section précédente, les QPU à atomes neutres offrent un mode analogique permettant de manipuler directement l'hamiltonien du système de qubits. La DQC peut fortement bénéficier de ce mode de fonctionnement unique. D'une part, bien que la DQC ne nécessite pas d'opérations d'enchevêtrement universelles pour fonctionner correctement, on peut utiliser des impulsions soigneusement élaborées dans le canal analogique pour enchevêtrer tous les qubits ; en outre, ces couches d'enchevêtrement analogiques peuvent être entrelacées avec des rotations de qubits uniques dans une approche numérique-analogique. Cela permet de réduire considérablement le nombre de portes quantiques nécessaires à l'exécution efficace de l'algorithme DQC, contribuant ainsi à une plus grande précision à des tailles de système accessibles.
Mode numérique-analogique
L'idée des circuits numériques-analogiques semble excellente, mais comment les mettre en œuvre sur des systèmes à atomes neutres ? Intuitivement, on pourrait penser que le système fonctionne soit en mode numérique, soit en mode analogique, mais pas côte à côte au cours d'une même expérience.
La figure 2 représente schématiquement la manière dont les portes numériques adressables individuellement peuvent être mises en œuvre. Nous montrons également plusieurs stratégies pour la mise en œuvre de circuits mixtes numériques-analogiques sur notre plate-forme d'atomes neutres.

Exemple à deux qubits
Maintenant que nous avons vu comment les circuits numériques-analogiques peuvent être mis en œuvre sur des processeurs à atomes neutres, examinons un exemple de résolution d'une EDO 1D simple à deux qubits. Dans la figure 3(a), nous montrons comment une EDO simple est résolue par un QNN entraîné par DQC.
La figure 3(b) montre le circuit numérique-analogique utilisé pour obtenir la solution. Les portes numériques à qubit unique sont combinées à un "bloc analogique" mis en œuvre sous la forme d'une évolution hamiltonienne de l'interaction naturelle atome-atome pour un temps t. Notez qu'une seule "couche" variationnelle est utilisée, mais que le degré de contrôle est suffisant pour accorder indépendamment les 4 polynômes de Chebyshev dans l'espace de Hilbert à deux dimensions. C'est la preuve du pouvoir d'enchevêtrement du bloc analogique.

Il s'agit d'un exemple simple, mais dans les prochains articles de la série, nous viserons à étendre les applications des stratégies numériques-analogiques à la résolution de scénarios plus réalistes.
Défis et perspectives
Enfin, concentrons-nous sur deux obstacles apparents et voyons comment la combinaison de QPU à atomes neutres et de DQC peut les surmonter avec succès. Le premier est lié à tout algorithme d'apprentissage automatique quantique (QML) appliqué à des entrées/données classiques et est communément appelé le problème d'entrée-sortie des données : même si le calcul lui-même sur le matériel quantique est efficace, le chargement ou l'extraction de données depuis ou vers le domaine classique devient un goulot d'étranglement pour les grands ensembles de données, alors que ce problème est facilement traité par les ordinateurs conventionnels. Deuxièmement, nous avons vu que les processeurs à atomes neutres actuels sont caractérisés par un taux de répétition faible (mais qui s'améliore). Les temps de cycle étant actuellement plusieurs fois supérieurs à ceux d'autres plateformes, les algorithmes quantiques variationnels avec les mêmes hyperparamètres peuvent s'exécuter plus lentement.
À première vue, il semble que nous ayons un problème. Cependant, en combinant l'algorithme DQC avec la plateforme d'atomes neutres, ces deux problèmes peuvent être résolus avec succès :
- Alors que les ensembles de données sont souvent énormes dans les tâches standard d'apprentissage automatique, ce qui constitue un goulot d'étranglement pour les algorithmes QML sur les processeurs actuels, dans le cas particulier du PIML et du DQC, le nombre de points de données peut être inférieur de plusieurs ordres de grandeur ; en effet, les informations utilisées pour l'apprentissage ne sont pas seulement incluses dans les valeurs de la fonction d'apprentissage elle-même, mais aussi dans les valeurs de ses dérivés et de ses corrélations potentielles avec d'autres observables. Cela permet non seulement de traiter le problème de l'entrée-sortie des données, mais aussi de réduire considérablement le nombre total de circuits à évaluer par rapport à d'autres algorithmes QML.
- Dans la DQC, la moyenne hamiltonienne est utilisée pour représenter les valeurs de la fonction [1, 7]. La précision de cette estimation augmente de façon quadratique avec le nombre de répétitions du circuit (communément appelées "tirs"). Si nous prenons le cas du célèbre résolveur quantique variationnel pour les calculs de chimie, il existe une précision cible particulière connue sous le nom de "précision chimique", qui est de 1 kcal/mol. Même pour des systèmes de taille petite à moyenne, la fraction de cette précision par rapport à la largeur spectrale totale de l'hamiltonien est énorme, ce qui implique qu'un nombre important de répétitions est nécessaire pour atteindre cette précision, souvent de l'ordre de ∼ 106 . Dans le cas de la DQC, au contraire, nous pouvons allouer un spectre de fonction de coût de notre choix, dans une plage confortable de l'espace-solution, et donc nécessiter beaucoup moins de répétitions pour une bonne précision relative. En outre, lorsque la descente de gradient est utilisée, la direction de la mise à jour de l'angle est beaucoup plus importante que la prédiction précise de l'ampleur du pas dans cette direction. Par conséquent, un terme dérivé de moins d'un tir par perte peut être suffisant dans les premiers stades de la formation [10] en utilisant la descente de gradient stochastique standard. Ainsi, un faible taux de répétition ne constitue pas un problème pour l'algorithme DQC.
Dans cet article, nous avons montré que l'algorithme DQC constitue un candidat parfait pour une exécution efficace sur les dispositifs à atomes neutres, grâce aux caractéristiques uniques offertes par cette plateforme. N'oubliez pas de consulter notre article sur le DQC et notre premier exemple de cas d'utilisation !
Les principaux auteurs de ce blog sont Evan Philip, Mario Dagrada et Vincent Elfving.