Prochaine étape de l'informatique quantique : un nouvel algorithme stimule le multitâche

Les ordinateurs quantiques diffèrent fondamentalement des ordinateurs classiques. Au lieu d'utiliser des bits (0 et 1), ils utilisent des « qubits », qui peuvent exister dans plusieurs états simultanément en raison de phénomènes quantiques comme la superposition et l'intrication.

Pour qu'un ordinateur quantique puisse simuler des processus dynamiques ou traiter des données, entre autres tâches essentielles, il doit traduire des données d'entrée complexes en « données quantiques » qu'il peut comprendre. Ce processus est connu sous le nom de compilation quantique.

Essentiellement, la compilation quantique « programme » l’ordinateur quantique en convertissant un objectif particulier en une séquence exécutable. Tout comme l'application GPS convertit la destination souhaitée en une séquence d'étapes exploitables que vous pouvez suivre, la compilation quantique traduit un objectif de haut niveau en une séquence précise d'opérations quantiques que l'ordinateur quantique peut exécuter.

Traditionnellement, les algorithmes de compilation quantique optimisent une seule cible à la fois. Bien qu’efficace, cette approche présente des limites. De nombreuses applications complexes nécessitent un ordinateur quantique pour effectuer plusieurs tâches. Par exemple, en simulant des processus dynamiques quantiques ou en préparant des états quantiques pour des expériences, les chercheurs peuvent avoir besoin de gérer plusieurs opérations à la fois pour obtenir des résultats précis. Dans ces situations, gérer une cible à la fois devient inefficace.

Pour relever ces défis, le Dr Le Bin Ho de l'Université du Tohoku a dirigé une équipe qui a développé un algorithme de compilation quantique multi-cibles. Ils ont publié leur nouvelle étude dans la revue Apprentissage automatique : science et technologie le 5 décembre 2024.

« En permettant à un ordinateur quantique d'optimiser plusieurs cibles à la fois, cet algorithme augmente la flexibilité et maximise les performances », explique Le. Cela conduit à des améliorations dans les simulations de systèmes complexes ou dans les tâches impliquant plusieurs variables dans l’apprentissage automatique quantique, ce qui le rend idéal pour les applications dans diverses disciplines scientifiques.

En plus des améliorations de performances, cet algorithme multi-cible ouvre la porte à de nouvelles applications auparavant limitées par l'approche à cible unique. Par exemple, en science des matériaux, les chercheurs pourraient utiliser cet algorithme pour explorer simultanément plusieurs propriétés d’un matériau au niveau quantique. En physique, l’algorithme peut aider à étudier des systèmes qui évoluent ou nécessitent diverses interactions pour être pleinement compris.

Ce développement représente une avancée significative dans l’informatique quantique. « L'algorithme de compilation quantique multi-cibles nous rapproche du jour où les ordinateurs quantiques pourront gérer efficacement des tâches complexes et multiformes, fournissant ainsi des solutions à des problèmes hors de portée des ordinateurs classiques », ajoute Le.

Pour l’avenir, Le vise à étudier comment cet algorithme peut s’adapter à différents types de bruit et identifier des moyens d’améliorer ses performances.