Une équipe de chercheurs chinois a mis au point une méthode innovante pour optimiser les circuits quantiques paramétriques, un élément essentiel des algorithmes quantiques variationnels. Cette méthode pourrait ouvrir de nouvelles perspectives pour l’informatique quantique et l’apprentissage automatique.
Une solution au problème du plateau stérile
Les algorithmes quantiques variationnels sont devenus un moteur important dans le domaine de l’informatique quantique, avec des applications allant de la chimie quantique et l’optimisation combinatoire à des tâches d’apprentissage automatique telles que l’identification d’informations. Cependant, un défi persistant a été le problème du plateau stérile.
Dans l’optimisation classique, les méthodes basées sur le gradient s’appuient sur le gradient de la fonction objectif, qui est comme une pente, pour guider le processus d’optimisation. Cependant, dans le domaine de l’informatique quantique, le problème du plateau stérile se produit lorsque les circuits quantiques manquent d’un gradient perceptible dans le paysage d’un problème d’optimisation.
Les chercheurs dirigée par Yumin Dong de l’Université normale de Chongqing ont cherché à relever ce défi en exploitant la puissance des stratégies évolutives naturelles sans gradient.
Selon les chercheurs, «Ces stratégies sont censées optimiser les circuits quantiques en termes de nombre d’évaluations de fonction et de mise à l’échelle de la taille du circuit. Le gradient est estimé efficacement avec des évaluations constantes, qui ne sont pas affectées par le nombre de paramètres. De plus, ces évaluations de fonction sont totalement indépendantes et peuvent être exécutées en parallèle. Cela signifie que ces méthodes conviennent aux problèmes de grande dimension».
Deux méthodes spécifiques
Les chercheurs ont introduit deux méthodes spécifiques : l’une, qu’ils appellent NESSGD, combine la stratégie évolutive naturelle avec la descente de gradient stochastique, tandis que l’autre, qu’ils appellent NESAdaBelief, combine la stratégie évolutive naturelle avec une variante de descente de gradient. Ces méthodes visent à optimiser les paramètres des circuits quantiques paramétriques dans les algorithmes quantiques variationnels.
Ces méthodes ont été comparées à des méthodes qui n’utilisaient pas de stratégie évolutive naturelle dans cinq tâches de classification. Les deux nouvelles méthodes ont montré une performance supérieure en atteignant une précision plus élevée, mettant en évidence le potentiel de ces méthodes pour révolutionner l’optimisation des algorithmes quantiques.
En synthèse
Les résultats de cette étude ont des implications considérables pour l’avenir de l’informatique quantique et de ses applications. Les chercheurs ont déclaré : «Dans la prochaine étape, nous envisagerons des stratégies combinatoires pour améliorer encore la formation.»
L’objectif ultime est d’améliorer la robustesse des circuits quantiques paramétriques dans le matériel quantique intermédiaire bruité.
Pour une meilleure compréhension
Qu’est-ce que le problème du plateau stérile ?
Le problème du plateau stérile se produit lorsque les circuits quantiques manquent d’un gradient perceptible dans le paysage d’un problème d’optimisation, rendant difficile la recherche d’une solution.
Quelles sont les deux méthodes spécifiques introduites par les chercheurs ?
Les deux méthodes sont NESSGD, qui combine la stratégie évolutive naturelle avec la descente de gradient stochastique, et NESAdaBelief, qui combine la stratégie évolutive naturelle avec une variante de descente de gradient.
Comment ces méthodes ont-elles été évaluées ?
Les méthodes ont été comparées à des méthodes qui n’utilisaient pas de stratégie évolutive naturelle dans cinq tâches de classification, et les deux nouvelles méthodes ont montré une performance supérieure en atteignant une précision plus élevée.
Quel est l’objectif ultime de cette recherche ?
L’objectif ultime est d’améliorer la robustesse des circuits quantiques paramétriques dans le matériel quantique intermédiaire bruité.
Quelle est la prochaine étape pour les chercheurs ?
La prochaine étape consiste à envisager des stratégies combinatoires pour améliorer encore la formation des algorithmes quantiques variationnels.
Cette recherche a été publiée dans Intelligent Computing, a Science Partner Journal. | https://doi.org/10.34133/icomputing.0042
