L'IA qui répare les ordinateurs quantiques en temps réel : la percée de Google

Il y a encore des montagnes de problèmes à résoudre avant de pouvoir utiliser pleinement les ordinateurs quantiques. Par exemple : comment fabriquer assez de qubits de qualité pour former des qubits logiques capables de corriger leurs propres erreurs ? Ou encore, comment générer les états nécessaires pour effectuer des calculs universels ? Mais il existe aussi des défis moins connus, comme celui de la calibration.

POURQUOI LES ORDINATEURS QUANTIQUES ONT BESOIN D'ÊTRE CALIBRÉS

Tous les composants d'un ordinateur ne sont pas identiques. Même en fabriquant des qubits avec une précision extrême, il existe toujours de petites différences entre chacun d'eux. Par exemple, dans les qubits supraconducteurs (les qubits qui utilisent des courants électriques dans des fils refroidis à très basse température), chaque qubit réagit légèrement différemment aux impulsions de micro-ondes qui les contrôlent. Ces différences sont si subtiles qu'elles passent souvent inaperçues, mais elles deviennent problématiques lors de calculs complexes et longs.

Pour résoudre ce problème, les ingénieurs utilisent une méthode appelée calibration. Pendant cette phase, ils testent différentes fréquences et amplitudes d'impulsions de micro-ondes pour trouver la combinaison qui produit le moins d'erreurs possibles. Une fois ces réglages optimaux trouvés, ils les enregistrent et les utilisent pour effectuer les calculs. Le hic ? On ne peut pas faire de calibration pendant qu'un ordinateur quantique travaille. Résultat : avec le temps, les réglages s'écartent de leur position idéale, un phénomène appelé dérive.

LA DÉRIVE : UN PROBLÈME QUI POURRAIT TOUT BLOQUER

Prenons l'exemple des transmons, ces qubits supraconducteurs utilisés par Google et d'autres entreprises. Chaque transmon est composé d'une boucle de fil supraconducteur reliée à un résonateur. Ces qubits sont contrôlés par des impulsions de photons micro-ondes, elles-mêmes générées par du Matériel électronique situé à l'extérieur du système de réfrigération. Avec le temps, ce matériel peut chauffer ou subir d'autres aléas, ce qui fait dériver ses réglages initiaux. Pour des calculs simples, ce n'est pas grave. Mais pour des algorithmes complexes, comme ceux qui pourraient un jour casser les codes de chiffrement actuels, une dérive même minime peut tout gâcher.

Actuellement, si Google détecte une dérive, il arrête simplement le calcul et recalibre le système. Problème : on ne peut pas faire ça en plein milieu d'un calcul ultra-complexe. C'est comme essayer de changer une pièce de moteur en roulant à pleine vitesse sur l'autoroute.

LE SAVIEZ-VOUS ? LES ERREURS DE CALIBRATION SE VOIENT DANS LES DONNÉES

Les ordinateurs quantiques modernes utilisent des qubits corrigés par erreur. Concrètement, cela signifie qu'un sous-ensemble de qubits est utilisé pour surveiller en permanence les autres et détecter toute erreur. Ces erreurs peuvent être de deux types : aléatoires ou causées par une mauvaise calibration. Le plus surprenant ? Les erreurs de calibration produisent des syndromes détectables (des motifs d'erreurs spécifiques), tout comme les erreurs aléatoires. En théorie, on pourrait donc utiliser le même système de détection pour repérer les deux types d'erreurs.

Le vrai défi ? Les distinguer. Comment savoir si une erreur vient d'un qubit mal calibré ou d'un simple hasard ? C'est là que l'apprentissage par renforcement entre en jeu.

COMMENT L'IA CORRIGE LES ERREURS EN TEMPS RÉEL

L'apprentissage par renforcement, c'est un peu comme un jeu vidéo où l'ordinateur doit trouver la meilleure stratégie pour gagner. Ici, le « jeu » consiste à ajuster les 1 000 et quelques paramètres de contrôle des qubits. L'IA teste différentes combinaisons de fréquences et d'amplitudes, puis évalue leur efficacité à réduire les erreurs. Si une erreur commence à apparaître, l'IA ajuste automatiquement les paramètres pour la corriger. Et tout cela se fait en parallèle du système de détection et de correction des erreurs qui gère les qubits logiques.

Les chercheurs de Google ont testé cette méthode sur deux qubits logiques hébergés sur un système déjà calibré. L'un utilisait un code de surface (une méthode de correction d'erreurs), l'autre un code couleur (une autre technique). Ils ont ensuite comparé les résultats avec et sans l'IA. Résultat : l'ajout de l'IA a permis une augmentation de 20 % de la capacité à détecter et corriger les erreurs dans les qubits logiques.

LES LIMITES : L'IA NE FONCTIONNE PAS POUR TOUS LES CAS

Cette méthode a un gros défaut : elle ne fonctionne que si la dérive reste proche de l'état dans lequel l'IA a été entraînée. Imaginez que vous apprenez à conduire une voiture sur une route droite, puis qu'on vous demande de l'utiliser dans un labyrinthe. Les corrections qui fonctionnaient sur la route droite ne seront pas forcément efficaces dans le labyrinthe. De même, si la dérive éloigne trop le système de son état initial, l'IA pourrait ne plus être capable de le ramener à la normale.

Pour contourner ce problème, les chercheurs proposent de constamment réévaluer l'efficacité des différents ajustements. Mais cela pose une nouvelle question : peut-on se permettre de tester des configurations sous-optimales en plein milieu d'un calcul ? Même avec des variations limitées, le système fonctionnerait en dehors de sa zone de correction optimale. L'enjeu était donc de savoir si le gain obtenu en évitant une dérive massive valait le risque de quelques erreurs temporaires supplémentaires.

L'APPRENTISSAGE PAR RENFORCEMENT RÉUSSIT LE TEST

Les simulations menées sur des qubits corrigés par erreur de très petite taille ont montré que la méthode fonctionnait, à condition que la dérive soit lente. Les chercheurs ont ensuite poussé l'expérience plus loin en utilisant un qubit corrigé par erreur de grande taille, où le système d'apprentissage par renforcement contrôlait environ 40 000 paramètres. Résultat : l'IA a réussi à corriger les dérives en temps réel, sans interrompre le calcul.

CE N'EST PAS ENCORE LA SOLUTION ULTIME, MAIS UNE PREMIÈRE ÉTAPE

Cette avancée n'est pas encore prête pour une utilisation grand public. Aujourd'hui, les ordinateurs quantiques ne fonctionnent que pendant des durées suffisamment courtes pour que la dérive ne devienne pas un problème. Mais c'est une première étape cruciale. Elle prouve qu'un problème connu depuis longtemps peut être résolu, et ouvre la voie à des ordinateurs quantiques capables de fonctionner plus longtemps et plus fiablement.

Les chercheurs soulignent que cette méthode ne résout pas tous les défis de la computation quantique, mais elle montre que certaines solutions existent. Et c'est déjà énorme. Car pour que les ordinateurs quantiques deviennent vraiment utiles, il faut qu'ils puissent effectuer des calculs complexes sans s'arrêter toutes les cinq minutes pour se recalibrer.

POURQUOI C'EST UNE RÉVOLUTION POTENTIELLE

Imaginez un monde où les ordinateurs quantiques pourraient fonctionner en continu, sans jamais avoir besoin de s'arrêter pour se recalibrer. Plus de calculs interrompus, plus de données perdues, plus de temps d'attente. Juste des calculs quantiques fluides et fiables. C'est exactement ce que promet cette innovation de Google. Bien sûr, il reste encore du chemin à parcourir avant d'y arriver. Mais chaque pas compte, et celui-ci est gigantesque.

Cette méthode pourrait aussi inspirer d'autres domaines de la technologie quantique, comme les capteurs quantiques ou les communications sécurisées. Partout où la précision est cruciale, l'apprentissage par renforcement pourrait devenir un outil indispensable pour maintenir les systèmes à leur niveau optimal.

EN BREF : CE QU'IL FAUT RETENIR

Les ordinateurs quantiques ont un problème de taille : ils perdent leur précision avec le temps à cause de la dérive des réglages. Google a trouvé une solution en utilisant une IA d'apprentissage par renforcement pour recalibrer les qubits en temps réel, pendant les calculs. Résultat : une augmentation de 20 % de la capacité à corriger les erreurs. Cette méthode fonctionne pour l'instant uniquement si la dérive reste modérée, mais c'est une première étape prometteuse vers des ordinateurs quantiques plus fiables et plus puissants.