Suprématie/avantage quantique & Modèles alternatifs de calcul quantique

Suprématie et avantage quantique

Définitions clés

La suprématie quantique (terme introduit par John Preskill en 2012) désigne la capacité d’un processeur quantique à résoudre un problème spécifique plus vite qu’aucun ordinateur classique connu. Ce n’est pas une supériorité générale sur toutes les tâches.

Le terme avantage quantique est plus neutre et préféré par la communauté. On parle d’avantage quantique utile quand le problème résolu a une application pratique concrète.

Le benchmark de référence est le Random Circuit Sampling (RCS) : générer des échantillons d’un circuit quantique aléatoire dont la distribution de probabilité est exponentiellement difficile à reproduire classiquement.

Cross-Entropy Benchmarking (XEB)

Pour valider qu’un processeur quantique produit les bonnes distributions (et pas du bruit), on utilise le XEB :

• On compare la distribution mesurée avec la distribution idéale (calculée sur simulateur pour de petits circuits).
• XEB ≈ 1 → le processeur reproduit fidèlement le circuit.
• XEB ≈ 0 → les échantillons sont indistinguables du bruit uniforme.
• Un XEB significativement > 0 sur un circuit impossible à simuler classiquement = revendication de suprématie.

L’expérience Sycamore et les contre-attaques

Google (2019) : 53 qubits supraconducteurs, 20 cycles de portes aléatoires, ~200 secondes pour produire 1 million d’échantillons — un résultat que le supercalculateur Summit mettrait, selon Google, ~10 000 ans à reproduire.

• IBM (2019) : estime qu’avec assez de stockage disque, Summit pourrait simuler le circuit en ~2,5 jours — pas 10 000 ans.
• Pan et al. (2022) : simulation par contraction de réseaux tensoriels en ~15 heures sur un cluster de GPU.
• Leçon : la frontière de l’avantage quantique est mouvante. Chaque revendication déclenche une course aux algorithmes classiques plus efficaces.

Conditions pour un avantage quantique utile

Trois conditions doivent être réunies simultanément :

• Le problème a une application pratique (pas juste du sampling artificiel).
• Le processeur quantique est significativement plus rapide (ou plus efficace en énergie) que la meilleure méthode classique connue.
• Le résultat est vérifiable, au moins par échantillonnage statistique.

Note : la correction d’erreur complète (FTQC) n’est pas un prérequis — un avantage utile pourrait théoriquement émerger de circuits NISQ bien choisis.

# Créer un circuit aléatoire en Qiskit (le type de circuit
# utilisé dans les expériences de suprématie quantique)
from qiskit.circuit.library import random_circuit

# 5 qubits, profondeur 20 couches de portes aléatoires
qc = random_circuit(num_qubits=5, depth=20, measure=True, seed=42)
print(f"Circuit : {qc.num_qubits} qubits, profondeur {qc.depth()}")
print(f"Nombre de portes : {qc.size()}")

# Pour un vrai test de suprématie, on passerait à ~50+ qubits
# et depth ~20+, rendant la simulation classique intraitable.

⚠️ Piège fréquent : les contre-attaques classiques sont permanentes. Un avantage revendiqué aujourd’hui peut être annulé demain par un meilleur algorithme classique. La suprématie quantique n’est donc jamais « définitivement prouvée » — c’est un jalon mouvant.

Modèles alternatifs de calcul quantique

Le modèle circuit (portes + mesure) n’est pas le seul modèle de calcul quantique. Trois autres modèles importants existent, tous théoriquement équivalents en puissance de calcul.

MBQC — Calcul par mesure (one-way model)

Imagine un programme Python où au lieu d’appeler des méthodes (= portes), tu lis des propriétés d’objets dans un certain ordre, et c’est la lecture elle-même qui transforme l’état :

• Étape 1 : Préparer un grand cluster state — un réseau de qubits tous intriqués via des portes CZ. Pense à un tissu de qubits connectés.
• Étape 2 : Mesurer chaque qubit dans une base choisie (un angle sur le plan XY de la sphère de Bloch).
• Étape 3 : Le choix de la base de mesure détermine l’opération logique appliquée au résultat.
• Étape 4 : Les résultats de mesure d’un qubit conditionnent la base du suivant (mesures adaptatives).

Un cluster 2D suffit pour tout calcul quantique universel. Les qubits sont « consommés » par la mesure — d’où le nom « one-way » (calcul à sens unique).

Calcul quantique adiabatique

Analogie : imagine une bille au fond d’une vallée. Si tu déformes très lentement le paysage pour créer une nouvelle vallée, la bille suit et reste toujours au point le plus bas. Si tu déformes trop vite, la bille « saute » et se retrouve au mauvais endroit.

• Théorème adiabatique : si on fait évoluer le hamiltonien H(t) suffisamment lentement, le système reste dans son état fondamental (énergie minimale).
• On part d’un H_initial dont l’état fondamental est facile à préparer (ex : tous les qubits en |+⟩).
• On évolue vers un H_final dont l’état fondamental encode la solution du problème.
• Formule : H(t) = (1 - s(t)) × H_initial + s(t) × H_final, avec s allant de 0 à 1.
• La vitesse maximale est limitée par le gap spectral minimal Δ : si Δ est petit, il faut aller très lentement.
• D-Wave implémente un recuit quantique (quantum annealing), version approchée — pas strictement adiabatique, mais inspirée du même principe.

Calcul quantique topologique

Analogie : au lieu d’écrire des instructions avec un crayon sur du papier (facile à effacer = sensible au bruit), tu tresses des fils. La façon dont les fils sont noués contient l’information, et un petit à-coup ne change pas le nœud.

• Anyons : quasi-particules en 2D qui ne sont ni des bosons ni des fermions — échanger deux anyons peut produire une phase quelconque (anyons abéliens) ou une transformation unitaire (anyons non-abéliens).
• Les opérations logiques = tressage (braiding) des worldlines d’anyons dans l’espace-temps.
• L’information est stockée dans l’état topologique global → immunisée contre les perturbations locales.
• Microsoft : recherche sur les fermions de Majorana dans des nanofils supraconducteurs.

Comparaison des modèles

Équivalences théoriques

Un résultat fondamental : tous ces modèles sont polynomialement équivalents. Tout calcul réalisable dans le modèle circuit peut être traduit en MBQC (avec un surcoût polynomial en qubits), et vice versa. Le choix du modèle est une question d’ingénierie (quel matériel, quelle robustesse au bruit), pas de capacité computationnelle.

# Préparer un cluster state linéaire à 4 qubits en Qiskit
# C'est la ressource de base du modèle MBQC
from qiskit import QuantumCircuit

qc = QuantumCircuit(4, 4)

# Étape 1 : mettre chaque qubit en superposition |+⟩
qc.h(range(4))

# Étape 2 : créer les liens du cluster avec des portes CZ
# CZ crée une phase conditionnelle — c'est le « fil » qui relie les qubits
qc.cz(0, 1)
qc.cz(1, 2)
qc.cz(2, 3)
# À ce stade, on a un cluster state linéaire : 0 — 1 — 2 — 3

# Étape 3 : dans le MBQC, on mesurerait les qubits 0,1,2
# dans des bases choisies pour « piloter » le calcul.
# Mesurer en base X = appliquer H puis mesurer en base Z.
qc.h([0, 1, 2])  # Rotation vers la base X
qc.measure([0, 1, 2, 3], [0, 1, 2, 3])

# Le qubit 3 (non mesuré en base X, mesuré en base Z)
# porte le résultat du « calcul » effectué par les mesures.

⚠️ Piège fréquent : « le modèle adiabatique est moins puissant que le modèle circuit » — FAUX. Tous les modèles sont théoriquement équivalents en puissance de calcul. Le recuit quantique de D-Wave est un cas restreint (non universel), mais le calcul adiabatique complet est universel.