L’informatique quantique promet de révolutionner notre façon de traiter les données et de résoudre des problèmes complexes. Cependant, un défi majeur subsiste : la correction des erreurs quantiques. C’est dans ce contexte que Quantum Machines, startup spécialisée dans le contrôle quantique, et Nvidia, géant de l’informatique, ont annoncé il y a environ un an et demi un partenariat visant à combiner la plateforme d’informatique quantique DGX Quantum de Nvidia et le matériel de contrôle quantique avancé de Quantum Machines. Cette collaboration commence à porter ses fruits et rapproche l’industrie du Graal : un ordinateur quantique à correction d’erreurs.
Calibration en temps réel grâce à l’apprentissage par renforcement
Lors d’une présentation antérieure, les deux entreprises ont démontré leur capacité à utiliser un modèle d’apprentissage par renforcement (reinforcement learning) standard sur la plateforme DGX de Nvidia pour mieux contrôler les qubits d’une puce quantique Rigetti en maintenant le système calibré. Yonatan Cohen, co-fondateur et CTO de Quantum Machines, souligne l’importance de pouvoir calibrer fréquemment le processeur quantique à l’aide de ces techniques et du matériel sous-jacent pour améliorer les performances et maintenir une haute fidélité dans le temps, un élément clé pour la correction d’erreurs quantiques.
Ajuster en permanence les impulsions de contrôle des qubits en quasi-temps réel est une tâche extrêmement gourmande en calcul, mais qui se prête bien à une résolution par apprentissage par renforcement, compte tenu des variations constantes d’un système quantique. Comme le précise Sam Stanwyck, responsable produit chez Nvidia pour l’informatique quantique, aucun système avant DGX Quantum ne permettait d’atteindre la latence minimale nécessaire pour effectuer ces calculs.
Un petit pas vers la résolution des problèmes les plus importants
Il est intéressant de noter que même une petite amélioration de la calibration peut entraîner des améliorations massives de la correction d’erreurs. Ramon Szmuk, responsable produit chez Quantum Machines, explique :
Le retour sur investissement de la calibration dans le contexte de la correction d’erreurs quantiques est exponentiel. Si vous calibrez 10% mieux, cela vous donne une erreur logique exponentiellement meilleure dans le qubit logique composé de nombreux qubits physiques.
– Ramon Szmuk, Product Manager chez Quantum Machines
Pour ce projet, l’équipe n’a travaillé que sur un circuit quantique très basique, mais la méthode peut être généralisée à des circuits plus profonds. Stanwyck ajoute :
Je dirais que le résultat individuel est un petit pas, mais c’est un petit pas vers la résolution des problèmes les plus importants. L’informatique quantique utile nécessitera une intégration étroite du calcul haute performance accéléré – et c’est peut-être le défi d’ingénierie le plus difficile.
– Sam Stanwyck, Group Product Manager pour l’informatique quantique chez Nvidia
Perspectives futures de la collaboration
Les deux entreprises prévoient de poursuivre cette collaboration et de mettre ces outils à la disposition d’un plus grand nombre de chercheurs. Avec la disponibilité des puces Blackwell de Nvidia l’année prochaine, elles disposeront également d’une plateforme de calcul encore plus puissante pour ce projet.
Cette avancée rapproche l’industrie de l’objectif ultime d’un ordinateur quantique à correction d’erreurs, ouvrant la voie à de nouvelles applications révolutionnaires dans des domaines tels que :
- La découverte de nouveaux médicaments et matériaux
- L’optimisation de processus complexes
- La résolution de problèmes de cryptographie
- La simulation de systèmes quantiques
En combinant leurs expertises respectives, Quantum Machines et Nvidia contribuent à surmonter l’un des plus grands défis de l’informatique quantique et nous rapprochent d’un futur où les ordinateurs quantiques à correction d’erreurs seront une réalité. Cette collaboration ouvre de nouvelles perspectives passionnantes pour l’avenir de l’informatique et promet de repousser les limites de ce qui est possible en termes de traitement de l’information et de résolution de problèmes complexes.
