Les chercheurs ont démontré mathématiquement que les réseaux de neurones quantiques (QNN) pourraient potentiellement contourner les limitations imposées par le principe d’incertitude de Heisenberg, pierre angulaire de la mécanique quantique. Cette avancée suggère un moyen de mesurer plusieurs propriétés des systèmes quantiques avec une plus grande précision qu’on ne le pensait auparavant, ce qui a des implications majeures pour l’informatique quantique et la science des matériaux.
Le défi : mesure quantique et incertitude
Le principe d’incertitude de Heisenberg stipule que certaines paires de propriétés physiques, telles que la position et la quantité de mouvement, ne peuvent pas être connues simultanément avec une précision absolue. Mesurer une propriété plus précisément réduit intrinsèquement la précision avec laquelle l’autre peut être déterminée. Cela pose un obstacle important à la caractérisation des systèmes quantiques, y compris les qubits utilisés dans les ordinateurs quantiques.
Traditionnellement, les chercheurs évaluent les propriétés des qubits en appliquant une série d’opérations, semblables à des tests mathématiques comme diviser un nombre par deux pour vérifier la régularité. Cependant, le principe d’incertitude rend incompatibles certaines combinaisons d’opérations. Les tenter, c’est comme essayer de multiplier par trois puis de diviser par deux sans perdre d’informations significatives.
Les réseaux de neurones quantiques comme solution
L’étude, dirigée par Duanlu Zhou de l’Académie chinoise des sciences, propose que les QNN puissent résoudre cette incompatibilité. En incorporant des opérations aléatoires à partir d’un ensemble prédéfini dans l’algorithme, les QNN peuvent mesurer plusieurs propriétés simultanément, même celles contraintes par le principe d’incertitude.
Cela est possible parce que les résultats de nombreuses opérations aléatoires peuvent être analysés statistiquement pour révéler des résultats plus précis que les seules opérations uniques répétées. Essentiellement, le caractère aléatoire permet au QNN de « sonder » le système de manière à éviter une violation directe du principe d’incertitude tout en extrayant un maximum d’informations.
Implications pour l’informatique quantique et la science des matériaux
Robert Huang du California Institute of Technology souligne qu’une mesure efficace des propriétés incompatibles accélère notre capacité à en apprendre davantage sur les systèmes quantiques. Ceci est essentiel à la fois pour l’analyse comparative des ordinateurs quantiques et pour la simulation de systèmes complexes tels que des molécules et des matériaux. Plus nous pourrons caractériser les qubits rapidement et avec précision, plus les ordinateurs quantiques deviendront puissants et fiables.
La faisabilité de cette approche dans des scénarios réels reste à être pleinement testée. Huang note que son efficacité dépendra de la manière dont elle se comparera aux méthodes existantes qui exploitent également le caractère aléatoire des mesures quantiques. Cependant, le cadre théorique est solide, ouvrant une voie prometteuse pour surmonter les limites fondamentales de la mesure quantique.
En fin de compte, cette recherche suggère que des algorithmes d’apprentissage automatique quantique soigneusement conçus pourraient permettre de mieux comprendre le comportement des systèmes quantiques, accélérant ainsi les progrès dans divers domaines allant de la chimie au développement de matériaux avancés.
