Circuits quantiques bruités pour l'optimisation combinatoire

Résumé de la thèse

Alors que les ordinateurs quantiques croissent en taille tout en restant affectés par le bruit, un défi clé consiste à déterminer quand et comment ils peuvent surpasser les meilleurs algorithmes classiques sur des tâches pratiques. Cela nécessite le développement d'algorithmes de simulation de circuits quantiques hautement efficaces. Les algorithmes de rétropropagation de Pauli font partie des plus prometteurs, ayant montré leur efficacité dans la simulation de certaines classes de circuits quantiques paramétrés, candidats sérieux pour l'avantage quantique à court terme, sous des hypothèses de circuits aléatoires et de bruit de dépolarisation. Cependant, leur efficacité n'avait pas été démontrée pour des modèles de bruit nonunital plus réalistes, tels que l'amortissement d'amplitude, qui capturent mieux le comportement des ordinateurs quantiques actuels. Nous comblons cette lacune en adaptant la rétropropagation de Pauli à la plupart des canaux de bruit à un qubit, incluant le bruit nonunital, et en prouvant qu'elle reste efficace sous ces conditions. Notre algorithme est parallélisable, économe en mémoire, et ne requiert aucune hypothèse sur la localité de l'observable, la géométrie de la puce quantique, ou la profondeur du circuit. Bien que le bruit des ordinateurs quantiques puisse fortement affecter la puissance de calcul dans des circuits hautement structurés et tolérants aux erreurs, nos résultats indiquent peu de différence pour la plupart des architectures variationnelles. Ceci établit la rétropropagation de Pauli comme une méthode efficace pour simuler les dispositifs quantiques bruités sous des hypothèses de bruit réalistes.

Bien que ces avancées améliorent notre capacité à simuler des observables bruités, de nombreuses applications pratiques, incluant l'optimisation combinatoire, nécessitent un accès direct aux chaînes de bits produites par les circuits quantiques, car celles-ci encodent les solutions souhaitées. La réplication classique de tels échantillons bruités a jusqu'à présent été limitée au-delà du cadre des circuits aléatoires. Pour combler cette lacune, nous nous concentrons d'abord sur les problèmes dont les fonctions objectif ne dépendent que des corrélations sur deux sites, tel que Max-Cut, et appliquons des techniques d'arrondissement aléatoire gaussien aux marginales à deux qubits du circuit. Ceci produit des échantillons classiques dont le coût espéré est prouvablement proche de celui du dispositif quantique bruité.  Des simulations à grande échelle et des expériences sur les ordinateurs quantiques d'IBM confirment que les échantillons arrondis reproduisent la distribution d'énergie complète, avec un comportement similaire sous divers modèles de bruit. Couplé avec la rétropropagation de Pauli pour estimer efficacement les marginales bruitées, cela donne un échantillonneur classique de bout en bout opérant en temps polynomial pour une large classe de circuits variationnels bruités. Nos résultats montrent donc que des circuits quantiques suffisamment bruités pour l'optimisation combinatoire peuvent être échantillonnés classiquement, clarifiant où les ordinateurs quantiques à court terme peuvent ou ne peuvent pas surpasser les algorithmes classiques.

Enfin, nous allons au-delà des marginales sur un et deux sites et présentons un algorithme qui échantillonne des chaînes de bits valides directement depuis une distribution d'entropie maximale avec des moments correspondant à ceux du circuit quantique. Cette méthode ne repose pas sur la localité ou la parcimonie de l'Hamiltonien du problème et fonctionne bien sur une variété de circuits quantiques, incluant des circuits profonds sur de nombreux qubits. Lorsqu'elle est combinée avec la propagation de Pauli ou la mitigation d’erreur, elle fournit un pipeline pratique pour obtenir des échantillons de circuits quantiques à court terme, où la correction d'erreur pourrait ne pas encore être disponible.

As quantum devices grow in size while remaining affected by noise, a key challenge is to determine when and how they can surpass classical computation on practical tasks. This requires the development of highly efficient classical simulation algorithms. Pauli backpropagation algorithms are among the most promising, having shown efficiency in simulating certain classes of parameterized quantum circuits, strong candidates for near‑term quantum advantage, under random circuit assumptions and depolarizing noise. However, their efficiency had not been demonstrated for more realistic nonunital noise models, such as amplitude damping, which better capture the behaviour of current hardware. We close this gap by adapting Pauli backpropagation to most single‑qubit noise channels, including nonunital noise, and proving that it remains efficient under these conditions. Our algorithm is parallelizable, memory‑efficient, and requires no assumptions on the locality of the observable, the geometry of the hardware, or the depth of the circuit. While hardware noise can strongly affect computational power in highly structured, fault‑tolerant circuits, our findings indicate little difference for most near‑term variational architectures. This establishes Pauli backpropagation as an efficient method for simulating noisy quantum devices under realistic noise assumptions.

While these advances improve our ability to reproduce noisy expectation values of observables, many practical applications, including combinatorial optimization, require direct access to the bitstrings output by quantum circuits, as these encode candidate solutions. Classical replication of such noisy samples has so far been limited beyond the random circuit setting. To bridge this gap, we first focus on problems whose objective functions depend only on two‑body correlations, such as Max‑Cut, and apply Gaussian randomized rounding to the circuit’s two‑qubit marginals. This produces classical samples whose expected cost is provably close to that of the noisy quantum device. Large‑scale simulations and experiments on IBMQ hardware confirm that the rounded samples reproduce the full energy distribution, with similar behaviour under various noise models. Coupled with Pauli backpropagation for efficiently estimating noisy marginals, this yields an end‑to‑end classical sampler operating in polynomial time for a broad class of variational circuits. Our results therefore show that sufficiently noisy quantum circuits for combinatorial optimization can be sampled from classically, clarifying where near‑term hardware may or may not outperform classical algorithms.

Finally , we go beyond one and two‑body marginals and present an algorithm that samples valid bitstrings directly from a maximum‑entropy distribution matching the given expectation values of the quantum circuit. This method does not rely on the locality or sparsity of the problem’s Hamiltonian and performs well across a variety of quantum circuits, including deep circuits on many qubits. When combined with Pauli propagation or error mitigation, it provides a practical pipeline for obtaining samples from quantum circuits in the near term, where full error correction might not yet be available.