MicroAlgo Inc. a annoncé la proposition d'une solution performante : une stratégie de recherche évolutionnaire multi-objectif. Cet outil automatisé innovant peut assister la conception de circuits quantiques, apportant ainsi des avancées majeures au développement d'algorithmes quantiques. L'algorithme évolutionnaire multi-objectif (MOEA) appartient à une classe d'algorithmes d'optimisation fondés sur l'évolution, spécifiquement conçus pour résoudre des problèmes impliquant plusieurs objectifs contradictoires. Son principe de fonctionnement imite le processus de sélection naturelle en générant de manière aléatoire un ensemble de solutions candidates dans l'espace de recherche et, par des processus itératifs sur plusieurs générations, en améliorant continuellement la qualité des solutions via des opérations de croisement, de mutation et de sélection.
In fine, ce processus évolutionnaire peut générer un ensemble de solutions présentant une meilleure adaptation, c'est-à-dire des solutions optimales satisfaisant plusieurs objectifs. L'innovation de la technologie MOEA développée par MicroAlgo réside dans sa capacité à concevoir automatiquement des circuits quantiques 'ex nihilo'. En d'autres termes, cette technologie ne nécessite pas de conception de circuit prédéfinie, mais construit progressivement des circuits quantiques capables de réaliser la fonctionnalité cible en combinant des méthodes de recherche et d'optimisation avec une bibliothèque universelle de composants de circuits quantiques. L'une des caractéristiques clés de l'algorithme de MicroAlgo est sa bibliothèque universelle de tâches.
Cette bibliothèque contient un grand nombre de composants de circuits quantiques différents, dont les combinaisons et le paramétrage permettent de construire des circuits réalisant des fonctions complexes. Cette approche de conception signifie que les développeurs n'ont plus besoin de concevoir manuellement les circuits ; l'algorithme recherche automatiquement la configuration de circuit optimale en fonction des exigences d'entrée/sortie de la tâche. Plus important encore, cet algorithme n'est pas seulement capable de concevoir des circuits, mais peut aussi, grâce à ses caractéristiques multi-objectifs, équilibrer les compromis entre divers indicateurs de performance.
Par exemple, lors du processus de conception, l'algorithme prend en compte non seulement la précision du circuit quantique, mais aussi d'autres mesures critiques telles que la largeur du circuit, sa profondeur et le nombre de portes utilisées. Cela est particulièrement crucial pour le stade actuel du développement du matériel informatique quantique, car les processeurs quantiques de première génération disposent de ressources extrêmement limitées (comme le nombre de portes et de qubits), et l'algorithme doit atteindre une performance optimale dans ces limites. Pour valider l'efficacité de l'algorithme évolutionnaire multi-objectif, MicroAlgo l'a appliqué à la conception automatisée d'algorithmes quantiques classiques. Plus précisément, la transformée de Fourier quantique et l'algorithme de recherche de Grover ont été sélectionnés comme cas de test.
La transformée de Fourier quantique est une transformation largement utilisée dans l'informatique quantique, jouant un rôle significatif dans de nombreux algorithmes, tels que l'algorithme de factorisation de Shor. Parallèlement, l'algorithme de recherche de Grover est considéré comme un autre algorithme fondamental, capable de trouver des données cibles dans un ensemble non trié à une vitesse supérieure aux algorithmes de recherche classiques. Dans ces deux tests, l'algorithme évolutionnaire multi-objectif a pu identifier des structures de circuits répondant aux exigences de mappage entrée/sortie de ces algorithmes en combinant des composants de la bibliothèque. Après plusieurs itérations, l'algorithme a non seulement découvert des conceptions de circuits quantiques classiques dignes des manuels scolaires, mais a également trouvé des structures alternatives réalisant la même fonctionnalité.
Cela démontre que l'algorithme possède la capacité de concevoir efficacement des circuits quantiques et peut fournir de multiples solutions de circuits alternatives, offrant une grande flexibilité pour l'optimisation des algorithmes de calcul quantique. La mise en oeuvre technique de l'algorithme évolutionnaire multi-objectif implique plusieurs étapes clés. Tout d'abord, lors de la phase initiale, l'algorithme génère un ensemble de circuits quantiques aléatoires. Ces circuits sont composés de composants quantiques issus de la bibliothèque et incluent des paramètres ajustables.
Ensuite, l'algorithme simule chaque circuit quantique et évalue ses performances. Les mesures d'évaluation incluent la précision du circuit, le nombre de portes utilisées, la largeur du circuit et sa profondeur. L'algorithme filtre et optimise ensuite les circuits sur la base de ces indicateurs.
Grâce aux opérations de croisement (similaires à la recombinaison génétique dans l'évolution biologique), l'algorithme 'croise' deux circuits performants pour générer de nouveaux circuits candidats ; par des opérations de mutation, l'algorithme modifie de manière aléatoire certaines parties des circuits pour introduire de nouvelles possibilités de conception. Ce processus est répété continuellement, chaque génération éliminant les circuits peu performants tout en conservant et en optimisant les circuits les plus efficaces jusqu'à ce que la solution optimale soit trouvée. L'avantage central de l'algorithme évolutionnaire multi-objectif réside dans sa capacité à optimiser simultanément plusieurs mesures.
Par exemple, en informatique quantique, la profondeur du circuit et la précision sont souvent des objectifs contradictoires : des circuits plus profonds peuvent offrir une plus grande précision mais augmentent la complexité d'exécution et les exigences matérielles. Grâce à cet algorithme, les développeurs peuvent trouver le point d'équilibre optimal entre ces objectifs, garantissant que le circuit répond aux exigences d'un calcul efficace tout en étant réalisable dans les conditions matérielles existantes. L'algorithme évolutionnaire multi-objectif développé par MicroAlgo n'est pas seulement une percée technique majeure, il a aussi le potentiel de modifier la trajectoire de l'industrie de l'informatique quantique de plusieurs manières.
Premièrement, l'introduction d'outils automatisés réduit considérablement la difficulté du développement d'algorithmes quantiques. Actuellement, la barrière à l'entrée est élevée, nécessitant généralement des experts dotés de solides compétences en physique quantique, en sciences de l'information quantique et en informatique pour concevoir des algorithmes efficaces. Cependant, avec cet algorithme, les développeurs n'ont qu'à définir les objectifs de la tâche de calcul, et l'algorithme peut générer automatiquement des conceptions de circuits conformes, abaissant ainsi les barrières techniques. Deuxièmement, cet algorithme améliore significativement l'efficacité et la qualité des algorithmes quantiques. La conception traditionnelle repose sur l'expérience et l'intuition des experts, tandis que cet algorithme évolutionnaire peut explorer un espace de conception plus large, découvrant même des solutions d'optimisation que les humains pourraient difficilement identifier.
Particulièrement sur du matériel quantique aux ressources limitées, cet algorithme peut trouver des solutions optimales pour différentes tâches, améliorant efficacement les performances de calcul du matériel. Enfin, l'algorithme évolutionnaire multi-objectif ouvre la voie aux futures applications de l'informatique quantique.
