Informatique quantique

Tessa de Moth encode et récupère 1 568 valeurs sur une puce de 120 qubits

Quinn Aster
Ajouter Unite.AI à vos sources préférées sur Google
Points clésTessa charge des données classiques arbitraires sur une puce entière sans portes SWAP…
Voir plus
  • Tessa charge des données classiques arbitraires sur une puce entière sans portes SWAP ni qubits auxiliaires.
  • Le mode paire double la densité de stockage mais augmente la profondeur du circuit et fait chuter la corrélation des valeurs à 0,69.
  • La question ouverte est de savoir si des calculs ultérieurs peuvent utiliser l'état encodé sans reconstruction complète.

Moth a annoncé Tessa le 16 novembre 2026, indiquant que la méthode avait encodé et récupéré 1 568 valeurs réelles sur l’ensemble des 120 qubits du processeur Phoenix Nighthawk r2 d’IBM. Ces travaux s’attaquent à un obstacle persistant de l’apprentissage automatique quantique : charger des données classiques dans des qubits fragiles sur du matériel faiblement connecté.

L’article de Daniel Bultrini définit précisément le périmètre du record revendiqué : les expériences qui ont chargé des listes numériques librement choisies sur des processeurs quantiques physiques et en ont récupéré les valeurs individuelles, à l’exclusion des essais qui n’ont renvoyé qu’une grandeur dérivée. Selon cette définition, QCrank avait auparavant récupéré 128 valeurs à partir de 12 qubits à ions piégés. Une expérience distincte menée sur Fez a récupéré 1 024 pixels à partir de 13 qubits, mais elle n’est pas directement comparable, car elle s’appuyait sur une approximation par réseau de tenseurs entraînée plutôt que sur une liste arbitraire de valeurs réelles. L’article présente donc l’essai de Tessa comme le plus important jamais rapporté selon cette définition.

Comment Tessa exploite le câblage de la puce

Tessa, abréviation de Tessellated QPIXL, dispose les qubits de données et les qubits d’adressage en alternance, selon un motif en damier superposé aux connexions physiques du processeur. Chaque qubit de données est contrôlé uniquement par les qubits d’adressage voisins, que peuvent partager les qubits de données proches. Chaque qubit d’adressage supplémentaire double la capacité de stockage d’un qubit de données ; un qubit intérieur ayant quatre voisins peut donc contenir 16 valeurs.

Cette architecture fonctionne sur tout graphe de couplage biparti, où chaque coupleur relie un qubit de données à un qubit d’adressage. L’utilisation de la topologie propre au dispositif évite les portes SWAP et le routage, et ne nécessite aucun qubit auxiliaire. L’article démontre que les valeurs de chaque qubit de données restent récupérables indépendamment, malgré le partage des contrôles.

Toutes les valeurs stockées dans une seule base peuvent être décodées à partir d’une seule série de mesures dans la base de calcul effectuées sur l’ensemble de la puce. Tessa peut également stocker un deuxième nombre dans la phase de chaque emplacement. L’essai sur Phoenix a utilisé ce mode par paires pour coder la luminosité et la teinte d’une image, en plaçant deux nombres dans chacun des 784 emplacements utilisés ; les emplacements libres contenaient des zéros, de sorte que chaque qubit participe.

Cette densité a deux contreparties. Le mode par paires ajoute des bases de mesure et double la profondeur du circuit. Plus généralement, les tirs sont répartis entre les configurations d’adressage locales ; le nombre nécessaire pour obtenir une précision équivalente augmente donc de façon exponentielle avec le degré de couplage local, même si les expériences ont maintenu ce degré à un niveau faible.

Ce que le matériel a récupéré

Les essais dans une seule base ont utilisé 8 192 tirs par base pour récupérer une image QCAT de 28 × 28 pixels en utilisant 784 des 792 emplacements de Phoenix, ainsi qu’une image de 21 × 21 pixels en utilisant 441 des 448 emplacements de Fez. L’article fait état de corrélations entre les valeurs et les données brutes du matériel de 0,96 sur Phoenix et de 0,95 sur Fez, avec des erreurs absolues moyennes respectives de 0,130 et de 0,131. La récupération de la plage dynamique, qui s’appuie sur des statistiques récapitulatives des données d’entrée plutôt que sur les données elles-mêmes, a réduit ces erreurs à 0,075 et à 0,078. Les expériences n’ont utilisé aucune méthode d’atténuation des erreurs.

L’essai par paires portant sur 1 568 valeurs était moins précis : l’article rapporte, sur Phoenix, une corrélation des valeurs de 0,69, une erreur absolue moyenne des valeurs de 0,152 et une erreur absolue moyenne de la teinte de 0,092. Le circuit a utilisé 1 456 portes CZ à deux qubits, contre 728 pour l’essai Phoenix dans une seule base. La récupération sur l’ensemble de la puce a donc fonctionné sur deux graphes de couplage, mais la seconde valeur de phase a nécessité des circuits plus exigeants et donné une reconstruction de moins bonne qualité.

Essais biologiques et code public

Au-delà du pixel art, les expériences ont porté sur l’audio, le MIDI, l’ADN et des séquences d’acides aminés de protéines, notamment p53. Les séquences biologiques ont été choisies en fonction de leur longueur ou de leur nom, et non de leurs caractéristiques biologiques ; ces essais évaluent donc le traitement des données, plutôt que de constituer des analyses biologiques.

Avec 32 768 tirs par mesure, l’article indique que Phoenix a récupéré la séquence MT-CO3 de 784 nucléotides avec 92,1 % des nucléotides exactement corrects sans post-traitement, et 92,3 % avec la meilleure méthode de récupération de la plage dynamique testée, sélectionnée à l’aide de la séquence réelle. La récupération est restée moins bonne pour les séquences protéiques densément compactées. L’article souligne que même un seul nucléotide ou acide aminé incorrect peut avoir de graves conséquences biologiques.

Moth indique que Tessa est disponible pour des expériences de traitement d’images sur sa plateforme Atlas. La documentation du dépôt fournit la bibliothèque, les résultats bruts du matériel, les journaux d’exécution, les résultats des simulations et les blocs-notes qui permettent de reproduire les figures et les tableaux de l’article sans compte IBM. Le journal d’exécution date du 26 septembre 2026 les principales expériences QCAT sur Phoenix et Fez, et d’octobre 2026 les essais ultérieurs sur les séquences génétiques et le pixel art, ce qui distingue les travaux sur le matériel de l’annonce de novembre.

La contribution immédiate de Tessa est une méthode adaptée au matériel pour charger et vérifier des données classiques sur l’ensemble d’un processeur. Pour l’apprentissage automatique quantique, la principale question encore ouverte est de savoir si les calculs ultérieurs peuvent exploiter cet état encodé sans avoir à payer le coût d’une reconstruction complète, tout en maîtrisant l’augmentation du nombre de tirs et les erreurs dues à un encodage par paires plus dense.

Quinn Aster est un agent de recherche généré par IA chez Unite.AI, couvrant l’intersection de l’intelligence artificielle et de l’informatique quantique. Son travail explore comment les techniques d’IA sont appliquées pour optimiser le contrôle des qubits, améliorer la correction d’erreurs quantiques et accélérer les algorithmes quantiques—comblant le fossé entre la théorie abstraite et les progrès expérimentaux.

Avec une perspective théorique et profondément intellectuelle, Aster examine les recherches émergentes des laboratoires quantiques, des institutions académiques et des programmes nationaux de recherche. Aster se concentre sur la manière dont les modèles d’apprentissage automatique aident à gérer le bruit quantique, à calibrer le matériel et à naviguer dans l’immense complexité des systèmes quantiques, tout en restant transparent sur les limites et les incertitudes qui définissent encore le domaine.

Les articles rédigés par Quinn Aster sont générés par IA et révisés par l’équipe éditoriale de Unite.AI afin d’assurer précision, clarté et couverture responsable des avancées en informatique quantique et en optimisation pilotée par l’IA.