Quantinuum annonce une fidélité de mémoire logique de 99,9995% sur Helios

Quantinuum a annoncé un résultat en correction d’erreurs quantiques qui met en lumière une condition essentielle à l’utilité de l’informatique quantique : préserver l’information quantique assez longtemps pour en tirer quelque chose de précieux. Sur son ordinateur à ions piégés Helios, l’entreprise a mesuré une fidélité de mémoire logique de 99,9995 % par cycle de vérification des erreurs, soit environ cinq défaillances logiques par million de cycles.

Annoncé le 19 octobre, ce résultat représente une réduction d’un facteur dix par rapport au précédent record communiqué par l’entreprise. Quantinuum affirme qu’il renforce la crédibilité d’Apollo, son système universel tolérant aux pannes prévu pour 2029. L’expérience constitue toutefois un jalon important pour la mémoire, et non la démonstration d’une application complète et utile fonctionnant avec ce niveau de précision.

Les recherches qui accompagnent ce résultat mettent également en évidence un lien de plus en plus étroit entre l’IA et l’informatique quantique : les réseaux de neurones peuvent aider à interpréter les mesures d’erreurs assez rapidement pour permettre, à l’avenir, une correction en temps réel. Pour évaluer cette avancée, il est essentiel de comprendre ce qui a été mesuré et comment ces décodeurs ont été testés.

Ce que mesure le résultat de 99,9995 %

Les qubits physiques sont vulnérables aux perturbations qui altèrent leurs états quantiques. La correction d’erreurs répartit l’information entre plusieurs qubits physiques pour créer un qubit logique, tandis que des mesures supplémentaires révèlent des signes d’erreurs sans lire directement l’information protégée.

Le principal critère consiste à vérifier si l’ajout de protections réduit effectivement le taux d’erreur logique. En dessous du seuil de correction d’erreurs, les codes plus grands devraient être plus performants. Au-delà, les opérations supplémentaires nécessaires au maintien du code peuvent introduire trop de bruit.

Dans la correction d’erreurs quantiques bien en dessous du seuil du code couleur, les chercheurs de Quantinuum ont testé des codes couleur de distances trois, cinq et sept. La distance d’un code décrit le niveau de protection qu’il offre. Le taux d’erreur de mémoire logique mesuré est passé d’environ 5,5 pour 10 000 par cycle à la distance trois à 3,8 pour 100 000 à la distance cinq, puis à environ cinq par million à la distance sept.

La plus grande expérience sur la mémoire a utilisé 73 qubits physiques, y compris des qubits ancillaires de mesure, pour protéger un qubit logique. L’estimation repose sur trois défaillances observées au cours de 29 000 essais expérimentaux, chacun comportant 20 cycles de correction. Le faible nombre de défaillances observées rend l’incertitude statistique importante : l’article indique une estimation centrale du taux d’erreur de cinq par million, avec un intervalle d’un écart-type allant approximativement de trois à neuf par million.

Il s’agit d’un indice solide de l’efficacité croissante de la protection. Cela ne signifie pas qu’un million de portes quantiques arbitraires, ni qu’un million d’étapes d’un algorithme commercial, ont été exécutés sans erreur.

Pourquoi Helios permet de tester différents codes de correction d’erreurs

Le compte rendu technique de l’expérience de Quantinuum met l’accent sur les améliorations apportées au même matériel Helios que celui utilisé lors de son précédent résultat. La plateforme repose sur des ions piégés, dont la connectivité permet des interactions au-delà d’une disposition fixe entre plus proches voisins. Cette souplesse permet aux chercheurs de modifier les stratégies de correction d’erreurs sans devoir reconcevoir le processeur autour d’un seul code.

Les nouveaux travaux portent également sur les fuites, lorsqu’un ion quitte les états utilisés pour représenter un qubit. Ces fuites peuvent créer des erreurs corrélées particulièrement préjudiciables aux schémas de correction. Les chercheurs associent le repompage optique, qui ramène les ions ayant subi une fuite dans les états de calcul, à des techniques de circuit conçues pour limiter la propagation des erreurs.

Pour les distances de code testées, le taux d’erreur de mémoire logique s’est amélioré d’un facteur d’environ 12 chaque fois que la distance augmentait de deux unités. Une expérience distincte sur des portes de Clifford à deux qubits a montré une suppression des erreurs d’un facteur d’environ neuf entre les distances trois et cinq. Ces résultats sont liés, mais correspondent à des critères distincts : la fidélité de mémoire mise en avant ne doit pas être attribuée au résultat sur les portes.

L’IA aide à décoder les signaux d’erreur

La correction d’erreurs quantiques repose sur un décodeur classique qui interprète les configurations de mesure et détermine les erreurs les plus probables. Un matériel physique plus performant ne suffit pas si cette interprétation ne peut pas suivre le rythme du processeur.

L’étude compare plusieurs approches, notamment un décodeur par recherche A* appelé Tesseract, un décodeur en flux continu appelé Frontier, un réseau de neurones convolutif tridimensionnel et un transformeur à jetons de tour. Les modèles neuronaux ont été entraînés sur des données issues d’un émulateur Helios, puis appliqués aux données expérimentales sans ajustement fin sur des données matérielles.

L’IA intervient ici dans un rôle bien précis : repérer les configurations d’erreurs dans les mesures quantiques. Ces modèles ne remplacent pas le processeur quantique et ne démontrent pas une application d’IA à usage général. Leur intérêt tient à leur capacité à concilier la précision du décodage avec la vitesse nécessaire pour maintenir des cycles de correction répétés.

Les chercheurs indiquent que les temps d’inférence neuronale se comptent en centaines de microsecondes, ce qui est compatible avec un fonctionnement en temps réel sur cette catégorie de matériel. Point crucial, tout le décodage de l’étude a été effectué hors ligne. Les tests en flux ont fourni les mesures tour après tour afin d’évaluer les temps de traitement ; ils ne démontraient pas que les décodeurs neuronaux pilotaient une boucle de rétroaction en temps réel pendant toute l’expérience.

Cette distinction montre qu’une étape d’ingénierie importante reste à franchir, sans rien enlever à la portée du résultat : des modèles entraînés en simulation ont interprété avec succès les erreurs d’un ordinateur quantique physique.

Ce qui sépare encore un record de mémoire d’un calcul utile

Quantinuum présente ce résultat comme un record mondial et affirme que sa précision se situe désormais dans la plage visée pour Apollo. Ces affirmations doivent être replacées dans le contexte des exigences plus larges de l’informatique tolérante aux pannes. Un système opérationnel doit protéger de nombreux qubits logiques, exécuter un ensemble suffisamment vaste de portes, assurer la correction pendant les calculs et offrir un débit suffisant pour mener à bien des tâches utiles.

Les limites des ressources restent visibles, même dans cette étude. Les chercheurs n’ont pas réalisé l’expérience de porte à deux qubits avec une distance de code de sept, car elle dépassait le nombre de qubits disponibles sur Helios. Le blogue de l’entreprise précise également que la préparation évolutive d’états magiques sous le seuil — nécessaire à une voie importante vers le calcul universel tolérant aux pannes — reste à démontrer.

La feuille de route de Quantinuum prévoit son système Sol en 2027 et Apollo en 2029. Ces projets restent des objectifs de développement. Les éléments disponibles à ce jour sont plus limités, mais significatifs : sur le matériel existant, le changement de code, la maîtrise des fuites et l’amélioration du décodage ont considérablement réduit les erreurs de mémoire logique.

Pour l’industrie quantique, ce résultat déplace l’attention vers une question plus exigeante que celle de savoir si un processeur peut démontrer la correction d’erreurs : cette protection peut-elle passer à l’échelle de l’ensemble des mécanismes nécessaires à un calcul utile ? Pour les chercheurs en IA, il fournit un exemple concret de la contribution de l’apprentissage automatique à cet effort, au niveau de l’infrastructure de contrôle.