En 2023, une équipe de chercheurs du Laboratoire national d'Oak Ridge a lancé sur le supercalculateur Theta la simulation d'un circuit quantique de 61 qubits. Pour stocker son vecteur d'état, il aurait fallu 32 exaoctets de mémoire, soit plus que la capacité totale de tous les disques durs de la planète. Mais grâce à la compression des données, ils se sont contentés de 768 téraoctets. Voilà à quoi ressemble le quotidien de ceux qui tentent de faire jouer de la musique quantique aux machines classiques.

Cette musique obéit à des règles inhabituelles. Un bit quantique, le qubit, ne stocke pas simplement un zéro ou un un, mais leur superposition quantique : les deux valeurs à la fois, avec des poids différents. Avec deux qubits, les états deviennent quatre, et tous existent en parallèle. Trois qubits, huit états. Chaque nouveau qubit double le nombre de combinaisons possibles, et bientôt l'orchestre joue toutes les mélodies imaginables en même temps. Pour décrire cela, un ordinateur classique doit garder en mémoire chaque note de cette partition infinie.

Les ingénieurs ont trouvé plusieurs moyens d'alléger ce fardeau. Sur CPU, la compression du vecteur d'état permet de ne stocker que les nombres significatifs, en éliminant les contributions presque nulles. Sur GPU, la bibliothèque cuQuantum a accéléré la compression des réseaux de tenseurs, ces graphes de tenseurs représentant le circuit quantique, jusqu'à 547 fois par rapport à l'approche de base. Sur FPGA, le précalcul des matrices et le traitement en flux permettent d'effectuer efficacement des opérations sur les nombres complexes même avec des ressources limitées. Autant de façons de faire jouer le matériel plus vite sans perdre la mélodie.

Jusqu'à récemment, on ignorait quelles accélérations matérielles étaient les plus efficaces et comment les systématiser. Désormais, c'est clair : les accélérations clés résident dans la compression des données, la précision réduite, l'optimisation de l'accès mémoire et le parallélisme, le choix de la plateforme (CPU, GPU ou FPGA) déterminant la technique applicable. Les développeurs de simulateurs peuvent immédiatement choisir les optimisations adaptées, et les chercheurs peuvent repérer les pistes prometteuses sans avoir à refaire l'analyse de la littérature.

À l'horizon se profilent des approches hybrides combinant différents accélérateurs, ainsi que l'adaptation de méthodes de compression issues de l'apprentissage automatique. Dès aujourd'hui, ces techniques aident à tester plus rapidement les algorithmes quantiques sans avoir accès à de coûteuses machines quantiques, rapprochant le jour où un véritable orchestre quantique jouera à pleine puissance.