Techniques pour améliorer l'efficacité des ordinateurs quantiques et réduire les besoins en matériel.L'optimisation des ressources en informatique quantique est le domaine qui vise à rendre les algorithmes et le matériel quantiques plus efficaces, en réduisant le nombre de qubits, de portes ou de ressources physiques nécessaires pour résoudre un problème. Les ordinateurs quantiques sont des ressources extrêmement rares : les dispositifs actuels ne disposent que de quelques centaines de qubits bruités, et chaque qubit ou opération supplémentaire augmente le risque d'erreurs. Les techniques d'optimisation cherchent à tirer le meilleur parti d'un matériel limité, que ce soit en concevant des algorithmes plus compacts, en réduisant la profondeur des circuits quantiques, ou en trouvant des moyens de simuler de grands systèmes avec moins de qubits. Cela est crucial pour atteindre un avantage quantique pratique en chimie, en science des matériaux et dans les problèmes d'optimisation.
Ce domaine s'est développé parallèlement aux algorithmes quantiques dans les années 1990, mais l'optimisation des ressources est devenue une discipline distincte dans les années 2010, lorsque le matériel a mûri et que les chercheurs ont réalisé que les dispositifs à court terme ne pouvaient pas exécuter des algorithmes à grande échelle sans une optimisation significative. Le concept d'« avantage quantique » avec des ressources limitées a été popularisé par l'expérience de suprématie quantique de Google en 2019, qui a souligné l'importance d'une utilisation efficace des ressources.
Une approche est l'optimisation au niveau de l'algorithme : réécrire les circuits quantiques pour utiliser moins de portes ou de qubits, par exemple en exploitant les symétries du problème ou en utilisant des méthodes variationnelles qui réduisent de manière adaptative la profondeur du circuit. Une autre est l'optimisation au niveau du matériel : améliorer la connectivité des qubits, les taux d'erreur ou les vitesses de lecture pour réduire la surcharge de la correction d'erreurs. Les algorithmes hybrides classiques-quantiques, tels que le solveur variationnel de valeurs propres, déchargent une partie du calcul sur des ordinateurs classiques, minimisant ainsi les ressources quantiques requises. Des travaux récents se concentrent également sur l'efficacité énergétique, car les ordinateurs quantiques consomment beaucoup d'énergie pour le refroidissement et l'électronique de contrôle.
L'optimisation des ressources est utilisée dans les simulations de chimie quantique, où elle permet d'étudier des molécules qui nécessiteraient autrement des milliers de qubits, et dans la conception de codes de correction d'erreurs quantiques qui minimisent la surcharge en qubits physiques. Elle guide également l'élaboration de feuilles de route pour le matériel quantique, aidant les entreprises à décider quelles technologies de qubits poursuivre.
Une seule simulation de chimie quantique qui prendrait dix ans à un supercalculateur classique peut être compressée en une journée sur un ordinateur quantique, mais seulement si l'algorithme est optimisé pour s'adapter au temps de cohérence limité des qubits.
| E_n | variable | Energy of the nth level — énergie joule |
| n | variable | Quantum number (non-negative integer) — nombre quantique |
| \hbar | constante | Reduced Planck constant — constante de Planck réduite = 1.054571817e-34 joule second |
| \omega | constante | Angular frequency of the oscillator — fréquence angulaire radian per second |



















