Démythifier l’IA Quantique : Ce qu’elle est, ce qu’elle n’est pas et pourquoi elle compte maintenant

L’IA est entrée dans une nouvelle phase. Il ne s’agit plus seulement de construire des modèles plus grands ou d’accéder à plus de données. La concurrence d’aujourd’hui se concentre sur la vitesse, l’efficacité et l’innovation. Les entreprises recherchent de nouveaux outils qui offrent à la fois des avantages techniques et économiques. Pour certaines, l’informatique quantique commence à ressembler à l’un de ces outils.

L’IA quantique fait référence à la combinaison de l’informatique quantique avec l’intelligence artificielle. Elle offre une nouvelle façon de résoudre des problèmes complexes dans l’apprentissage automatique, l’optimisation et l’analyse de données. Bien qu’elle soit encore en développement, le potentiel attire l’attention des entreprises. Une enquête mondiale menée par SAS en 2024 a révélé que plus de 60 % des dirigeants d’entreprise explorent déjà ou investissent dans l’IA quantique. Cependant, la plupart d’entre eux ont également déclaré qu’ils ne comprenaient pas pleinement ce que était cette technologie ou comment elle pourrait être utilisée.

Cet article explique ce qu’est l’IA quantique, quels problèmes elle pourrait aider à résoudre et où elle pourrait avoir un impact dans un avenir proche.

Pourquoi les équipes d’IA regardent l’informatique quantique

La formation de grands modèles d’IA prend du temps, de l’énergie et de l’argent. Même les améliorations mineures de l’efficacité peuvent entraîner des économies significatives. L’informatique quantique fournit de nouvelles méthodes pour résoudre certains problèmes de manière plus efficace ou plus précise que les machines classiques.

Par exemple, les ordinateurs quantiques peuvent effectuer plusieurs calculs simultanément, en utilisant une propriété appelée superposition. Cela les rend adaptés aux problèmes qui impliquent la recherche de grands espaces ou l’optimisation de systèmes complexes. Ces capacités s’alignent bien sur de nombreuses tâches en apprentissage automatique, telles que la sélection de fonctionnalités, la mise à l’échelle de modèles et l’échantillonnage de données.

Bien que les machines quantiques d’aujourd’hui soient encore en évolution, les chercheurs trouvent des moyens de les combiner avec des outils classiques. Ces systèmes hybrides permettent aux équipes d’IA de tester les méthodes quantiques maintenant, sans attendre que le matériel quantique soit pleinement développé.

Qu’est-ce que l’IA quantique et ce qu’elle n’est pas

L’IA quantique ne consiste pas à remplacer les systèmes d’IA actuels par des versions quantiques. Il ne s’agit pas de faire fonctionner des modèles d’apprentissage profond entièrement sur du matériel quantique.

En revanche, elle se concentre sur l’utilisation d’algorithmes quantiques pour soutenir certaines parties de la chaîne d’IA. Cela peut inclure des tâches telles que l’accélération de l’optimisation, l’amélioration de la sélection de fonctionnalités ou l’amélioration de l’échantillonnage à partir de distributions de rentabilité. Dans ces cas, les ordinateurs quantiques ne remplacent pas les outils existants ; ils les soutiennent.

Les travaux sont encore expérimentaux. La plupart des exemples reposent sur des méthodes hybrides, dans lesquelles les parties quantiques et classiques travaillent ensemble. Mais ces systèmes montrent déjà des résultats dans des cas d’utilisation étroits.

Applications actuelles en développement

Bien que le domaine soit nouveau, l’IA quantique est déjà testée dans plusieurs industries. Ces exemples utilisent des outils réels et des recherches publiées. Ils reflètent également les types de problèmes que les méthodes quantiques sont les mieux à même de résoudre.

Compression de modèles et mappage de fonctionnalités

Les modèles d’IA sont de plus en plus grands et coûteux à former. Les technologies quantiques peuvent aider à réduire la taille et la complexité de ces modèles. Une méthode consiste à utiliser des circuits quantiques pour transformer les données d’entrée. Ces transformations peuvent aider à séparer les points de données qui sont difficiles à classer avec des techniques standard.

Dans les « premiers jours », un article de 2021 dans Nature Physics a exploré comment les noyaux quantiques pourraient améliorer les machines à vecteurs de support, un type de modèle d’apprentissage automatique. Cette approche convient bien aux ensembles de données à haute dimension ou éparse, où les modèles classiques ont du mal.

Optimisation de portefeuille en finance

Les banques et les gestionnaires de patrimoine utilisent souvent l’IA pour gérer les portefeuilles et évaluer les risques. Ces tâches impliquent un grand nombre de variables et de contraintes. Les algorithmes quantiques comme QAOA (Quantum Approximate Optimization Algorithm) sont testés pour résoudre ces problèmes de manière plus efficace.

Citi Innovation Labs et AWS ont récemment étudié l’utilisation d’ordinateurs quantiques pour l’optimisation de portefeuille, en utilisant spécifiquement l’algorithme QAOA et en évaluant ses performances. La collaboration met en évidence l’intérêt croissant et les investissements dans l’informatique quantique comme outil pour résoudre des problèmes du monde réel.

Découverte de médicaments et modélisation moléculaire

Le développement de médicaments repose sur la prédiction de l’interaction entre les molécules. Les modèles d’IA peuvent aider, mais les simulations classiques ont des limites. L’informatique quantique est mieux adaptée pour modéliser les systèmes chimiques au niveau quantique.

Une nouvelle étude menée par IBM, The Cleveland Clinic et l’Université d’État du Michigan a démontré une nouvelle façon de simuler des molécules complexes en utilisant des ordinateurs quantiques de génération actuelle, offrant un chemin viable pour l’informatique scientifique centrée sur le quantique.

Optimisation de la chaîne d’approvisionnement

Les chaînes d’approvisionnement sont difficiles à gérer en raison de leur taille et de leur complexité. L’IA peut aider, mais certaines tâches, comme la planification de route et le contrôle des stocks, sont difficiles à optimiser. Les méthodes quantiques sont explorées pour améliorer ces tâches.

Fujitsu a collaboré avec Japan Post pour optimiser la livraison de dernier kilomètre à Tokyo, où les algorithmes de routage traditionnels n’ont pas pu tenir compte de variables dynamiques telles que la congestion du trafic et les fluctuations du volume de colis. En déployant l’IA quantique, ils ont pu commencer à transformer certains des aspects les plus fondamentaux de la logistique.

Défis et limites

Le matériel quantique reste un défi. Bien qu’il y ait de nouvelles avancées quasi quotidiennes, les machines d’aujourd’hui sont encore sensibles au bruit, difficiles à mettre à l’échelle et peu fiables pour les calculs longs. La plupart des applications doivent fonctionner dans ces limites, en utilisant des circuits quantiques plus courts et plus simples.

Le développement de logiciels quantiques est également difficile. La programmation quantique nécessite des connaissances en physique, en mathématiques et en informatique. Peu d’équipes ont le bon mélange de compétences.

Pour réduire cette barrière, de nouveaux outils sont créés. Il s’agit de frameworks de programmation de niveau élevé et de systèmes de conception de circuits automatisés. Ces outils permettent aux développeurs d’IA de tester les méthodes quantiques sans avoir besoin d’écrire du code quantique de bas niveau.

Que peuvent faire les équipes d’IA aujourd’hui

L’IA quantique n’est pas prête pour un déploiement complet. Cependant, les équipes visionnaires peuvent commencer à construire les connaissances et les systèmes nécessaires pour en tirer parti à l’avenir. Voici trois étapes à considérer :

1. Construire des équipes multifonctionnelles – Combinez des experts en IA avec des chercheurs en optimisation et en informatique quantique. Cela permet aux équipes d’explorer de nouvelles idées et de préparer les capacités futures.
2. Expérimenter des flux de travail hybrides – Concentrez-vous sur des problèmes étroits où les composants quantiques peuvent soutenir les modèles classiques. Cela inclut la sélection de fonctionnalités, l’échantillonnage ou l’optimisation contrainte.
3. Utiliser des outils qui abstraient la complexité – Adoptez des plateformes et des frameworks qui cachent les détails quantiques de bas niveau. Ces outils aident les équipes à se concentrer sur l’application, et non sur le matériel.

L’IA quantique est encore en développement. Elle ne constitue pas une solution miracle ou un remplacement pour l’IA classique. Cependant, c’est un domaine en croissance avec un potentiel réel dans les domaines où les modèles actuels sont insuffisants ou luttent. Le chemin le plus probable vers l’avant n’est pas une rupture soudaine, mais une intégration progressive.

À mesure que le matériel quantique s’améliore et que les logiciels deviennent plus accessibles, les premiers adoptants seront mieux placés pour utiliser ces nouveaux outils. Pour les équipes qui travaillent déjà aux limites des systèmes classiques, l’IA quantique peut être le prochain endroit où trouver de la valeur.