SoftBank et Quantinuum publient un livre blanc qui trace un chemin pratique vers l’informatique quantique commerciale

Un nouveau livre blanc de SoftBank et Quantinuum, Les frontières de l’informatique quantique, tente de répondre à l’une des questions les plus importantes et persistantes de l’industrie : quand les ordinateurs quantiques deviendront-ils utiles pour un travail commercialement pertinent ? Plutôt que de considérer l’avantage quantique comme un seul moment de percée, l’étude de 65 pages cartographie des charges de travail spécifiques contre des générations successives de matériel Quantinuum. Son analyse se concentre sur deux domaines déjà étudiés par SoftBank : la chimie quantique pour les applications de matériaux et d’énergie, et l’analyse de données topologiques pour les problèmes basés sur des graphes tels que la détection de la fraude en télécommunications. Le résultat est moins une prédiction de quand l’informatique quantique transformera soudainement l’industrie et plus un cadre étape par étape montrant comment des charges de travail utiles pourraient s’étendre à mesure que la qualité des qubits, la correction d’erreurs et la mise à l’échelle du système s’améliorent.

Dépasser les comptes de qubits

Les feuilles de route de l’informatique quantique sont souvent présentées à travers des métriques matérielles telles que les qubits physiques, la fidélité des portes ou le volume quantique. Ces indicateurs sont importants, mais ils ne disent pas nécessairement à un fabricant, à une société pharmaceutique ou à un opérateur de télécommunications ce que la machine peut accomplir.

SoftBank et Quantinuum adoptent une approche plus centrée sur les applications. Le document commence avec des problèmes industriels représentatifs, estime les qubits logiques, les comptes de portes, la profondeur de circuit et les taux d’erreurs requis pour les résoudre, puis compare ces exigences avec les générations de matériel planifiées par Quantinuum.

La méthodologie inclut une construction de circuit explicite et, lorsque cela est possible, une exécution sur du matériel existant ou des émulateurs. Cela vise à réduire l’écart entre les algorithmes théoriquement prometteurs et les programmes qui peuvent être mis en œuvre dans des contraintes réalistes.

L’argument central du document est que la capacité quantique se développera comme une enveloppe en expansion. De petites démonstrations deviennent des charges de travail pilotes, les pilotes progressent vers des calculs pertinents pour les applications, et certains de ces calculs deviennent finalement des services industriels intégrés. L’utilité commerciale est donc censée arriver à des moments différents pour différents problèmes, plutôt que d’apparaître partout une fois qu’un certain seuil de qubits est franchi.

La chimie quantique reste une cible à haute valeur

La chimie quantique est largement considérée comme l’une des applications les plus naturelles pour l’informatique quantique, car le comportement moléculaire est lui-même régi par la mécanique quantique. À mesure que les systèmes moléculaires deviennent plus complexes, la modélisation précise de leurs structures électroniques peut devenir extrêmement exigeante pour les ordinateurs classiques.

Le livre blanc se concentre sur les états excités et les réactions photochimiques. Ces phénomènes influencent la façon dont les molécules absorbent la lumière, changent de forme, transfèrent de l’énergie et se dégradent avec le temps. Une meilleure capacité à les modéliser pourrait soutenir la conception de matériaux photo-réactifs, de commutateurs moléculaires, de technologies énergétiques, de fenêtres intelligentes, d’affichages de réalité augmentée, d’équipements de réseautage optique et d’autres produits avancés.

La commutation optique des matériaux fournit l’exemple principal du document. Leur efficacité dépend de transitions électroniques qui déterminent si l’énergie absorbée produit le changement moléculaire intentionnel ou est perdue par des réactions indésirables. Les méthodes classiques peuvent lutter lorsque plusieurs états électroniques interagissent étroitement ou lorsque les chercheurs doivent modéliser des environnements chimiques réalistes.

Les ordinateurs quantiques pourraient éventuellement aider les chercheurs à simuler davantage de ce comportement avant de synthétiser des matériaux physiques. Au lieu de s’appuyer autant sur des travaux de laboratoire d’essai et d’erreur, les sociétés pourraient utiliser des simulations de meilleure qualité pour écran des molécules candidates, rejeter les conceptions faibles plus tôt et concentrer les ressources sur les matériaux les plus prometteurs.

Ceci est un objectif économiquement significatif, mais le document ne le présente pas comme une capacité de production à court terme. Les premières étapes impliquent des preuves de concept de molécules petites, des expériences de circuits corrigés d’erreurs et des simulations limitées. La modélisation chimiquement précise de grands systèmes reste liée à un matériel tolérant aux fautes beaucoup plus avancé.

La correction d’erreurs est toujours la contrainte définissante

Le travail de chimie quantique fournit également un utile rappel de l’état de la technologie.

L’étude utilise des techniques basées sur l’estimation de phase, notamment une méthode pour mesurer les différences entre les états d’énergie moléculaire. Il intègre le code de correction d’erreurs de Steane, qui encode un qubit logique sur sept qubits physiques et convient aux expériences de tolérance aux fautes précoces.

Plutôt que d’examiner si la correction d’erreurs améliore une seule porte ou prolonge la durée de vie d’un qubit, les chercheurs évaluent la correction d’erreurs sur des circuits inspirés d’algorithmes. C’est un test plus exigeant car les erreurs s’accumulent à mesure que le programme grandit et nécessite plus d’opérations.

Les résultats produits à l’aide des environnements H2 et Helios de Quantinuum indiquent que la correction d’erreurs peut devenir bénéfique à des profondeurs de circuit plus grandes. Cependant, la mise en œuvre codée ne surpasse toujours pas un circuit logique idéalisé non codé. Les erreurs de mémoire, le temps d’inactivité, la surcharge de codage et le coût des opérations non-Clifford restent des barrières importantes.

Cette distinction compte. La correction d’erreurs a démontré des progrès au niveau des composants, mais exécuter de longs algorithmes d’application pertinents avec un avantage net reste difficile. L’étude positionne donc les expériences actuelles comme une préparation pour l’informatique tolérante aux fautes plutôt que comme une preuve que la grande chimie quantique est déjà arrivée.

D’Helios à un système Lumos tolérant aux fautes

La feuille de route suit quatre générations de matériel Quantinuum : Helios, Sol, Apollo et Lumos.

Helios représente l’étape actuelle. Pour la chimie, le document l’associe à des expériences de niveau physique impliquant environ 50 orbites de spin, aux côtés de démonstrations logiques beaucoup plus petites impliquant environ 10 orbites de spin. L’utilisation attendue est principalement la validation technique et les preuves de concept d’états excités de molécules petites.

Sol, ciblé pour 2027, est présenté comme une phase de mise à l’échelle initiale. La feuille de route anticipe des expériences physiques plus grandes et une stabilisation logique précoce, mais les charges de travail de chimie logique restent petites. La pertinence commerciale potentielle se concentre sur des applications d’états excités limitées et des gains d’efficacité de recherche pour les sociétés pharmaceutiques et de matériaux.

Apollo, ciblé pour 2029, marque une transition plus conséquente. Sous les hypothèses du document, les calculs logiques pourraient s’étendre vers environ 100 orbites de spin, soutenant la modélisation de matériaux à échelle moyenne et des calculs d’états excités plus significatifs. C’est à ce stade que la feuille de route commence à relier la technologie à des réductions quantifiables des coûts de recherche et de développement.

Lumos, prévu comme un système à grande échelle tolérant aux fautes pour les années 2030, représente l’étape la plus ambitieuse. Le document l’associe à plus de 100 orbites de spin logiques, à l’exactitude chimique et aux flux de travail de découverte de matériaux évolutifs.

Ces jalons ne sont pas des engagements que des applications spécifiques deviendront disponibles commercialement à ces dates. Les auteurs décrivent la feuille de route comme une enveloppe pilotée par des hypothèses soumise à des incertitudes impliquant les taux d’erreurs physiques, la surcharge de codage logique, la synthèse de portes et les performances matérielles réalisées.

La détection de la fraude peut offrir un chemin commercial plus précoce

Le deuxième domaine du document, l’analyse de données topologiques, pourrait suivre un chemin plus court vers une utilisation commerciale.

L’analyse de données topologiques étudie la structure ou la « forme » de jeux de données complexes. Dans des environnements basés sur des graphes, elle peut identifier des modèles impliquant la connectivité, les boucles, les grappes et des relations à plus haute dimension qui peuvent être difficiles à détecter par des statistiques conventionnelles.

SoftBank et Quantinuum examinent si ces techniques pourraient améliorer la détection de la fraude en télécommunications. Les appels, les messages, les relations de compte et les transferts financiers peuvent être représentés comme des réseaux, avec des réseaux de neurones graphiques utilisés pour identifier des nœuds ou des activités suspects.

Les fraudeurs, cependant, tentent délibérément de ressembler à des utilisateurs ordinaires. Ils peuvent distribuer l’activité sur des comptes, utiliser des chemins de transfert indirects ou diviser la collecte, le relais et les fonctions de liquidation entre plusieurs participants. Ces tactiques peuvent échapper aux systèmes qui se concentrent principalement sur des indicateurs locaux tels que le nombre de connexions associées à un compte.

Les chercheurs complètent un réseau de neurones graphiques avec des fonctionnalités appelées moments de Laplace. Ces fonctionnalités sont conçues pour capturer des informations structurelles entre les statistiques locales pures et les mesures topologiques globales élevées. Sur un benchmark de fraude en télécommunications, l’ajout de moments de Laplace a produit des améliorations modestes dans le rappel, le score F1 et d’autres métriques de classification. L’amélioration du rappel était statistiquement significative sur les courses de test de l’étude.

Le document traduit cette amélioration en un scénario économique illustratif. Il cite des pertes de fraude en télécommunications mondiales estimées à 38,95 milliards de dollars en 2023 et évalue un sous-ensemble de 10 milliards de dollars de cette perte. À une précision fixe de 0,9, l’amélioration du rappel mesurée correspondrait à environ 220 millions de dollars de pertes annuelles potentiellement réduites.

Ce chiffre ne doit pas être interprété comme une prévision. Il suppose que les améliorations de modèle observées sur un jeu de données de référence se traduiraient proportionnellement en pertes réelles du monde évitées. Le déploiement opérationnel impliquerait également la qualité des données, l’intégration, les faux positifs, les tactiques de fraude changeantes et les processus d’enquête humaine.

Plus important encore, l’expérience n’a pas démontré d’avantage quantique. Le jeu de données était suffisamment parcimonieux pour que les fonctionnalités pertinentes puissent être calculées classiquement et contenaient trop peu de structure à plus haute dimension pour tester les formes les plus exigeantes de la technique.

Le résultat est néanmoins pertinent car la même approche analytique pourrait être utile aujourd’hui en utilisant l’informatique classique à haute performance, tout en s’étendant vers l’exécution quantique si les tailles de graphes ou la complexité structurelle futures dépassent les limites classiques.

Une feuille de route pour l’infrastructure hybride quantique et IA

SoftBank et Quantinuum placent les deux domaines d’application dans une vision plus large de « centres de données quantiques IA ». Dans ce modèle, les unités de traitement quantique ne remplaceront pas les unités de traitement graphique, les unités centrales de traitement ou les supercalculateurs. Ils fonctionneront comme des accélérateurs spécialisés dans une infrastructure hybride.

Les systèmes classiques continueront à gérer la préparation de données, l’apprentissage automatique, l’orchestration et le post-traitement. Les processeurs quantiques seront assignés à des parties soigneusement sélectionnées d’un flux de travail où les algorithmes quantiques fournissent un avantage computationnel significatif.

Pour la détection de la fraude, cela pourrait impliquer un processeur quantique générant des fonctionnalités structurelles difficiles avant que ces fonctionnalités ne soient transmises à un réseau de neurones graphiques s’exécutant sur une infrastructure classique IA. Dans la recherche de matériaux, un ordinateur quantique pourrait effectuer des calculs de structure électronique sélectionnés tandis que les systèmes classiques d’informatique à haute performance gèrent le pipeline de simulation et d’optimisation plus large.

Cette architecture hybride est également plus réaliste sur le plan commercial que l’on ne s’attend à ce que les entreprises remplacent les environnements de calcul établis. Elle permet aux organisations d’intégrer progressivement les capacités quantiques via des services cloud, des accélérateurs de centre de données et des flux de travail spécifiques à l’application.

SoftBank et Quantinuum ont mené des recherches sur les modèles commerciaux potentiels de l’informatique quantique depuis l’annonce de leur partenariat en 2025. Le livre blanc vise à éclairer ce travail, notamment le développement potentiel de futurs services et infrastructures quantiques-AI.

Les entreprises n’ont pas besoin d’attendre Lumos

L’une des conclusions les plus pratiques du document est que les sociétés ne devraient pas attendre un système entièrement tolérant aux fautes avant de commencer la recherche d’applications.

La construction d’un flux de travail quantique utile sur le plan commercial nécessite plus que l’accès au matériel. Les organisations ont besoin de jeux de données appropriés, d’expertise de domaine, de problèmes de référence, de références classiques, d’algorithmes spécialisés et d’une intégration avec les systèmes existants d’IA et d’informatique à haute performance. Le développement de ces capacités peut prendre des années.

Les expériences à court terme peuvent donc créer de la valeur même si le matériel quantique ne surpasse pas encore les alternatives classiques. Les sociétés peuvent identifier quels problèmes internes sont appropriés, calculer les exigences en ressources, développer des flux de travail hybrides et établir des mesures qui détermineront finalement si l’exécution quantique fournit un avantage.

L’exemple de détection de la fraude illustre particulièrement bien cette stratégie. SoftBank peut explorer des fonctionnalités graphiques améliorées via l’informatique classique aujourd’hui, tout en étudiant si des versions à plus haute dimension de ces fonctionnalités pourraient devenir des candidats pour une future accélération quantique.

Pour les dirigeants d’entreprise, cette approche remplace l’instruction vague de « être prêt pour le quantique » par une question plus utile : quels flux de travail pourraient bénéficier, quel matériel seraient-ils nécessaires et quelle préparation peut commencer avant l’arrivée de ce matériel ?

En fin de compte, le livre blanc de SoftBank et Quantinuum est le plus précieux non pas parce qu’il prétend connaître la date exacte de l’avantage quantique commercial, mais parce qu’il refuse de traiter cet avantage comme un seul événement. En reliant des charges de travail concrètes à Helios, Sol, Apollo et Lumos, le livre blanc présente l’adoption quantique comme un processus graduel de validation technique, de développement de flux de travail et de pertinence économique croissante. Ses calendriers restent incertains, mais son cadre d’application en premier offre une manière plus crédible pour les organisations de décider quand, où et pourquoi l’informatique quantique peut devenir utile.