Intelligence artificielle quantique

Alors que les algorithmes classiques reposent sur des bits (unités d'information pouvant être dans un état 0 ou 1), les algorithmes quantiques utilisent des qubits qui, grâce à la superposition quantique peuvent représenter simultanément 0, 1, ou une combinaison des deux. Cette capacité, combinée à l'intrication quantique (où les qubits sont corrélés indépendamment de la distance), permet à l'informatique quantique d'atteindre l'avantage quantique pour traiter un volume d'informations exponentiellement plus grand et explorer des espaces de solutions bien plus vastes que via l'informatique classique. Cette différence permet théoriquement un bond extrême de complexité algorithmique, susceptible de révolutionner l'optimisation mathématique, la simulation numérique (simulation quantique) et l'apprentissage automatique, au profit d'une efficacité radicalement démultipliée par exemple pour la recherche dans des bases de données non structurées ou pour l'entraînement de modèles d'apprentissage profond^[3].

L'algorithmique quantique demande une compréhension approfondie de la mécanique quantique, des probabilités et de l'algèbre linéaire ; les algorithmes quantiques sont extrêmement sensibles aux interactions avec l'environnement, source de décohérence et d'erreurs, d'où l'importance de la recherche sur la correction d'erreurs quantiques, qui vise à rendre les ordinateurs quantiques tolérants aux erreurs. Il ne s'agit pas simplement de traduire des algorithmes classiques en langage quantique, mais de repenser entièrement les approches de résolution de problèmes.

Les racines de l'informatique quantique remontent aux premières réflexions de pionniers comme Richard Feynman et David Deutsch qui ont conceptualisé le potentiel des machines quantiques dans les années 1980^[4].

Le début des années 2010 voit la construction de processeurs quantiques et le développement d'outils logiciels facilitant l'expérimentation d'algorithmes d'apprentissage quantique^[5].

Le problème du plateau stérile était considéré comme le principal obstacle à une IA quantique et plus généralement à l'informatique quantique variationnelle qui est l'approche hybride cherchant à combiner circuits quantiques paramétrés et optimisation classique pour résoudre des problèmes de calcul difficiles sur des machines quantiques bruitées^[6]. Ce "plateau stérile" est la métaphore qui désigne les situations où, lors de l'entraînement d'un algorithme quantique variationnel (comme un VQE (Variational Quantum Eigensolver) ou un QAOA (Quantum Approximate Optimization Algorithm), qui sont deux algorithmes quantiques variationnels hybrides combinant calcul quantique et optimisation classique pour résoudre respectivement des problèmes de valeurs propres en physique quantique et des problèmes d'optimisation combinatoire), le « paysage d'optimisation » devient exponentiellement presque totalement plat, ce qui fait que les gradients sont exponentiellement proches de zéro ; l'algorithme ne sait alors plus dans quelle direction ajuster ses paramètres, l'apprentissage et donc l'entraînement des modèles deviennent extrêmement lents ou impossibles, et la taille du circuit quantique aggrave le problème. Ce phénomène peut apparaître selon le choix de l'ansatz, de l'état initial, des observables, de la fonction de perte ou encore du niveau de bruit matériel. Pour le comprendre et le résoudre (ou au moins en atténuer ces effets), un important effort de recherche théorique et heuristique s'est développé, faisant du plateau stérile, un domaine d'étude actif à l'interface du contrôle quantique, des réseaux de tenseurs et de la théorie de l'apprentissage. Ceci a débouché en 2024 sur l'utilisation des algèbres de Lie (pour comprendre comment des opérations se combinent entre elles et expliquer que certains circuits quantiques deviennent impossibles à entraîner) et la publication d'une théorie montrant que, pour des circuits suffisamment profonds, on peut calculer exactement à quel point la fonction de perte devient « plate » (c'est‑à‑dire impossible à optimiser)^[7]. Les auteurs ont aussi montré que cette difficulté dépend directement de la taille de l'algèbre de Lie générée par le circuit : plus cette structure mathématique est grande, plus la perte se « concentre », et plus l'apprentissage devient difficile^[7]. Ensuite, en 2025, des avancées théoriques et pratiques significatives ont été obtenues au Los Alamos National Laboratory, qui a fourni dans la Revue Nature^[8] la première caractérisation mathématique précise des conditions d'apparition de ces « plateaux » (qui sont des pièges mathématiques pour les algorithmes quantiques variationnels), établissant des garanties théoriques de passage à l'échelle. Ces travaux résolvent un obstacle majeur pour l'apprentissage quantique en permettant de prédire la capacité d'entraînement d'une architecture donnée, supprimant ainsi l'approche empirique et coûteuse qui prévalait jusque‑là^[9].

Un apprentissage automatique amélioré par le quantique est préparé avec la recherche d'« algorithmes d'apprentissage automatique quantique » (ou QML pour Quantum Machine Learning) adaptés aux réseaux de neurones de systèmes quantiques (QNN). En 2021, une revue d'étude suggère que des algorithmes d'un genre nouveau puissent bientôt résoudre des tâches d'apprentissage automatique, ce qui pourrait accélérer ou améliorer certaines des méthodes existantes d'apprentissage. Cela inclut notamment des algorithmes dits « variationnels quantiques » (dénomination souvent abrégée en AVQ ou VQA pour Variational Quantum Algorithms), réputés prometteurs, dits « NISQ » (Noisy Intermediate-Scale Quantum), conçus pour mieux résister au bruit quantique et à l'erreur quantique^[12]. Dans ce cadre, les données issues du monde réel doivent d'abord être encodées dans un ordinateur quantique pour être traitées sous forme d'états quantiques. Le calcul quantique applique ensuite une série d'opérations, et le résultat final est obtenu en mesurant le système quantique. Par exemple, la mesure d'un qubit peut fournir directement la réponse à une tâche de classification binaire. Bien qu'au début des années 2020, de nombreux algorithmes de ce domaine soient encore théoriques et nécessitent des ordinateurs quantiques universels encore inexistants à grande échelle, certains ont déjà été testés sur des dispositifs quantiques de petite taille ou spécialisés.

Au début des années 2020, la recherche porte notamment sur les algorithmes hybrides (c'est-à-dire où des parties de calcul sont réalisées sur des processeurs quantiques, et d'autres sur des ordinateurs classiques). Ces algorithmes sont d'abord testés sur des machines à quelques dizaines ou centaines de qubits, dites machines NISQ, des machines pas encore « tolérantes aux fautes », mais qui permettent d'expérimenter des applications potentielles (par exemple en chimie quantique, en science des matériaux ou en modélisation financière)^[13], sur des plateformes matérielles variées, incluant les qubits supraconducteurs (comme ceux d'IBM et Google), les ordinateurs quantiques à ions piégés (comme par IonQ ou Quantinuum (en)) ou l'ordinateur quantique à photons (à qubits photoniques)^[14].