Qu’est-ce que l’IA quantique ?

Les ordinateurs traditionnels utilisent des bits pour représenter les données. Chaque bit représente un 0 ou un 1, et lorsqu’ils sont combinés pour former du code binaire, nous pouvons utiliser ces ordinateurs pour tout créer, des systèmes d’exploitation simples aux calculs de supercalculateurs les plus avancés. Les ordinateurs classiques encodent les données en bits en utilisant l’électricité conduite par les transistors et les microprocesseurs.

L’informatique quantique, en revanche, utilise des qubits (bits quantiques), des particules subatomiques spéciales constituées d’atomes, de circuits électriques supraconducteurs ou d’autres types de particules, pour encoder les données dans deux états (0 ou 1), oui, mais également dans un troisième état qui n’est ni 0 ni 1, et qui peut être considéré comme un 0 ou un 1 en même temps. Ce concept de mécanique quantique complexe est ce que l’on appelle une superposition et il représente un type de probabilité inconnaissable qui peut être exploité pour encoder de manière exponentielle plus d’informations dans des états quantiques de qubits. De plus, grâce à l’intrication quantique, deux qubits peuvent être reliés et contenir des informations l’un sur l’autre. Le regroupement de ces types de qubits crée des qubits logiques qui peuvent être utilisés pour créer des ordinateurs quantiques utiles et réduire les erreurs (ce que l’on appelle la décohérence). 

Les processeurs quantiques ne résolvent pas les équations mathématiques de la même manière que les ordinateurs classiques. Des calculs complexes qui pourraient prendre des centaines de milliers d’années à un ordinateur classique pourraient être résolus en quelques minutes à l’aide d’algorithmes quantiques. Contrairement aux ordinateurs classiques (qui doivent traiter chaque étape d’un calcul complexe), les circuits quantiques composés de qubits logiques (comme ceux utilisés dans les ordinateurs à code quantique avec correction d’erreur) peuvent traiter de manière fiable d’énormes jeux de données presque simultanément, pour des performances infiniment plus efficaces. Ce phénomène s’explique par les propriétés probabilistes des ordinateurs quantiques : ils trouvent la solution la plus probable à un problème donné. Les ordinateurs traditionnels, quant à eux, sont déterministes : des calculs laborieux sont requis pour déterminer un résultat singulier spécifique pour chaque entrée donnée. 

Informatique classique

• Utilisée par des ordinateurs et appareils courants et polyvalents.
• Stocke les informations sous forme de bits avec un nombre discret d’états possibles, 0 ou 1.
• Traite les données de manière logique et séquentielle.

Informatique quantique

• Utilisée par du matériel quantique à grande vitesse, spécialisé et expérimental basé sur la mécanique quantique.
• Stocke les informations sous forme de qubits avec un état quantique supplémentaire possible, 0, 1, ou une superposition de 0 et 1.
•  Traite les données en utilisant la logique quantique dans des instances parallèles. 

Même si les ordinateurs quantiques sont bien plus efficaces que les ordinateurs classiques pour traiter de grands jeux de données ou résoudre d’autres problèmes comme la factorisation première avancée, l’informatique quantique n’est pas adaptée à la plupart des circonstances. De manière réaliste, l’informatique classique continuera d’occuper une place importante dans les opérations normales. Cependant, des ordinateurs quantiques connectés au cloud ou des écosystèmes hybrides sont déjà utilisés pour un large éventail d’applications avancées.  

Seule ou combinée à d'autres technologies (par exemple, des capteurs, la géolocalisation, la robotique), l’IA est capable d’effectuer des tâches qui nécessiteraient autrement une intelligence ou une intervention humaine. Parmi les exemples courants d’IA utiles, citons les assistants digitaux, la navigation GPS, les véhicules autonomes, l’art assisté par IA générative et les outils de rédaction.

Englobant le machine learning et l’apprentissage profond, l’intelligence artificielle implique le développement d’algorithmes, modélisés en s’inspirant des processus de prise de décision du cerveau humain, qui peuvent « apprendre » à partir des données disponibles et établir des classifications ou des prédictions de plus en plus précises au fil du temps. Aujourd'hui, l’IA générative peut apprendre et reproduire non seulement le langage, mais aussi d’autres types de données, notamment les images, les vidéos, le code logiciel et même les structures moléculaires.

• Reconnaissance vocale : Couramment utilisée dans les assistants digitaux à commande vocale, l’IA permet de contrôler la technologie par la voix : les produits d’IA peuvent ainsi comprendre les commandes vocales et y répondre. Les systèmes textuels, tels que les chatbots, sont de plus en plus utilisés dans les scénarios de formation et de service client.
• Vision par ordinateur : Grâce à cette technologie d’IA, les ordinateurs et les systèmes peuvent extraire des informations significatives des images numériques, des vidéos et d’autres entrées visuelles, telles que des applications de traduction basées sur l’appareil photo qui « lisent » et traduisent des langues étrangères. 
• Optimisation de la chaîne d’approvisionnement : Qu’il s'agisse de tracer les itinéraires d’expédition les plus efficaces ou d’estimer et d’automatiser les lignes de production, les technologies d’IA ne font qu’améliorer les chaînes d’approvisionnement mondiales, réduisant les déchets et accélérant les livraisons. 
• Prévisions météorologiques : La modélisation météorologique prédictive tire parti de l’IA lors du traitement de jeux de données complexes et hautement probabilistes pour générer des prévisions plus précises, ce qui contribue à la prévention des catastrophes naturelles et à la reconstruction. 
• Détection des anomalies : Les modèles IA peuvent passer au peigne fin de grandes quantités de données historiques et découvrir des points de données atypiques au sein d’un jeu de données. La détection de ces anomalies peut révéler des équipements défectueux, des erreurs humaines ou des failles dans les mécanismes de cybersécurité.

Depuis la présentation du premier prototype d’ordinateur quantique viable dans les années 1980, les chercheurs ont fait d’énormes progrès dans le développement de systèmes quantiques. Les grandes institutions technologiques comme IBM ont connu d’immenses réussites dans le développement d’équipements et de processus : systèmes de qubits à atomes neutres et supraconducteurs, processeurs quantiques à ions piégés et composants de réfrigération informatique en surfusion capables de générer les températures glaciales requises pour maintenir la cohérence des qubits, atténuer les effets de la décohérence, et créer les conditions idéales pour des calculs fiables. Dans le même temps, les chercheurs avancent également dans le domaine de l’informatique quantique à température ambiante, pour une informatique quantique plus pratique (et une IAQ utile) et beaucoup plus accessible. 

En plus du matériel, les ingénieurs quantiques construisent, définissent et affinent également de nouveaux cadres pour fournir aux chercheurs les outils et ressources de développement nécessaires à la conception, à la simulation et à l’exécution d’algorithmes d’IAQ. L’une de ces initiatives, TensorFlow Quantum, propose une bibliothèque open source d’outils de développement complets destinés à l’intégration des capacités quantiques dans les workflows de machine learning. De même, les langages informatiques quantiques natifs offrent un cadre open source permettant aux chercheurs de concevoir, d’optimiser et d’analyser de nouveaux algorithmes quantiques.

Même si la recherche en informatique quantique pourra permettre de résoudre les problèmes que l’IA rencontre pour traiter les données à grande échelle à des vitesses raisonnables, l’informatique quantique et l’intelligence artificielle ont toutes deux leur lot d’obstacles à surmonter avant que l’adoption généralisée de technologies quantiques telles que l’IAQ et le machine learning quantique ne soit une option viable. Dans l’espace quantique, des obstacles tels que la décohérence des qubits, la correction d’erreur et l’évolutivité persistent. Les chercheurs en intelligence artificielle développent sans cesse de nouveaux produits, comme de grands modèles d’action (LAM) qui non seulement prédisent le langage, mais qui génèrent également des actions et d’autres formes de résultats pour améliorer les capacités fonctionnelles et l’utilité des technologies d’IA existantes. 

Il est essentiel de se pencher sur les implications éthiques, réglementaires et sociétales de l’utilisation des technologies d’IAQ pour garantir une innovation responsable et un accès équitable aux avantages des solutions basées sur la technologie quantique. Les applications de l’IAQ, tout comme celles de l’IA existante, se développent de jour en jour. Mais au vu de l’ampleur que prend le battage médiatique autour de l’utilisation des outils d’IA dans les entreprises, les conversations sur l’IA responsable et l’éthique de l’IA revêtent une importance encore plus cruciale.