Accueil
Thèmes
ia quantique
Publication : 12 mars 2024
Contributeurs : Josh Schneider, Ian Smalley
L’intelligence artificielle quantique (IAQ) est un domaine émergent de l’informatique qui applique la puissance de transformation de l’informatique quantique à la recherche et au développement de produits d’intelligence artificielle améliorés, comme les algorithmes de machine learning, les réseaux neuronaux et les grands modèles de langage (LLM).
Si la recherche sur l’informatique quantique et l’IA se poursuit depuis des dizaines d’années, ces deux technologies en plein essor n’en étaient qu’à leurs débuts encore récemment. Les grandes avancées récentes ont généralisé l’utilisation de l’intelligence artificielle avec des générateurs de texte et d’images automatisés avancés, tels que ChatGPT et MidJourney. Le début des années 2020 a été marqué par un intérêt et un engagement massifs dans les outils d’IA orientés consommateurs, ainsi que par la multiplication d’intégrations apparemment sans fin de l’IA dans les produits d’entreprise, de la finance aux produits pharmaceutiques, et de l’automatisation à l’optimisation.
Alors que la promesse d’une intelligence artificielle pouvant égaler les capacités de l’intelligence humaine (voire les surpasser) semble se dessiner à l’horizon, il existe des limitations logicielles et matérielles que les technologies actuelles ont du mal à surmonter. Malheureusement, le potentiel de l’IA reste limité par la consommation d’énergie extrême qu’elle représente, les longs délais de traitement et les capacités de calcul exigeantes requises par les systèmes d’IA actuels, ce qui en réduit la viabilité à grande échelle.
Alors que les modèles modernes repoussent les limites des ordinateurs classiques (ou traditionnels), l’application de l’informatique quantique au développement de l’IA est sur le point de propulser ces deux technologies dans une nouvelle ère révolutionnaire. Tout comme l’IA de nouvelle génération défie les limites strictes des ordinateurs classiques, le potentiel de l’informatique quantique à générer un changement de paradigme ouvre une voie prometteuse à suivre pour l’intelligence artificielle, avec des possibilités quasi illimitées.
Avec des avancées qui pourraient changer la donne pour d’innombrables secteurs, notamment la recherche pharmaceutique, la science du climat, la science des données, la modélisation météorologique, la finance et même les arts, l’émergence de l’IA quantique promet de faire naître des technologies de recherche scientifique encore plus avancées et expérimentales. L’intégration de l’informatique quantique dans les futurs systèmes d’IA améliorés pourrait ouvrir de nouvelles frontières en matière de puissance de calcul, d’efficacité des algorithmes et de capacités plus globales de résolution des problèmes, et ce n’est pas peu dire. Malgré sa complexité, l’IAQ pourrait jouer un rôle critique et aider l’humanité à surmonter les obstacles les plus résistants auxquels elle est confrontée.
Les membres de l’IBM Quantum Network collaborent à grande échelle et collaborent de manière étroite avec nos experts en interne.
Pour le définir le plus simplement possible, un ordinateur quantique désigne tout système informatique qui utilise les propriétés de la mécanique quantique pour encoder, transmettre et/ou manipuler des données.
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
Informatique quantique
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.
Les technologies d’intelligence artificielle permettent aux ordinateurs de simuler l’intelligence humaine et ses capacités de résolution des problèmes.
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.
Malgré tous les avantages possibles de l’IA appliquée, l’IA quantique (IAQ) hyperchargée représente un multiplicateur potentiellement exponentiel avec des vitesses, des puissances et des capacités de traitement accrues.
Comme il s’agit d’une nouvelle technologie, l’impact global de l’IA sur notre vie quotidienne n’est pas encore tout à fait mesuré, mais il s’étend rapidement. Alors que nous continuons de découvrir des applications précieuses pour l’IA dans tous les secteurs, Goldman Sachs prévoit que l’IA pourrait faire augmenter le PIB mondial de 7 % d’ici 2033 (lien externe à ibm.com).
Puisque les ordinateurs quantiques sont parfaitement adaptés au traitement d’énormes quantités de données, l’informatique quantique pourra faciliter la résolution de tout problème nécessitant un traitement des données à grande échelle. L’IAQ pourrait par exemple faire passer la durée d’entraînement des LLM de plusieurs semaines à quelques heures, permettant ainsi la création quasi instantanée de nouveaux assistants IA hautement spécialisés dans des sujets complexes, techniques ou même expérimentaux. Au-delà des outils d’IA générative, l’IAQ est appelée à révolutionner un certain nombre de domaines critiques, que voici.
Des recherches récentes menées par IBM suggèrent que la conception pratique de médicaments est déjà à la portée des ordinateurs quantiques d’aujourd'hui (lien externe à ibm.com). Grâce à l’IAQ, les chercheurs espèrent pouvoir mieux modéliser la biologie moléculaire et accélérer considérablement la découverte de nouveaux et de meilleurs traitements médicamenteux, améliorant ainsi le délai de mise sur le marché des traitements critiques. L’IAQ peut également entrer en jeu dans l’analyse de quantités massives de données sur les patients pour fournir des informations précieuses sur l’efficacité des traitements et sur les soins préventifs.
De nombreuses grosses maisons de courtage utilisent l’automatisation pour optimiser leurs portefeuilles de trading, mais l’IA devient moins performante dans ce domaine, car les stratégies de trading deviennent plus complexes. La capacité de l’IAQ à détecter des schémas et à faire des prédictions à partir de grands jeux de données complexes pourrait potentiellement conduire à des plateformes de trading révolutionnaires basées sur l’IA capables de reproduire les portefeuilles les plus performants, en ajustant dynamiquement les investissements pour maximiser les profits. En outre, l’impact de l’informatique quantique sur les protocoles de cybersécurité les plus avancés d’aujourd’hui, comme la cryptographie et les cryptomonnaies, va générer une vague de systèmes cryptographiques de nouvelle génération, actuellement en cours de développement.
L’une des applications pour lesquelles les ordinateurs quantiques sont particulièrement utiles, c’est la modélisation du monde naturel, extrêmement complexe. Ainsi, des processus tels que les prévisions météorologiques peuvent être considérablement améliorés par l’IA. En outre, l’IAQ pourrait jouer un rôle essentiel dans les progrès de la science du climat, qu’il s’agisse de tester l’efficacité des initiatives de réduction des émissions de carbone ou de développer des technologies vertes expérimentales.
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.
Nos utilisateurs ont accès au plus grand parc d’informatique quantique au monde avec Qiskit Runtime, notre service d’informatique quantique et modèle de programmation utile.
L’IA sur IBM Z utilise le machine learning pour convertir les données de chaque transaction en analyses en temps réel. Découvrez des informations et obtenez rapidement des résultats fiables et exploitables sans déplacement de données. Appliquez l’IA et le machine learning à vos données d’entreprise les plus utiles sur IBM Z en utilisant des cadres d’exigences et des outils open source.
IBM Security Guardium est une famille de logiciels de sécurité des données du portefeuille IBM Security qui identifie les vulnérabilités et protège les données sensibles sur site et dans le cloud. Découvrez comment IBM peut aider votre organisation à se préparer à l’avenir de l’IA grâce à des mécanismes de sécurité quantiques.
L’informatique quantique utilise des technologies spécialisées, notamment du matériel informatique et des algorithmes qui tirent parti de la mécanique quantique, pour résoudre des problèmes complexes que les ordinateurs classiques ou les superordinateurs ne peuvent pas résoudre, ou pas assez rapidement.
Apprenez les bases de l’informatique quantique et découvrez comment utiliser les services et systèmes IBM Quantum pour résoudre des problèmes concrets.
Les technologies d’intelligence artificielle, ou IA, permettent aux ordinateurs et aux machines de simuler l’intelligence humaine et ses capacités de résolution des problèmes. En tant que domaine informatique, l’intelligence artificielle englobe le machine learning et l’apprentissage profond (avec lesquels elle est souvent mentionnée).
Un qubit, ou bit quantique, est l’unité d’information de base utilisée pour encoder les données en informatique quantique. Nous pouvons le considérer comme l’équivalent quantique du bit traditionnel utilisé par les ordinateurs classiques pour encoder les informations en binaire.
À l’ère de l’utilité quantique, nous utilisons des ordinateurs quantiques pour entrer dans un monde informatique auquel nous n’avions jamais eu accès auparavant. Alors que nous poursuivons notre route, nous devons également discuter des questions éthiques critiques entourant notre avenir quantique.
L’IA est présente dans notre quotidien et est utilisée dans les entreprises, les administrations ou encore le domaine de la médecine. Chez IBM, nous aidons les individus et les organisations à adopter l’IA de manière responsable. Ce n’est qu’en intégrant des principes éthiques dans les applications et les processus d’IA que nous pourrons développer des systèmes de confiance.