Calcul quantique et IA
Cause commune est « la voix des possibles » une radio généraliste libre et indépendante sur les ondes en Ile de France et sur Internet partout dans le monde. Elle donne la parole à qui veut aider le monde à aller mieux et contribue à décloisonner la culture et les savoirs.
Jonas Landman est chercheur à l’Inria (Institut national de recherche en informatique et en automatique) et à l’ENS (École normale supérieure), deux institutions françaises de référence en sciences et technologies. Son parcours illustre l’interdisciplinarité entre l’informatique quantique et l’intelligence artificielle. Dans une émission radiophonique diffusée sur la radio libre Cause commune, il partage son expertise avec Serge Abiteboul, également chercheur et spécialiste des données. L’émission aborde des enjeux technologiques émergents en explorant comment ces deux domaines, l’IA et le quantique, pourraient évoluer ensemble. Landman y explique notamment les fondements du calcul quantique et ses applications potentielles, tout en situant la France dans la compétition internationale.
Le calcul quantique repose sur des principes de la physique quantique, une branche de la physique qui étudie le comportement de la matière à l’échelle atomique et subatomique. Contrairement aux ordinateurs classiques qui utilisent des bits (valeurs binaires 0 ou 1), les ordinateurs quantiques exploitent des qubits (ou bits quantiques), qui peuvent exister dans un état de superposition : un qubit peut être à la fois 0 et 1 simultanément. Cette propriété permet aux ordinateurs quantiques de traiter des calculs complexes beaucoup plus rapidement pour certaines tâches, comme la factorisation de grands nombres ou la simulation de molécules. Cependant, les qubits sont extrêmement sensibles aux perturbations extérieures, ce qui pose des défis majeurs pour leur stabilité et leur contrôle.
Les ordinateurs quantiques disponibles aujourd’hui sont encore en phase de développement et ne remplacent pas les ordinateurs classiques. Ils sont souvent appelés ordinateurs quantiques à usage limité ou NISQ (Noisy Intermediate-Scale Quantum). Ces machines, comme celles développées par des entreprises comme IBM ou Google, disposent de quelques dizaines à quelques centaines de qubits, mais leur fiabilité est limitée par des erreurs de calcul dues à la fragilité des qubits. Par exemple, un ordinateur quantique de 50 qubits peut théoriquement effectuer des calculs impossibles pour un supercalculateur classique, mais en pratique, il est encore difficile de maintenir la cohérence des qubits pendant une durée suffisante pour des applications concrètes.
L’un des arguments en faveur du calcul quantique est sa potentielle frugalité énergétique. Contrairement aux supercalculateurs classiques qui consomment des millions de watts pour des calculs intensifs, les ordinateurs quantiques pourraient, à terme, réaliser certaines tâches avec une consommation d’énergie bien moindre. Cependant, cette frugalité reste théorique et dépend de l’efficacité des technologies quantiques actuelles. Par exemple, refroidir les qubits à des températures proches du zéro absolu (-273°C) pour éviter les perturbations consomme déjà une quantité significative d’énergie. La question de la frugalité quantique est donc encore ouverte et fait l’objet de débats parmi les chercheurs.
La France est active dans la course au calcul quantique, avec des acteurs comme l’Inria, le CEA (Commissariat à l’énergie atomique et aux énergies alternatives) et des startups spécialisées. Le pays a lancé en 2021 un plan national quantique doté de 1,8 milliard d’euros pour soutenir la recherche et le développement dans ce domaine. L’objectif est de positionner la France parmi les leaders mondiaux, aux côtés des États-Unis, de la Chine et du Canada. Des initiatives comme le Quantum Flagship en Europe, qui alloue 1 milliard d’euros sur 10 ans, montrent l’importance stratégique accordée à cette technologie. Cependant, la France doit encore rattraper son retard en termes d’industrialisation et de commercialisation des solutions quantiques.
Il existe plusieurs technologies pour construire des ordinateurs quantiques, chacune avec ses avantages et ses défis. Les principales approches incluent les qubits supraconducteurs (utilisés par Google et IBM), les qubits piégés dans des ions (développés par des entreprises comme IonQ), les qubits photoniques (basés sur la lumière) et les qubits de spin (utilisant les propriétés magnétiques des électrons). Chaque technologie a ses propres contraintes techniques et coûts. Par exemple, les qubits supraconducteurs nécessitent des températures extrêmement basses, tandis que les qubits photoniques sont plus stables mais plus difficiles à contrôler. Cette diversité reflète la jeunesse du domaine et la nécessité d’explorer différentes pistes pour trouver la solution la plus viable.
Un algorithme quantique est une suite d’instructions conçue pour exploiter les propriétés des qubits et des ordinateurs quantiques. Contrairement aux algorithmes classiques, qui traitent les données de manière séquentielle, les algorithmes quantiques peuvent évaluer simultanément de nombreuses possibilités grâce à la superposition des qubits. Par exemple, l’algorithme de Shor, qui permet de factoriser rapidement de grands nombres, menace les systèmes de cryptographie classiques comme RSA. Un autre exemple est l’algorithme de Grover, qui accélère la recherche dans des bases de données non structurées. Cependant, ces algorithmes ne sont pas universels : ils ne sont efficaces que pour des problèmes spécifiques, souvent liés à la physique quantique ou à l’optimisation.
La rencontre entre l’intelligence artificielle (IA) et la physique quantique ouvre des perspectives inédites. L’IA peut aider à optimiser les calculs quantiques en identifiant des motifs ou des solutions dans des données complexes, tandis que le quantique pourrait accélérer certains processus d’apprentissage machine. Par exemple, les réseaux de neurones quantiques pourraient traiter des données plus rapidement que les réseaux classiques pour des tâches comme la reconnaissance d’images ou la prédiction de structures moléculaires. Cependant, cette synergie est encore au stade expérimental. Les chercheurs explorent comment combiner ces deux domaines pour résoudre des problèmes que ni l’IA ni le quantique ne peuvent traiter seuls aujourd’hui.
Une thèse entre mathématiques, physique et IA est un défi intellectuel qui nécessite une approche collaborative et une solide formation dans ces trois domaines. Les étudiants doivent maîtriser des concepts comme l’algèbre linéaire (pour les qubits), la mécanique quantique (pour comprendre les phénomènes physiques) et l’apprentissage automatique (pour concevoir des algorithmes). Par exemple, un doctorant pourrait travailler sur l’optimisation d’algorithmes quantiques pour des applications en IA, en combinant des outils mathématiques pour modéliser les qubits et des techniques d’IA pour améliorer leur efficacité. Ces thèses sont souvent encadrées par des équipes mixtes, associant des chercheurs en informatique, en physique et en mathématiques, reflétant la complexité et l’interdisciplinarité du domaine.
Pour le grand public, le calcul quantique représente une révolution technologique potentielle, mais encore en construction. Les points clés à retenir sont : les ordinateurs quantiques ne remplaceront pas les ordinateurs classiques, mais pourraient accélérer certaines tâches spécifiques ; les qubits et la superposition sont des concepts fondamentaux, mais difficiles à maîtriser ; la France et l’Europe investissent massivement dans cette technologie, avec des enjeux stratégiques et économiques. Il est important de distinguer les promesses théoriques des réalisations concrètes actuelles. Enfin, le quantique et l’IA pourraient se renforcer mutuellement, mais leur convergence reste un champ de recherche ouvert, avec des applications futures encore incertaines.
