Une équipe de chercheurs internationaux dirigée par l’Université de Vienne a réalisé une avancée majeure en informatique quantique et en intelligence artificielle, démontrant que même des ordinateurs quantiques de petite taille peuvent offrir des avantages concrets pour les applications d’apprentissage automatique.
L’étude, publiée dans Nature Photonics le 8 juin 2025, a utilisé un nouveau circuit quantique photonique pour mettre en œuvre un algorithme d’apprentissage automatique basé sur les noyaux et optimisé par la mécanique quantique. Les chercheurs ont démontré que leur approche quantique surpasse les méthodes classiques les plus avancées, telles que les noyaux gaussiens et les noyaux de type tangent neuronal, dans des tâches de classification binaire.
« Nous avons constaté que, pour certaines tâches précises, notre algorithme commet moins d’erreurs que son équivalent classique », explique le professeur Philip Walther de l’Université de Vienne, qui a dirigé le projet. « Cela signifie que les ordinateurs quantiques existants peuvent offrir de bonnes performances sans nécessairement dépasser la technologie classique de pointe », ajoute Zhenghao Yin, premier auteur de la publication.
L’installation expérimentale comportait un circuit photonique quantique construit au Politecnico di Milano (Italie), exécutant un algorithme d’apprentissage automatique initialement proposé par des chercheurs de Quantinuum (Royaume-Uni). Le système utilise l’interférence quantique et la cohérence de photons uniques pour atteindre une précision supérieure dans les tâches de classification de données.
Au-delà de l’amélioration de la précision, cette approche photonique offre des avantages significatifs en matière d’efficacité énergétique. Alors que les applications d’apprentissage automatique deviennent de plus en plus complexes et énergivores, les processeurs quantiques photoniques pourraient offrir une alternative durable. « Cela pourrait s’avérer crucial à l’avenir, puisque les algorithmes d’apprentissage automatique deviennent parfois irréalisables en raison de demandes énergétiques trop élevées », souligne la coautrice Iris Agresti.
Cette recherche a des répercussions qui dépassent le domaine de l’informatique quantique, puisqu’elle identifie des tâches spécifiques qui bénéficient des effets quantiques et pourrait inspirer de nouveaux algorithmes classiques offrant de meilleures performances et une consommation d’énergie réduite. Il s’agit d’une étape importante vers l’avantage quantique pratique dans les applications d’IA, rapprochant la théorie de l’informatique quantique de sa mise en œuvre concrète.