Une étude révolutionnaire a démontré que l’informatique quantique n’est pas seulement une promesse pour l’avenir, mais qu’elle offre déjà aujourd’hui des bénéfices tangibles pour les applications d’intelligence artificielle.
Une équipe de recherche internationale dirigée par l’Université de Vienne a réussi à montrer que même des processeurs quantiques de taille modeste peuvent surpasser les algorithmes classiques d’apprentissage automatique dans certaines tâches précises. Leur travail, publié ce mois-ci dans Nature Photonics, représente l’une des premières applications concrètes de l’informatique quantique pour améliorer les systèmes d’IA du quotidien.
Les chercheurs ont utilisé un circuit quantique photonique construit au Politecnico di Milano, en Italie, pour mettre en œuvre un algorithme d’apprentissage automatique initialement proposé par des chercheurs de Quantinuum au Royaume-Uni. L’expérience s’est concentrée sur des tâches de classification binaire, où le système quantique a démontré une précision supérieure par rapport aux approches classiques.
« Nous avons constaté que, pour certaines tâches spécifiques, notre algorithme commet moins d’erreurs que son équivalent classique », explique Philip Walther de l’Université de Vienne, qui a dirigé le projet. « Cela implique que les ordinateurs quantiques existants peuvent offrir de bonnes performances sans nécessairement dépasser la technologie de pointe actuelle », ajoute Zhenghao Yin, premier auteur de la publication.
Au-delà de l’amélioration de la précision, l’approche photonique offre d’importants avantages en matière d’efficacité énergétique. « Cela pourrait s’avérer crucial à l’avenir, étant donné que les algorithmes d’apprentissage automatique deviennent de plus en plus difficiles à gérer en raison de leur demande énergétique trop élevée », souligne la coautrice Iris Agresti. Alors que les systèmes d’IA continuent de croître en taille et en complexité, leur consommation énergétique massive devient une préoccupation majeure.
Cette recherche comble le fossé entre les avantages théoriques du quantique et les applications pratiques, démontrant que la technologie quantique actuelle peut améliorer les systèmes d’apprentissage automatique sans attendre l’arrivée d’ordinateurs quantiques à grande échelle. Ce développement ouvre de nouvelles possibilités pour des algorithmes plus efficaces inspirés par les architectures quantiques, et pourrait révolutionner notre façon d’aborder le calcul en IA dans un monde de plus en plus axé sur les données.