Une équipe internationale de chercheurs menée par l’Université de Vienne a réalisé une avancée majeure dans le domaine de l’informatique quantique et de l’intelligence artificielle, en démontrant que même des ordinateurs quantiques de petite taille peuvent apporter des bénéfices concrets aux 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 à noyau optimisé par le quantique. Les chercheurs ont montré que leur approche quantique surpasse les méthodes classiques les plus avancées, telles que les noyaux gaussiens et les noyaux tangentiels neuronaux, dans des tâches de classification binaire.
« Nous avons constaté que, pour certaines tâches spécifiques, 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 déjà offrir de bonnes performances sans nécessairement dépasser la technologie de pointe actuelle », ajoute Zhenghao Yin, premier auteur de la publication.
Le dispositif expérimental 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 exploite 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 d’importants avantages 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 constituer une alternative durable. « Cela pourrait s’avérer crucial à l’avenir, étant donné que les algorithmes d’apprentissage automatique deviennent inexploitables en raison d’exigences énergétiques trop élevées », souligne la co-autrice Iris Agresti.
Cette recherche a des implications qui dépassent le cadre de l’informatique quantique, car elle identifie des tâches spécifiques bénéficiant 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 un avantage quantique concret dans les applications d’IA, rapprochant la théorie de l’informatique quantique de sa mise en œuvre réelle.