Contexte de l'informatique quantique
Dans la vidéo suivante, Olivia Lanes vous guide à travers le contenu de cette leçon. Vous pouvez également ouvrir la vidéo « YouTube » de cette leçon dans une fenêtre distincte.
Vous avez commencé ce cours en vous lançant directement dans l'exécution de votre premier circuit quantique et en découvrant comment les lois de la mécanique quantique permettent de créer des états quantiques, des portes et des circuits. Maintenant, prenons un peu de recul. Dans cette section, nous aborderons l'informatique quantique à travers différents cadres conceptuels qui vous aideront à analyser d'un œil plus critique les discussions, les gros titres et les articles consacrés à ce sujet.
Il ne fait aucun doute que l'informatique quantique suscite beaucoup d'enthousiasme, tout comme les possibilités que cette technologie pourrait offrir. On pourrait même aller jusqu'à parler de « battage médiatique » Comme c'est souvent le cas lorsqu'une nouvelle découverte fait le buzz, il peut être difficile de distinguer la réalité de la fiction. Dans cette optique, il vaut mieux commencer par définir ce que l'informatique quantique n'est pas :
- L'informatique quantique ne va pas remplacer les ordinateurs classiques traditionnels — et elle ne débouchera pas non plus sur un « téléphone portable quantique »
- Ce n'est pas un moyen de « cocher toutes les réponses possibles en même temps »
- Il n'est pas systématiquement plus performant que les ordinateurs classiques pour toutes les tâches
- Ce n'est pas une guerre contre l'IA
- Ce n'est pas inutile tant que nous n'avons pas atteint la tolérance aux pannes ou la correction d'erreurs
- Ce n'est pas de la magie
J'espère que cela ne vous a pas complètement découragé de suivre ce cours ni ne vous a donné l'impression qu'il n'y a en réalité rien d'intéressant ici. Bien au contraire! L'informatique quantique a le potentiel d'être extrêmement puissante, mais uniquement pour certaines applications. Heureusement, ces applications couvrent des domaines de recherche active susceptibles de transformer en profondeur notre approche de problèmes majeurs, tels que les simulations chimiques, l'exploration des matériaux et l'analyse de grands ensembles de données. Avant d'aborder ces domaines d'application, examinons d'abord plus en détail certaines de ces idées reçues.
Mise à l'échelle
Une autre idée reçue courante est que plus un ordinateur quantique possède de qubits, plus il est forcément puissant. Si l'échelle de calcul est importante, le nombre de qubits ne suffit pas à lui seul à donner une image complète des performances de l'informatique quantique. Le matériel quantique moderne est généralement évalué selon trois critères : l'échelle, la qualité et la vitesse.
L'échelle est mesurée par le nombre de qubits programmables mis à la disposition des utilisateurs. Il s'agit des qubits qui peuvent être directement contrôlés, manipulés, mesurés et intégrés dans des algorithmes quantiques. L'augmentation du nombre de qubits programmables permet d'étendre la taille des problèmes pouvant être étudiés sur du matériel quantique.
La qualité se mesure en opérations sur les qubits ( QuOps ), qui indiquent le nombre d'opérations quantiques les plus exigeantes sur le plan computationnel qu'un système est capable d'exécuter de manière fiable avant que les erreurs accumulées ne compromettent le calcul. Les améliorations apportées aux temps de cohérence, à la fidélité des portes logiques, aux procédures d'étalonnage et à l'architecture contribuent toutes à une meilleure qualité de calcul. Les temps de cohérence et de déphasage (communément appelés « » et « ») restent des indicateurs importants des performances des qubits.
La vitesse est mesurée en nombre maximal de circuits par seconde, également appelé « débit de circuits ». Cet indicateur mesure la quantité de calcul utile qu'un système quantique est capable d'effectuer au fil du temps et tient compte à la fois du traitement quantique et du traitement classique qui l'accompagne.
Vous pouvez également rencontrer d'autres indicateurs de performance tels que le CLOPS (opérations par seconde au niveau de la couche de circuit) et l'EPLG (erreurs par porte en couches). CLOPS mesure la vitesse d'exécution d'une charge de travail de référence normalisée, tandis qu'EPLG fournit des informations sur les taux d'erreur au niveau des grilles et la fidélité du processeur. Ces indicateurs restent utiles pour comprendre les caractéristiques spécifiques du matériel et les charges de travail, mais les qubits programmables, les opérations sur les qubits et le nombre maximal de circuits par seconde offrent un cadre plus large pour comparer les systèmes.
Il est nécessaire de continuer à progresser dans les trois dimensions que sont la performance, l'échelle, la qualité et la vitesse afin de construire un ordinateur quantique universel et tolérant aux pannes. C'est pourquoi, en consultant la feuille de route d' IBM Quantum®, vous remarquerez que certaines évolutions entre les processeurs ne s'accompagnent pas d'une augmentation considérable du nombre de qubits programmables. Par exemple, on remarque que l'augmentation du nombre de qubits programmables entre Heron et Nighthawk est modeste, car ce n'est pas là l'objectif principal de cette amélioration. Au contraire, Nighthawk met en œuvre une nouvelle topologie de connectivité qui permettra d'utiliser différents codes de correction d'erreurs.
Correction des erreurs ou atténuation des erreurs
La correction d'erreurs reste l'un des principaux objectifs à long terme des chercheurs en informatique quantique. Ce raisonnement repose sur le principe que les qubits resteront toujours quelque peu bruyants et sujets aux erreurs, et que si nous voulons exécuter des algorithmes à grande échelle, comme celui de Shor par exemple, nous devrons être capables de détecter et de corriger ces erreurs en temps réel. Il existe de nombreux types de codes de correction d'erreurs; si vous souhaitez approfondir le sujet, nous vous invitons à consulter d'autres cours (tels que le cours « Fondements de la correction d'erreurs quantiques »).
La correction d'erreurs, en revanche, est déjà couramment utilisée pour améliorer les résultats de l'informatique quantique. Le principe de l'atténuation des erreurs repose sur le fait que nous acceptons que des erreurs se produisent et que nous essayons d'anticiper leur comportement afin d'en réduire les conséquences. Il existe de nombreuses techniques d'atténuation des erreurs; beaucoup d'entre elles nécessitent plusieurs exécutions sur un ordinateur quantique, ainsi qu'un traitement classique a posteriori. Il est peu probable que la correction des erreurs remplace complètement l'atténuation des erreurs. Nous pensons plutôt que les deux seront utilisées conjointement pour obtenir les meilleurs résultats possibles avec les ordinateurs quantiques.
Composants informatiques quantiques
Nous avons évoqué précédemment qu'il est faux de croire que les ordinateurs quantiques remplaceront un jour les ordinateurs classiques. Ce n'est absolument pas le cas; les ordinateurs quantiques et les ordinateurs classiques ne sont pas en concurrence pour se remplacer mutuellement. En effet, comme indiqué dans la section précédente, les ordinateurs quantiques ont besoin d'ordinateurs classiques pour fonctionner, et ce pour diverses raisons. Quand on parle de « computers » au sens large, on part généralement du principe qu'ils comprennent tous les composants, comme le processeur, la mémoire vive, la mémoire, etc. À l'inverse, un ordinateur quantique ne dispose pas de tous ces composants. Souvent, lorsque l'on parle d'ordinateur quantique, on fait en réalité référence au QPU, ou « Quantum Processing Unit » (unité de traitement quantique), qui remplace le CPU dans son rôle de traitement. Le QPU n'est pas en soi un ordinateur polyvalent. Il n'exécute pas de système d'exploitation, ne gère pas la mémoire et ne prend pas en charge les interfaces utilisateur. Son seul rôle consiste à manipuler les qubits selon des opérations quantiques soigneusement contrôlées avant de renvoyer les résultats des mesures à un système classique.
En pratique, les ordinateurs quantiques actuels s'apparentent davantage à des systèmes hybrides. Un ordinateur classique gère le flux de travail — préparation des données d'entrée, compilation des circuits quantiques, planification des tâches et traitement des résultats — tandis que le QPU n'exécute que la partie quantique du calcul. Même si le matériel quantique continue de progresser, cette répartition des tâches devrait perdurer, les avancées visant davantage à renforcer l'intégration et à accélérer la communication entre les systèmes classiques et les QPU qu'à supprimer purement et simplement les composants classiques.
Domaines d'application potentiels de l'informatique quantique
Nous classons globalement les domaines dans lesquels l'informatique quantique devrait avoir le plus d'impact en quatre catégories : l'optimisation, la simulation hamiltonienne, les équations aux dérivées partielles (EDP) et l'apprentissage automatique.
Simulation hamiltonienne
Ce sujet porte sur la simulation des processus de mécanique quantique présents dans la nature. Fondamentalement, cela implique deux grandes tâches : déterminer l'énergie de l'état fondamental d'un système décrit par son hamiltonien, qui code l'énergie totale et les interactions au sein du système, et simuler l'évolution de ce système dans le temps (dynamique quantique).
C'est l'un des domaines d'application les plus naturels pour les ordinateurs quantiques : les systèmes quantiques sont notoirement difficiles à simuler sur des ordinateurs classiques, car la taille de l'espace des états quantiques croît de manière exponentielle avec le nombre de particules. Les ordinateurs quantiques, en revanche, représentent directement les états quantiques, ce qui les rend particulièrement adaptés — du moins en théorie — à ce type de problèmes.
Les principaux domaines d'application sont les suivants :
- Chimie et science des matériaux : prédiction de la structure moléculaire, des voies de réaction, des énergies de liaison et des propriétés des matériaux
- Physique de la matière condensée : étude des systèmes fortement corrélés, des transitions de phase et des états quantiques exotiques
- Physique des hautes énergies et physique nucléaire : modélisation des interactions entre particules
À long terme, les progrès réalisés dans le domaine de la simulation hamiltonienne pourraient permettre :
- Une découverte de médicaments et une conception de catalyseurs plus précises
- Découverte de nouveaux matériaux pour les batteries
- Une compréhension plus approfondie des phénomènes physiques fondamentaux
Bon nombre des algorithmes quantiques les plus étudiés, tels que le SQD, ont été développés spécifiquement dans l'optique de la simulation hamiltonienne. De ce fait, cette catégorie est souvent considérée comme l'un des cas d'application les plus convaincants sur le plan scientifique et les mieux fondés sur le plan théorique pour l'informatique quantique.
Optimisation
Les problèmes d'optimisation consistent à trouver la meilleure solution parmi un vaste ensemble de solutions possibles, sous réserve de certaines contraintes. Ces problèmes se posent dans les domaines des sciences, de l'ingénierie et de l'industrie, et deviennent souvent impossibles à résoudre par des moyens informatiques à mesure que leur ampleur augmente.
En voici quelques exemples :
- Planification et optimisation des itinéraires (par exemple, chaînes d'approvisionnement, circulation routière, planification des vols)
- Optimisation de portefeuille et gestion des risques (finance)
- Allocation des ressources et logistique
- Problèmes combinatoires tels que le partitionnement de graphes et le problème du coup maximal
De nombreux problèmes d'optimisation sont classés comme NP-difficiles en théorie de la complexité, ce qui signifie que les algorithmes classiques s'appuient généralement sur des heuristiques ou des approximations pour les instances de grande taille. Comme les qubits se comportent différemment des bits classiques, nous pouvons modéliser les solutions différemment. Cela pourrait nous permettre d'explorer les espaces de solutions plus rapidement ou de manière plus exhaustive qu'avec les algorithmes classiques.
Parmi les approches quantiques courantes, on peut citer :
- Les algorithmes variationnels, tels que l'algorithme d'optimisation approximative quantique (QAOA)
- Des flux de travail hybrides classique-quantique, dans lesquels des solveurs classiques guident et affinent les sous-programmes quantiques
Même si l'on ignore encore quand — ou pour quels problèmes — l'optimisation quantique offrira un avantage manifeste par rapport aux méthodes classiques de pointe, l'optimisation reste un domaine d'intérêt majeur en raison de son omniprésence et de la correspondance naturelle entre les objectifs d'optimisation et les hamiltoniens quantiques.
Équations aux dérivées partielles (EDP)
Les équations aux dérivées partielles décrivent la manière dont les grandeurs physiques varient dans l'espace et dans le temps. Elles sont à la base de nombreux modèles parmi les plus importants en sciences et en ingénierie, notamment en dynamique des fluides, en électromagnétisme, en transfert thermique et en modélisation financière.
En voici quelques exemples :
- Équations de Navier-Stokes pour l'écoulement des fluides
- Schrödinger et les équations d'onde
- Les équations de Maxwell
- Le modèle Black-Scholes et les équations différentielles partielles financières associées
La résolution numérique des équations différentielles partielles sur des ordinateurs classiques nécessite souvent des maillages spatiaux fins et de longues évolutions temporelles, ce qui entraîne un coût de calcul élevé et une forte consommation de mémoire.
Les algorithmes quantiques pour les équations différentielles partielles s'appuient généralement sur les éléments suivants :
- Transformation des équations différentielles partielles en grands systèmes d'équations linéaires
- Sous-programmes d'algèbre linéaire quantique, tels que l'algorithme HHL et ses variantes
- Des flux de travail hybrides dans lesquels des étapes classiques de prétraitement et de post-traitement encadrent les cœurs quantiques
En théorie, certaines approches quantiques peuvent permettre des gains de vitesse exponentiels ou polynomiaux sous certaines conditions (telles qu'une préparation et une lecture efficaces des états). Dans la pratique, la résolution d'équations aux dérivées partielles devrait constituer une application à plus long terme, étroitement liée aux progrès réalisés dans le domaine de l'informatique quantique tolérante aux pannes et de l'intégration quantique-classique avec les systèmes de calcul haute performance (HPC).
Apprentissage automatique
L'apprentissage automatique quantique (QML) étudie comment les ordinateurs quantiques pourraient améliorer ou accélérer certains aspects de l'apprentissage automatique et de l'analyse des données. Cela comprend les deux éléments suivants :
- Utilisation d'ordinateurs quantiques pour étudier des problèmes de classification présentant un comportement différent de celui des algorithmes classiques
- Développer de nouveaux modèles de nature intrinsèquement quantique
Parmi les applications proposées, on peut citer les suivantes :
- Classification et regroupement
- Méthodes basées sur les noyaux et cartes de caractéristiques
- Sous-programmes d'optimisation au sein des boucles d'apprentissage
De nombreux algorithmes QML s'appuient sur les éléments suivants :
- Circuits quantiques paramétrés en tant que modèles entraînables
- Techniques d'optimisation variationnelle
- Noyaux quantiques fonctionnant implicitement dans des espaces de caractéristiques de haute dimension
Cependant, l'apprentissage automatique est un domaine particulièrement difficile pour ce qui est de l'avantage quantique. L'apprentissage automatique classique est une discipline extrêmement aboutie, tandis que les modèles quantiques doivent faire face à des problèmes tels que le chargement des données, le bruit et la mise à l'échelle.
En conséquence, les recherches actuelles se concentrent sur les domaines suivants :
- Identifier les régimes spécifiques dans lesquels les modèles quantiques pourraient surpasser les modèles classiques
- Explorer QML dans le cadre de flux de travail hybrides plutôt que comme solution de remplacement autonome
- Comprendre l'expressivité, la capacité d'apprentissage et la généralisation des modèles quantiques
L'apprentissage automatique quantique reste un domaine de recherche très actif, susceptible d'avoir un impact à long terme, mais qui soulève également d'importantes questions quant à savoir quand et dans quels domaines des avantages concrets apparaîtront.
Conclusion
Cette leçon a clairement montré que l'avantage quantique ne consiste pas à remplacer les ordinateurs. Il s'agit d'élargir le champ de ce qui est calculable. C'est l'un des projets d'ingénierie les plus ambitieux que l'humanité ait jamais entrepris. Et comme tous les projets ambitieux, c'est compliqué, ça prend du temps, mais c'est vraiment génial.
Si vous souhaitez en savoir plus sur le fonctionnement concret de ces algorithmes, la prochaine leçon vous indiquera la marche à suivre en fonction de vos centres d'intérêt et de vos objectifs professionnels.