IA versus ordinateur quantique : un combat très physique
Par David LarousseriePublié le 13 janvier 2025 à 18h00, modifié le 14 janvier 2025 à 00h36 https://www.lemonde.fr/sciences/article/2025/01/13/ia-versus-ordinateur-quantique-un-combat-tres-physique_6496145_1650684.html?lmd_medium=email&lmd_campaign=trf_newsletters_lmfr&lmd_creation=larevuedumonde&lmd_send_date=20250117&lmd_email_link=la-revue-du-monde_nos-abonnes-ont-lu_btn-lire&M_BT=53496897516380
Enquête
Dans la course à la résolution des problèmes fondamentaux de physique et de chimie, l’intelligence artificielle et l’informatique quantique sont les deux champions en lice. Pour mieux en comprendre les enjeux, « Le Monde » éclaire les coulisses de ce match et revient sur les derniers rounds.
Qui va gagner ? Qui, de l’intelligence artificielle (IA) ou de l’ordinateur quantique, pourra sauver la planète ? C’est là l’avenir que prédisent à ces deux technologies dernier cri nombre d’annonces dressant la liste des problèmes importants qu’elles pourraient résoudre. Parmi eux : trouver des matériaux plus efficaces ou moins rares pour les batteries, aider à mieux capturer le CO2, identifier des méthodes moins gourmandes en énergie pour synthétiser l’ammoniac nécessaire aux engrais… Et pour y parvenir, relever rien de moins que l’un des plus grands défis de la science : modéliser les interactions entre atomes et molécules.
Lire aussi | Article réservé à nos abonnés L’ordinateur quantique sort des limbesLire plus tard
Les rivaux, chacun paré de beaux atouts, ont, avant tout, de nombreux points communs. Tous deux reposent d’abord sur de la science solide et très ancienne. Le calcul quantique remonte à la théorie du même nom, élaborée pendant les années 1920 pour décrire les propriétés de la matière et ses interactions avec la lumière. L’IA est à peine plus jeune, née notamment grâce aux travaux d’Alan Turing, père de l’informatique moderne, dans les années 1930-1950.
Des Nobel récents ont salué ces fondements scientifiques. En 2022, un trio de physiciens, dont le Français Alain Aspect, s’ajoutait à la longue liste des savants du quantique récompensés pour une découverte en lien avec le calcul quantique. En 2024, en physique et en chimie, des chercheurs ont été primés pour le développement de méthodes pionnières en IA et d’outils qui ont résolu des problèmes difficiles en biochimie pour prédire la forme tridimensionnelle des molécules.
Les deux domaines sont aussi tirés par les efforts des géants du numérique. Google, IBM, Microsoft ou Amazon dominent dans les deux catégories, y compris face au monde académique. Des start-up essaiment pour les concurrencer. Nuance de taille dans ce parallèle, l’IA écrase le quantique en termes d’investissements : les plus grandes levées de fonds dans le quantique – 620 millions de dollars pour l’américaine Psiquantum, 300 millions pour Quantinuum, 148 millions pour la chinoise Origin Quantum (en 2022) – sont bien pâles face aux investissements obtenus par leurs homologues de l’IA – 6 milliards pour xAI, la start-up d’Elon Musk, ou 4 milliards pour Anthropic, start-up soutenue par Amazon…
Autre point commun, ces technologies tournent avec le même carburant ou presque. Elles manipulent des représentations mathématiques identiques, appartenant au domaine de l’algèbre linéaire. Elles raffolent de vecteurs (des listes de nombres), de matrices (des tableaux de nombres), et encore d’espaces gigantesques à multiples dimensions.
De jolis coups
Le combat est donc engagé. Pour le suivre, faisons le pari que, comme dans certains sports, il ne soit pas nécessaire de bien en comprendre toutes les règles pour en apprécier les enjeux, les rebondissements ou les jolis gestes. Accordons-nous aussi des libertés avec la chronologie du match, qui ne sera pas ici toujours respectée. Imaginons-les, enfin, comme deux boxeurs frappant des adversaires communs, cognant l’un sur l’autre, ou, beauté du sport, s’offrant des moments de solidarité inattendus.
Dans les années 1990, le boxeur IA est à terre, ses premiers succès – « systèmes experts », « IA symbolique » – ayant fait long feu. Le boxeur quantique profite de ce que son adversaire hiverne pour montrer ses muscles. Il frappe deux jolis coups. En 1994 et 1996, les Américains Peter Shor et Lov Grover mettent respectivement K.-O. deux problèmes : la factorisation des nombres entiers en un produit de nombres premiers, et la recherche d’informations dans une base de données. La complexité de ces tâches met à genoux les machines classiques car le temps de calcul augmente exponentiellement avec la taille des nombres à factoriser ou des bases de données. Mais les machines quantiques, elles, restent debout, car le temps de calcul des nouveaux algorithmes augmente mais pas exponentiellement.
Lire aussi | Article réservé à nos abonnés L’ordinateur quantique, comment ça marcheLire plus tard
Mais, au tournant des années 2010, le camp de l’IA se réveille, sous une autre forme que celle qui l’avait conduit en hibernation. Avec des réseaux de neurones artificiels (primés par le Nobel de physique 2024), et une technique dite « de machine learning » (« apprentissage machine »), les victoires s’enchaînent. En 2012, un logiciel dopé aux neurones artificiels bat tous ses concurrents à un concours de reconnaissance d’images. En 2016, un champion de go perd contre une IA. A partir de 2017, la traduction automatique commence à menacer les humains…
Il ne s’agit pas encore de « sauver la planète », mais cette stratégie donne des idées au camp d’en face, qui s’en prend aux mêmes cibles pour montrer qu’il peut les atteindre encore plus vite. S’enchaînent des démonstrations de force, prouvant la supériorité du quantique sur l’IA en reconnaissance d’images, identification de communautés, recommandation de contenus… Des dizaines d’algorithmes, baptisés quantum machine learning (QML, « apprentissage automatique quantique »), sont proposés, plus rapides, plus précis ou plus économiques énergétiquement que leurs analogues en IA classique.
« La motivation était de trouver comment le quantique pouvait faire la différence avec le classique. Au départ c’était très fondamental, puis ça a été de plus en plus appliqué », se souvient Elham Kashefi, directrice de recherche CNRS et professeure d’informatique quantique à l’université d’Edimbourg (Ecosse), qui a participé à cette période euphorique et victorieuse.
Boxeur de papier
Les investissements des grands industriels et des grandes nations se multiplient pour mettre au point les machines capables d’exécuter ces jolis coups quantiques. Car, il est temps de le révéler, le boxeur quantique est d’abord un boxeur de papier, une figure idéale qui n’existe encore que dans les têtes des théoriciens. Mais les feuilles de route prévoient que de vraies machines existeront dans plusieurs années.
Le boxeur IA existe, lui, bel et bien, moulinant grâce à des cartes graphiques qui jusqu’à présent dopaient les jeux vidéo (notons que ces cartes ont des processeurs reposant sur des principes… quantiques, mais différents de ceux permettant les merveilles annoncées).
C’est le moment où l’informatique classique se rebelle, monte sur le ring et malmène le super-héros quantique. En 2018, la jeune étudiante américaine Ewin Tang de l’université du Texas, 18 ans, désarçonne une des vedettes du QML proposée en 2016 pour accélérer la recommandation de films, livres…
Lire aussi | Article réservé à nos abonnés Alan Turing, l’homme qui a fait penser les machinesLire plus tard
Son alternative est parfaitement classique, fonctionnant sur un ordinateur normal. Le coup est rude. Un autre suit en 2019, quand Google prétend avoir réussi à calculer, grâce à sa machine quantique, quelque chose qui demanderait dix mille ans à un superordinateur. Quelques mois plus tard, plusieurs groupes font le même calcul en quelques heures sur des machines ordinaires.
En 2022, le boxeur quantique perd quasiment un bras. L’organisme de standardisation américain NIST sélectionne quatre algorithmes classiques pour permettre le chiffrement des transactions bancaires ou des certificats de connexion aux sites Web, robustes aux assauts quantiques. Or c’est justement ces applications que l’algorithme de Peter Shor devait « casser ».
Peu à peu, les « avantages quantiques » disparaissent. « Il n’est pas simple de débrouiller les exagérations qui ont marqué cette période. L’excitation pour le QML est un peu retombée mais il n’est pas mort », constate Elham Kashefi. « Le moral de cette communauté est un peu à la baisse », complète Filippo Vicentini, professeur assistant en intelligence artificielle et physique quantique à l’Ecole polytechnique, qui a participé à la sélection des exposés de la dernière conférence sur le sujet en Australie.
Un cœur fragile
Les experts se penchent alors sur le talon d’Achille du champion quantique. Sa force est aussi sa faiblesse. Au lieu de traiter des bits d’information, 0 ou 1, comme dans une puce électronique, la machine manipule des bits qui sont à la fois des 0 et des 1, des qubits. Mais ce cœur quantique est fragile. La moindre perturbation, comme un changement de température, le met à l’arrêt ou lui fait faire des erreurs. Très dur à protéger, et à contrôler.
Les belles promesses semblent inatteignables. « Il faut trop de ressources, en fait, pour voir un avantage au QML », souligne Filippo Vicentini. Plusieurs pointent aussi la lenteur intrinsèque et paradoxale de la machine, vendue comme « rapide ». C’est sa « mémoire » qui pèche. Faire « entrer » les données d’une tâche classique sur les multiples qubits est complexe et prend du temps, même si, ensuite, le calcul est rapide. Finalement, cela fait perdre bien des avantages.
Lire aussi | Article réservé à nos abonnés Google relance la course au calcul quantiqueLire plus tard
Qu’à cela ne tienne, même mal en point, le boxeur quantique trouve une parade. Il change de style. Avant d’atteindre la perfection, avec des qubits sans erreur, il se targue de montrer qu’il peut calculer avec les machines imparfaites disponibles. Au lieu d’essayer de copier « bêtement » l’IA, il s’inspire de ce qui donne la force à son adversaire. Les informaticiens inventent alors des techniques de calcul dites « variationnelles » ou hybrides.
Comme en IA, le but est de chercher la meilleure combinaison de paramètres permettant de résoudre une tâche. Sauf que, dans ce cas, les paramètres seront les valeurs à entrer pour régler la configuration de la machine quantique, ses qubits (quelles connexions entre eux ? quelles tensions électriques à appliquer ?). La machine n’a plus besoin d’être parfaite, un algorithme – de machine learning classique ! – trouve le moyen de la rendre « parfaite » par étapes successives. Un peu tordu, mais ça marche. Des dizaines de nouvelles stratégies sont proposées pour tirer profit de l’imperfection des machines. Le boxeur quantique se réveille.
Sans boussole ni jumelle
Sauf que, à nouveau, tout le monde lui tombe dessus.
Un coup, un peu traître, est même donné par une équipe de Google, grand supporteur du quantique. L’argument est technique mais peut se résumer comme suit. Trouver la meilleure combinaison revient à explorer un vaste espace de paramètres possibles, équivalent d’un paysage pour un voyageur, dans lequel il espère tomber sur un sommet, dans le brouillard, sans boussole ni jumelles. L’idée, simple, est d’avancer, à chaque pas, dans la direction ascendante. A la fin, quand monter ne sera plus possible, le sommet sera atteint.
Sauf que cette équipe a démontré, en 2018, que le paysage est souvent « plat », rendant l’exploration très très lente. A moins d’un coup de chance au départ, on n’arrivera pas à trouver le sommet… « Les solutions à ce problème doivent être trouvées », souligne le résumé de l’article.
D’autres attaquent sous un autre angle. Ils s’amusent à « déquantifier » les algorithmes variationnels. C’est-à-dire à contourner ce qui est vraiment quantique dans l’affaire et à s’en passer pour faire tourner, sur le même problème, des algorithmes tout à fait classiques.
Lire aussi | Article réservé à nos abonnés Calcul quantique : l’inévitable besoin de corriger les erreursLire plus tard
En 2023, c’est une puce d’IBM à 127 qubits qui fait les frais de cette méthode. Douze jours après la publication de ses performances dans la revue Nature, une équipe américaine dépose un preprint simulant la même chose que le géant de l’informatique mais sur un ordinateur classique. Et deux mois plus tard, un autre groupe récidive, avec une autre méthode. La même année, Xavier Waintal (CEA) et Thomas Ayral (entreprise ATOS, devenue Eviden) expliquent que la star de ces algorithmes variationnels, permettant des opérations sur des matrices, ne présente pas vraiment d’avantage quand il est utilisé avec ces machines quantiques actuelles imparfaites.
Même des anciens de la vague précédente, le QML, s’y mettent. Jonas Landman et Elham Kashefi publient par exemple, en 2022, une version classique d’un algorithme variationnel quantique.
Problème à N corps
Mais l’attaque la plus sérieuse vient frontalement du camp d’en face, celui de l’IA. Et concerne qui plus est l’un des plus grands défis de la science, dont on pensait que seule une machine quantique pourrait le relever : modéliser les propriétés des molécules et donc de la matière. Faire qu’un ordinateur puisse prédire que tel composé sera isolant, conducteur, voire supraconducteur, c’est-à-dire sans résistance électrique. Ce Graal porte le nom de problème à N corps, N désignant le nombre d’électrons en interaction dans le système, et qui régissent ses propriétés. C’est la résolution de ce problème qui permettrait aussi de « sauver la planète » en accélérant la découverte de nouveaux matériaux, de catalyseurs…
En 2016, Giuseppe Carleo et Matthias Troyer, de l’Ecole polytechnique de Zurich, publient un preprint, qui paraîtra dans Science l’année suivante et marquera les esprits. Ils proposent d’utiliser des principes de l’IA pour attaquer le grand problème quantique, de plein fouet.
« A l’époque, ces techniques n’avaient pas bonne presse chez les physiciens, car elles étaient considérées comme trop empiriques et manquant d’explicabilité pour comprendre les résultats », explique Filippo Vicentini. « J’avais été impressionné par le succès du machine learning au jeu de go. Ça a piqué ma curiosité pour les réseaux de neurones et m’a donné envie de m’en servir pour la physique quantique, se souvient Giuseppe Carleo. Mon directeur était sceptique mais ça a marché. Même avant la publication dans Science, des collègues se sont lancés à partir du preprint. »
Lire aussi notre archive (2014)| Article réservé à nos abonnés Domestiquer les chatons de SchrödingerLire plus tard
Son système de machine learning cherche à construire le meilleur réseau de neurones possible pour reproduire le système quantique à étudier – une assemblée d’électrons, par exemple. Reproduire le système quantique signifie alors trouver la fonction d’onde (l’un des concepts fondamentaux de la mécanique quantique) qui contient les propriétés de ce système et qui obéit à l’équation de base de la mécanique quantique, l’équation de Schrödinger.
Or trouver une fonction obéissant à une équation, c’est l’une des tâches reine du machine learning. On bouge les paramètres du réseau de neurones jusqu’à trouver la solution. « C’est un peu comme au jeu de go. On cherche l’optimal pour gagner », note Giuseppe Carleo. En 2016, le comportement de 100 électrons figés sur un réseau est décrit par cette méthode, soit l’ordre de grandeur du nombre d’électrons pertinents pour décrire une molécule.
L’approche sans machine
Puis les succès de cette technique s’enchaînent, en physique nucléaire, pour étudier les noyaux des atomes ou les étoiles à neutrons, ou en chimie quantique pour prédire l’état stable de molécules… « J’ai découvert cette méthode pendant ma thèse et je me suis vite formé et lancé », témoigne Filippo Vicentini, qui en 2019 propose un algorithme résolvant un problème théorique de magnétisme.
Il y a quelques mois, dans Science, une vingtaine de chercheurs, dont Giuseppe Carleo, font le bilan des échanges de coups, en comparant cette idée à d’autres, dont les méthodes quantiques variationnelles. « Nous pensons que ces algorithmes quantiques ne seront intéressants que sur des ordinateurs quantiques avec correction d’erreurs qui n’existent pas encore », résume Giuseppe Carleo, qui ajoute que les méthodes d’IA qu’il a développées sont pour l’instant les meilleures. « Aujourd’hui rien de quantique n’a démontré un clair avantage », tranche Antoine Tilloy, professeur à l’Ecole des Mines de Paris.
Fin de match ?
Non, bien sûr. Cette nouvelle approche sans machine quantiquen’est pas encore parfaitement au point. « C’est encore un peu trop de cuisine et d’empirisme. On ne sait pas quelle architecture de neurones sera la meilleure. Il faut mieux comprendre ces algorithmes et développer des méthodes pour les mettre au point », indique Filippo Vicentini, engagé sur ces aspects.
Lire aussi | Article réservé à nos abonnés Comment fonctionne AlphaFold, le programme d’intelligence artificielle qui dessine les protéines ?Lire plus tard
D’autres notent que la technique ne serait pas adaptée aux très grands systèmes, remplis de particules. « Cela n’a pas encore atteint la maturité de systèmes comme AlphaFold en biologie », rappelle Antoine Georges, professeur au Collège de France, à propos de l’outil de Google ayant reçu le prix Nobel.
Faire la paix
Et l’autre camp se rebiffe, avec plusieurs parades. D’abord il accepte de faire la paix avec l’IA. C’est même elle qui va l’aider. « L’IA pour le quantique » devient le slogan. Comme la mise au point des circuits quantiques est compliquée et que l’IA aime les problèmes compliqués, pourquoi ne pas lui demander un coup de main ?
Le summum de cette solidarité nouvelle est sans doute atteint en décembre 2024. Google publie un exploit d’ingénieur : la première preuve qu’un cœur quantique, à un seul qubit, peut être protégé par d’autres qubits, pour faire moins d’erreurs.
Or l’un des ingrédients pour y arriver est un système d’analyse ultrarapide utilisant le machine learning (et développé par Deepmind, filiale de Google). D’autres idées d’IA pour le quantique sont proposées, pour trouver les meilleurs paramètres dans la mise au point des machines, ou pour analyser l’état de forme des qubits, sans les déranger.
Lire aussi | Article réservé à nos abonnés Google relance la course au calcul quantiqueLire plus tard
Une autre botte secrète consiste à « hybrider » le quantique et le classique. En décembre, la start-up Quandela, qui fabrique des qubits à base de photons, a été primée à un concours de BMW pour son algorithme de génération d’images de nuit à partir de clichés pris de jour.
Une méthode d’IA traditionnelle a besoin en entrée d’une série d’images de jour. L’idée de la start-up est d’encoder ces images dans un état quantique plutôt que dans des pixels classiques. « On a fait le pari qu’il pourrait y avoir plus d’informations dans cet encodage que dans le cas classique et que cela pourrait apporter de nouvelles capacités à l’algorithme », estime Jean Senellart, responsable produit chez Quandela.
Un double caché
D’autres enfin, reviennent aux fondamentaux. Ils en appellent aux mânes d’une figure marquante de la physique, Richard Feynman, qui en 1982 avait inventé l’idée de calculateurs quantiques, nos futurs boxeurs. Qui ne pensait pas alors aux calculateurs dont nous venons de parler – et qui effectuent des séries d’opérations, certes plus rapidement qu’un ordinateur classique, mais finalement toujours avec des 0 et des 1. Il pensait à des « simulateurs », des systèmes artificiels imitant plus ou moins la nature et qu’on pourrait faire évoluer afin de reproduire la dynamique « réelle ». Le boxeur quantique avait en fait un double caché !
L’idée, développée par plusieurs start-up comme Pasqal en France ou QuEra et IonQ aux Etats-Unis, est de déposer, tels des œufs dans une boîte, des centaines d’atomes, censés représenter les électrons dans un solide ou une molécule. Puis de les laisser évoluer pour voir comment les œufs se répartissent. Mais ces stratégies aussi sont délicates à mettre au point, avec des « œufs » qui s’échappent trop rapidement et des agitations trop grandes encore pour ressembler à celles observées dans les matériaux.
Après au moins sept rounds, le match n’est donc pas terminé. « Difficile de généraliser sur les avantages de l’un par rapport à l’autre. Ça dépend des données, des tâches qu’on regarde, du paramètre d’efficacité qu’on cherche – vitesse, précision, efficacité énergétique… Et tout va très vite, ça change tout le temps », résume Elham Kashefi.
L’arrogance initiale du camp quantique a « surmotivé » les adversaires, que ce soit les « historiques » des méthodes classiques ou les nouveaux de l’IA. Amoché, le boxeur quantique s’agite encore. Son allonge s’est réduite et touche moins de cibles que prévu. Il compte sur l’IA pour lui apporter un second souffle. Elle pourrait pourtant bien le mettre à terre.
A lire en complément de notre enquête
Grâce aux « réseaux de tenseurs », une méthode efficace de compression des données, les ordinateurs traditionnels font une sérieuse concurrence aux ordinateurs quantiques sur certains types de calculs en science fondamentale.
David Larousserie
Santé-Environnement-Politique 