L’IA quantique a amélioré la précision des prévisions pour les systèmes complexes de 20 %.

Une méthode hybride mobilise des centaines de fois moins de mémoire et modélise mieux les processus chaotiques - du climat au flux sanguin

Des chercheurs de l’University College London (UCL) ont mis au point une méthode hybride qui associe informatique quantique et intelligence artificielle afin d’améliorer nettement la prévision de systèmes physiques complexes. Cette approche surpasse les modèles classiques reposant uniquement sur des ordinateurs traditionnels et pourrait être exploitée en climatologie, en médecine et dans le secteur de l’énergie.

Publié dans Science Advances, le travail montre que cette architecture hybride atteint une précision supérieure de 20 % par rapport aux architectures d’IA classiques. Les auteurs indiquent aussi que la méthode exige des centaines de fois moins de mémoire et qu’elle maintient la stabilité des prédictions, y compris lorsque le système étudié présente un comportement chaotique.

Méthode hybride quantique-IA : comment l’apprentissage se répartit entre qubits et supercalculateur

Le principe s’appuie sur des ordinateurs quantiques qui traitent l’information à l’aide de qubits. Contrairement aux bits ordinaires, les qubits peuvent prendre l’état 0, l’état 1, ou une superposition des deux, ce qui permet de représenter un très grand nombre d’états possibles.

Pendant la phase d’entraînement de l’IA, l’ordinateur quantique examine les données et en extrait des propriétés statistiques stables. Ces caractéristiques servent ensuite à entraîner le modèle sur un supercalculateur classique, ce qui combine l’exploration quantique des structures de données et l’efficacité des calculs à grande échelle sur des ressources conventionnelles.

Pourquoi les effets quantiques renforcent la modélisation des processus chaotiques

Les principaux atouts de la méthode proviennent d’effets quantiques tels que l’intrication et la superposition, qui rendent possible un traitement compact de volumes d’information importants. L’approche devient ainsi particulièrement adaptée à la simulation de systèmes complexes, où une variation locale peut se répercuter sur des zones éloignées du système - un défi typique lorsqu’on tente de reproduire des dynamiques difficiles à prévoir.

Mise en œuvre expérimentale et applications visées (turbulence, flux sanguin, parcs éoliens)

L’étude a été réalisée avec un ordinateur quantique IQM à 20 qubits, connecté à des ressources de calcul classiques au centre de calcul Leibniz (Allemagne). Les ordinateurs quantiques fonctionnent à des températures extrêmement basses, proches du zéro absolu (-273°C), ce qui complique leur exploitation, tout en soulignant leur potentiel.

Selon le responsable des tests, le professeur Peter Coveney, la méthode pourrait servir à prévoir la turbulence, à simuler le flux sanguin, à concevoir des parcs éoliens et, plus largement, à traiter d’autres problèmes liés au chaos en mathématiques, qui étudie le comportement de systèmes dynamiques complexes. L’équipe prévoit d’étendre l’approche à des jeux de données plus vastes, de l’appliquer à des cas réels et d’élaborer un socle théorique pour soutenir les développements futurs.