À retenir
- L’informatique quantique a encore un problème de ratio entre percées et controverses, ce qui rend ses cas d’utilisation pratiques difficiles à évaluer à partir des manchettes seulement.
- À court terme, il s’agit moins de remplacer les ordinateurs classiques que de trouver des domaines précis où les QPU peuvent aider.
- La bonne question n’est pas de savoir si le quantique est passionnant. Il faut plutôt déterminer où le matériel, les données et l’économie deviennent assez réels pour être utiles.
J’ai assisté au panel de Jensen sur l’informatique quantique avec 14 leaders du domaine à la GTC, et c’était le panel le plus « cool ».
Le jeu de mots sur « cool » est intentionnel. Les ordinateurs quantiques doivent littéralement être refroidis près du zéro absolu!
Comme je consacre tout mon temps à l’IA, le quantique m’a toujours semblé un peu abstrait et surmédiatisé. Oui, même pour quelqu’un qui travaille en « IA », avec tout ce qui va de l’IA générative à l’IA agentique et tout ce qui se trouve entre les deux, le quantique semble encore plus surmédiatisé sans réellement livrer de résultats. Jensen l’a très bien dit : le domaine affiche presque un ratio de 1:1 entre les percées et les controverses. Prenons la récente « énorme percée » Majorana 1 de Microsoft : où sont les résultats concrets et les utilisations dans l’industrie? Pourquoi voyons-nous tout ce battage médiatique, mais aucun véritable suivi?
La promesse est que l’informatique quantique pourrait fondamentalement changer ce qui est possible en science et en technologie. Le véritable enthousiasme autour du quantique vient de son potentiel à s’attaquer à des problèmes tout simplement impossibles pour les superordinateurs les plus puissants d’aujourd’hui, comme simuler avec précision des molécules, des matériaux et des processus biologiques complexes. Cela pourrait mener à des percées dans la création de nouveaux médicaments, de meilleurs matériaux pour les batteries ou de façons plus efficaces de produire de l’énergie propre. Cela pourrait même approfondir notre compréhension de la physique fondamentale et nous renseigner sur l’univers à ses plus petites échelles. Les ordinateurs quantiques pourraient aussi accélérer les progrès en IA en générant des données très précises pour entraîner les modèles ou en résolvant des tâches d’optimisation qui exigent actuellement d’immenses ressources de calcul.
Malgré toutes ces promesses passionnantes, l’informatique quantique semble donc souvent entourée de battage médiatique et de confusion. Ce panel m’a toutefois aidé à faire le tri dans ce bruit, et je voulais vous en partager quelques éléments.
Avant de commencer, je veux être clair : je ne comprends toujours pas complètement tout ce qui se passe dans le domaine quantique et j’aimerais beaucoup recevoir les commentaires d’experts. Voici tout de même quelques observations utiles que j’ai retenues du panel et de mes propres recherches supplémentaires…
Ma plus grande leçon? L’informatique quantique ne remplacera pas vos ordinateurs de sitôt. Il s’agit plutôt de matériel spécialisé, les QPU, qui s’attaque à des tâches précises aux côtés des processeurs classiques. De la même façon qu’on ajoute un GPU à un ordinateur avec son CPU, les QPU, ou « processeurs quantiques », pourraient devenir une troisième option pour certains cas d’utilisation très précis. Comme nous utilisons les GPU pour les jeux vidéo et l’IA.
Le problème est que même les experts en informatique quantique ne savent pas encore quels sont les meilleurs cas d’utilisation pratiques des processeurs quantiques, ou « QPU ». Mais un obstacle encore plus grand se dresse devant eux : construire du matériel quantique fiable. Et pour rendre ces puces utilisables, il faut résoudre deux problèmes majeurs…
D’abord, ce qu’on appelle la « correction d’erreurs » quantique :
Les puces quantiques produisent régulièrement des erreurs de calcul parce que les qubits, les unités fondamentales d’information quantique capables de représenter plusieurs états simultanément, sont extrêmement fragiles. Ils perdent facilement leurs délicates propriétés quantiques, un processus appelé décohérence, lorsqu’ils sont exposés à de minuscules perturbations environnementales comme la chaleur, les vibrations ou les interférences électromagnétiques. Sans techniques robustes de correction d’erreurs, les calculs quantiques deviennent rapidement peu fiables. Pour résoudre ce problème, l’informatique quantique s’appuie sur le concept de qubits logiques, des unités abstraites d’information quantique encodées dans plusieurs qubits physiques. Les experts estiment qu’il faut actuellement environ 100 qubits physiques qui travaillent ensemble pour représenter de façon fiable un seul qubit logique. Cela augmente radicalement la complexité et la taille des ordinateurs quantiques. Cet énorme surcoût montre à quel point il est difficile de mettre les systèmes quantiques à l’échelle tout en maintenant leur exactitude et un contrôle précis.
Le deuxième problème est la mise à l’échelle :
Les plus grands ordinateurs quantiques actuels ne possèdent encore que quelques dizaines à quelques centaines de qubits. Nous sommes loin des milliers, voire des millions, nécessaires pour résoudre des problèmes concrets comme la simulation de molécules complexes ou l’optimisation de la logistique à grande échelle. Ajouter des qubits n’est pas aussi simple qu’ajouter des transistors à une puce classique : chaque qubit doit être contrôlé avec précision, câblé individuellement et soigneusement protégé des interférences. La complexité explose avec la taille du système. Par exemple, dans certains processeurs quantiques supraconducteurs, chaque qubit exige actuellement plusieurs fils dédiés, parfois jusqu’à cinq par qubit, pour recevoir des signaux de contrôle précis. À ce rythme, un système quantique d’un million de qubits exigerait des millions de fils, ce qui créerait d’immenses défis d’ingénierie et de fiabilité.
Et quelles solutions les 14 PDG de ces entreprises de premier plan proposent-ils pour ces deux problèmes?
« Nous ne savons pas »
Oui, il n’existe aucune voie claire. Ils explorent encore comment résoudre ces problèmes, mais aussi à quoi les processeurs quantiques pourraient réellement servir.
Parmi les 14 entreprises du panel, certaines essayaient des méthodes complètement différentes pour empiler les qubits, atténuer ces erreurs et faire fonctionner le système dans son ensemble…
Une approche utilise des circuits supraconducteurs, qui doivent être refroidis à des températures proches du zéro absolu, à seulement quelques millikelvins au-dessus. À ces températures incroyablement froides, les circuits supraconducteurs peuvent exploiter des propriétés quantiques et permettre des techniques comme le recuit quantique. Cette méthode excelle particulièrement dans les problèmes d’optimisation, comme trouver les itinéraires ou les solutions les plus efficaces parmi un nombre incalculable de possibilités. Cependant, les systèmes supraconducteurs ne sont pas très flexibles pour les tâches de calcul généralistes et font face à des obstacles importants liés au bruit, aux erreurs et à la mise à l’échelle. D-Wave et Rigetti comptent parmi les entreprises reconnues qui utilisent cette approche.
Une autre méthode, complètement différente, repose sur des ions piégés manipulés par des lasers. Des atomes chargés individuels, les ions, sont maintenus en place par des champs électromagnétiques dans des chambres à ultravide. Des lasers contrôlent ensuite ces ions avec précision et interagissent avec eux pour effectuer des calculs quantiques. L’un des grands avantages de cette approche est qu’elle fonctionne à la température ambiante ou près de celle-ci et atteint une exactitude et une fidélité très élevées. Son principal défi reste toutefois la mise à l’échelle : plus le nombre d’ions augmente, plus leur contrôle précis devient complexe. IonQ et Quantinuum sont deux entreprises de premier plan qui travaillent sur cette technologie.
Il existe aussi une troisième voie prometteuse : les atomes neutres contrôlés par des lasers. Des atomes neutres sont maintenus dans des pièges optiques et soigneusement disposés à l’aide de faisceaux laser, ce qui crée des structures dynamiques de qubits. Cette approche fonctionne près de la température ambiante grâce à des techniques de refroidissement laser et offre un potentiel passionnant de mise à l’échelle, possiblement jusqu’à des milliers de qubits ou plus. L’informatique quantique à atomes neutres en est toutefois encore à ses débuts, et des entreprises comme Pasqal et QuEra ouvrent activement la voie dans ce domaine.
Enfin, une approche très différente et encore théorique porte le nom d’informatique quantique topologique. Elle vise à contourner les problèmes de bruit et d’erreurs des autres méthodes grâce à des particules exotiques appelées fermions de Majorana. Contrairement aux qubits conventionnels, les qubits topologiques stockent l’information de façon intrinsèquement protégée contre les erreurs, un peu comme un nœud dans une corde : peu importe à quel point vous la bougez ou la secouez, le nœud reste intact. Cette protection intégrée pourrait simplifier considérablement la correction d’erreurs et améliorer la fiabilité. Mais il y a un hic : personne n’a encore démontré de façon concluante un qubit topologique fonctionnel dans la pratique. Microsoft est l’un des grands acteurs qui étudient activement cette approche prometteuse, mais difficile.
Et il existe d’autres approches. En bref, plusieurs voies progressent simultanément et s’attaquent chacune aux défis de l’informatique quantique sous un angle différent. Pour l’instant, il n’existe aucun consensus sur la direction à prendre. Mais tous s’attendent à ce qu’une voie finisse par surpasser les autres à mesure que les découvertes s’accumulent. C’est exactement comme au milieu des années 1990, lorsque l’industrie graphique hésitait entre deux approches : le mappage de textures quadratique et le rendu fondé sur des triangles. Le premier produit de Nvidia, le NV1, utilisait le mappage de textures quadratique, comme Sega. Mais ce choix semblait être le mauvais, et l’entreprise a presque fait faillite. Avec l’évolution des standards et de la recherche, le rendu fondé sur des triangles s’est clairement imposé. Nvidia a donc changé de technologie pour tous ses produits suivants.
Quel est le rôle de Nvidia ici? Fait intéressant, Nvidia ne cherche pas à construire directement des ordinateurs quantiques. L’entreprise crée plutôt un centre de recherche à Boston pour aider à intégrer les processeurs quantiques aux superordinateurs classiques pilotés par l’IA. Imaginez des GPU et des CPU qui font le gros du travail pendant que les QPU prennent en charge des tâches quantiques spécialisées.
Quelles « tâches » ces systèmes quantiques pourraient-ils accomplir? Comme je l’ai dit, même les experts ne le savent pas encore. Ils ont donné comme exemples l’utilisation de QPU pour générer des données étiquetées destinées à l’entraînement de systèmes d’IA, principalement en biologie, en physique ou en science des matériaux.
Après quelques recherches, j’ai compris que les processeurs quantiques peuvent simuler nativement des systèmes quantiques complexes et capturer des phénomènes dont on entend souvent parler, comme la superposition et l’intrication, que les GPU classiques ne peuvent qu’approximer avec d’importantes simplifications. Les QPU peuvent donc générer des données étiquetées plus exactes et de plus grande fidélité, particulièrement pour les tâches en chimie quantique, en biologie et en science des matériaux, où le véritable comportement quantique est essentiel.
Le comportement quantique désigne ici les façons uniques dont les particules se comportent selon les lois de la mécanique quantique. Par exemple, la superposition permet à un qubit d’exister simultanément dans une combinaison de 0 et de 1, tandis que l’intrication relie l’état d’un qubit à celui d’un autre, peu importe la distance. Ces comportements produisent des effets quantiques, soit des résultats mesurables comme les niveaux d’énergie précis des électrons, leurs distributions de probabilité et les motifs d’interférence dans une molécule. Autrement dit, lorsqu’un processeur quantique simule un système, il capture directement ces interactions quantiques intrinsèques au lieu de dépendre d’approximations classiques. On obtient des données de grande fidélité, avec des labels exacts comme les états énergétiques ou les probabilités de réaction, qui peuvent servir à entraîner des modèles d’IA pour des applications en chimie, en biologie et en science des matériaux.
L’une des entreprises, Infleqtion, a adopté une approche très intéressante du problème. Elle essaie d’abord de commercialiser des technologies quantiques plus simples, comme des horloges et des capteurs quantiques extrêmement précis, pour valider sa technologie. Sa stratégie consiste à raffiner progressivement la technologie de base avec des produits pratiques et moins risqués avant de passer à des processeurs quantiques plus complexes. Cela l’aide à combler l’écart entre la théorie quantique et l’utilité concrète, et pourrait montrer comment les entreprises quantiques peuvent trouver leur place avant même que les cas d’utilisation « ultimes » deviennent clairs. Encore une fois, l’objectif principal est d’améliorer l’existant plutôt que de remplacer les ordinateurs. C’est exactement ce qu’a fait Nvidia en s’attaquant d’abord à l’industrie du jeu vidéo, où les enjeux étaient moins élevés, puisque personne ne s’inquiétait de quelques frames perdues ou pixels manquants dans un jeu. Cela lui a permis de faire progressivement évoluer ses GPU pour en faire les outils puissants largement utilisés aujourd’hui, de l’IA aux véhicules autonomes en passant par la recherche scientifique, principalement en ajoutant des avantages aux technologies existantes sans inconvénient. L’informatique quantique devra peut-être, elle aussi, trouver une industrie pratique qui lui servira de « tremplin » pour grandir et mûrir.
Malgré tout ce bruit, l’informatique quantique actuelle ressemble donc à l’IA d’il y a dix ans : beaucoup de potentiel, énormément d’incertitude et une grande question ouverte, ou plusieurs, sur les applications qui compteront réellement.
Ce n’est toutefois pas surprenant. Toutes les grandes technologies, d’Internet à l’électricité, ont d’abord fait face au même scepticisme. Même les ordinateurs classiques avaient initialement des cas d’utilisation peu clairs. Au début, ils servaient surtout à des applications militaires spécialisées, comme le calcul précis des trajectoires de missiles en temps de guerre, bien avant de devenir les appareils généralistes que nous utilisons aujourd’hui. Il faut toujours du temps pour comprendre ces nouveaux paradigmes et découvrir les applications pratiques où les nouvelles technologies peuvent vraiment briller. L’informatique quantique suivra probablement une trajectoire semblable et passera graduellement de tâches spécialisées à des usages plus larges.
Je commence à m’intéresser un peu plus au quantique. Pas pour le battage médiatique, mais simplement pour la complexité de la tâche et pour mieux comprendre son fonctionnement.
Et vous? Êtes-vous optimiste ou sceptique face à l’impact à court terme de l’informatique quantique? Je suis curieux de lire vos réflexions.
FAQ
Quelle était l’idée principale du panel quantique de la GTC?
Le panel a montré les deux facettes du quantique : un potentiel sérieux à long terme, mais aussi beaucoup d’incertitude sur les échéanciers, le matériel et les cas d’utilisation pratiques.
Dans quels domaines l’informatique quantique pourrait-elle d’abord aider?
Les premiers cas les plus solides se trouvent dans des domaines comme la chimie, les matériaux, l’optimisation et la génération de données, où la simulation classique devient extrêmement coûteuse.
Quel est le piège du battage médiatique autour du quantique?
Le piège consiste à traiter chaque annonce de percée comme un impact produit. Le quantique a encore besoin de preuves plus claires, de meilleur matériel et de cas d’utilisation qui tiennent la route en dehors des panels.
Pourquoi le matériel quantique fiable demeure-t-il le principal goulot d’étranglement?
Les systèmes actuels ont des dizaines ou des centaines de qubits, tandis que de nombreux problèmes concrets utiles pourraient exiger des milliers, voire des millions de qubits fiables.
Comment les processeurs quantiques pourraient-ils soutenir l’IA avant l’arrivée de l’informatique quantique généraliste?
Les QPU pourraient générer des données d’entraînement très fidèles pour la chimie, la biologie et la science des matériaux, ou aider à résoudre des problèmes d’optimisation qui poussent les systèmes classiques à leurs limites.
Quelles approches quantiques peuvent fonctionner près de la température ambiante?
Les systèmes à ions piégés et à atomes neutres peuvent éviter la réfrigération extrême des qubits supraconducteurs, même si leur contrôle précis et leur mise à l’échelle restent difficiles.