UCL : informatique quantique et IA hybridée prédit les systèmes chaotiques avec plus de précision

L'équipe de University College London (UCL) a démontré qu'un ordinateur quantique peut déjà apporter des avantages pratiques — non pas dans la théorie lointaine, mais dans des tâches réelles de prédiction de systèmes complexes. Leur schéma hybride combine l'informatique quantique et l'apprentissage automatique de sorte que l'IA prédise plus précisément le comportement des processus chaotiques sur de longues périodes. Dans les tests, l'approche s'est avérée significativement plus stable que les modèles conventionnels, a produit des gains de précision d'environ 20% et a nécessité plusieurs centaines de fois moins de mémoire.

Il s'agit de systèmes qu'il est particulièrement difficile de simuler en utilisant des méthodes classiques : flux turbulents, dynamique des fluides et des gaz, processus où une petite erreur se propage rapidement et casse la prédiction. C'est un problème typique pour les modèles climatiques, l'aérodynamique, les systèmes énergétiques et la biomédecine. La simulation numérique complète de tels processus peut prendre des semaines sur des superordinateurs, tandis que les modèles purement de réseaux de neurones s'exécutent plus rapidement mais deviennent souvent instables lorsque les prédictions doivent être étendues dans le temps.

L'équipe d'UCL a tenté d'occuper un juste milieu : conserver le modèle d'IA classique, mais à l'étape de l'entraînement, suggérer la structure des données en utilisant un processeur quantique. Techniquement, le schéma fonctionne comme suit : d'abord, l'ordinateur quantique traite les données d'entraînement et extrait les propriétés statistiques invariantes — c'est-à-dire les modèles cachés qui persistent dans le temps même dans un environnement chaotique. Ces caractéristiques extraites quantiquement sont ensuite utilisées pour entraîner un modèle autorégressif ordinaire sur un superordinateur classique.

Les auteurs appellent cette approche l'apprentissage automatique informé par la quantique. Un point important est que la composante quantique ne participe pas à chaque étape de prédiction et ne nécessite pas un échange constant de données avec la partie classique. Cela réduit les exigences matérielles et aide à surmonter les limitations typiques des systèmes quantiques actuels, y compris le bruit, les erreurs et l'instabilité des mesures.

La méthode a été testée sur plusieurs tâches : l'équation de Kuramoto-Sivashinsky, l'écoulement bidimensionnel de Kolmogorov et l'écoulement turbulent tridimensionnel en canal, qui se rapproche davantage des conditions d'ingénierie réelles. Selon l'article publié dans Science Advances, le nouveau schéma a amélioré la précision des prédictions de distributions jusqu'à 17,25% et a mieux préservé la structure spectrale du système, produisant dans certains cas des gains allant jusqu'à 29,36% par rapport aux modèles de base classiques. Pour le scénario le plus réaliste, les chercheurs ont utilisé un ordinateur quantique IQM de 20 qubits connecté aux ressources informatiques du Centre de Supercalcul Leibniz en Allemagne.

Les auteurs notent spécifiquement que sans représentation antérieure quantique, les prédictions sont devenues instables, tandis qu'avec elle, le modèle a produit des prédictions à long terme physiquement cohérentes et dans certains cas a surpassé les solveurs numériques de pointe des équations différentielles. La question de l'efficacité est particulièrement importante. Généralement, la discussion sur l'informatique quantique se heurte rapidement au problème que l'avantage est trop coûteux ou trop fragile pour la pratique.

Ici, les chercheurs démontrent une image plus ancrée et utile : la composante quantique ne remplace pas tout le pipeline, mais compresse la dynamique complexe en une représentation compacte. L'article discute des avantages en mémoire en ordre de grandeur : des volumes de données de plusieurs mégaoctets ont été réduits à une représentation quantique à l'échelle des kilooctets. Pour les tâches de modélisation scientifique, c'est critique, car la mémoire et la bande passante deviennent souvent des limitations tout aussi importantes que la puissance de calcul brute.

Si cette approche peut être étendue à des ensembles de données plus importants et à des observations réelles, il y aura de nombreuses applications. Dans le climat, cela pourrait signifier des modèles plus robustes de l'atmosphère et de l'océan. En énergie, une conception plus précise des éoliennes et des systèmes fonctionnant avec des flux turbulents.

En médecine, une meilleure modélisation du flux sanguin et des interactions moléculaires. Dans le transport et l'industrie, des calculs accélérés pour l'aérodynamique et les systèmes fluidiques sans augmentation inévitable des coûts de mémoire. La conclusion principale ici n'est pas que les ordinateurs quantiques sont soudainement prêts à remplacer les superordinateurs classiques.

Plutôt l'inverse : la recherche démontre un scénario réaliste dans lequel même le matériel quantique limité d'aujourd'hui peut améliorer les modèles d'IA existants dans des tâches scientifiques étroites mais critiquement importantes. C'est l'un des exemples les plus convaincants de la façon dont l'avantage quantique pratique peut émerger non pas par une perturbation complète du calcul actuel, mais par une intégration ciblée dans les pipelines d'IA déjà opérationnels.