UCL : un hybride d'informatique quantique et d'IA prédit plus précisément les systèmes chaotiques

Une équipe de l'University College London (UCL) a montré qu'un ordinateur quantique peut déjà apporter une utilité pratique, non pas dans une théorie lointaine, mais sur des problèmes réels de prévision de systèmes complexes. Son schéma hybride associe informatique quantique et apprentissage automatique pour que l'IA prédise plus précisément le comportement de processus chaotiques sur de longues durées. Lors des tests, l'approche s'est montrée nettement plus stable que les modèles classiques, a gagné jusqu'à environ 20 % en précision et a exigé des centaines de fois moins de mémoire.

Il s'agit de systèmes particulièrement difficiles à modéliser par les méthodes classiques : écoulements turbulents, mouvements de liquides et de gaz, processus où une petite erreur grossit vite et ruine la prévision. C'est un problème typique pour les modèles climatiques, l'aérodynamique, l'énergie et la biomédecine. Une simulation numérique complète de ces processus peut prendre des semaines sur des supercalculateurs, tandis que les modèles purement neuronaux sont plus rapides mais perdent souvent en stabilité quand il faut étendre la prévision dans le temps. L'équipe de l'UCL a tenté une voie intermédiaire : conserver un modèle d'IA classique, mais utiliser un processeur quantique pendant l'entraînement pour lui donner des indices sur la structure des données.

Techniquement, le schéma fonctionne ainsi : un ordinateur quantique traite d'abord les données d'entraînement et en extrait des propriétés statistiques invariantes, c'est-à-dire des motifs cachés qui persistent dans le temps, même dans un environnement chaotique. Ces caractéristiques extraites par voie quantique servent ensuite à entraîner un modèle autorégressif ordinaire sur un supercalculateur classique. Les auteurs appellent cette approche quantum-informed machine learning.

Point important : le bloc quantique ne participe pas à chaque étape de la prévision et n'exige pas d'échanges constants de données avec la partie classique. Cela réduit les besoins matériels et aide à contourner les limites habituelles des systèmes quantiques actuels, notamment le bruit, les erreurs et l'instabilité des mesures.

La méthode a été testée sur plusieurs problèmes : l'équation de Kuramoto-Sivashinsky, l'écoulement de Kolmogorov bidimensionnel et un écoulement turbulent tridimensionnel en canal, plus proche des conditions d'ingénierie réelles. D'après l'étude publiée dans Science Advances, le nouveau schéma a amélioré la précision de la prévision des distributions jusqu'à 17,25 % et mieux préservé la structure spectrale du système, avec par endroits un gain allant jusqu'à 29,36 % par rapport aux modèles classiques de référence. Pour le scénario le plus réaliste, les chercheurs ont utilisé un ordinateur quantique IQM de 20 qubits relié aux ressources de calcul du Centre de supercalcul Leibniz, en Allemagne.

Les auteurs notent par ailleurs que, sans l'a priori quantique, les prédictions devenaient instables, alors qu'avec lui le modèle produisait des prévisions à long terme physiquement cohérentes et, dans certains cas, surpassait les principaux solveurs numériques d'équations différentielles.

L'efficacité est une question à part. Le débat sur l'informatique quantique bute vite sur l'idée que le gain est trop coûteux ou trop fragile pour la pratique. Ici, les chercheurs présentent un tableau plus concret et utile : la partie quantique ne remplace pas toute la chaîne, mais comprime une dynamique complexe en une représentation compacte. L'article évoque un avantage de mémoire de plusieurs ordres de grandeur : des données de plusieurs mégaoctets ont été ramenées à une représentation quantique de l'ordre du kilooctet. Pour la modélisation scientifique, c'est critique, car la mémoire et la bande passante sont souvent un goulot d'étranglement aussi important que la puissance de calcul brute.

Si l'approche peut être étendue à des jeux de données plus vastes et à des observations réelles, les applications seront nombreuses. Pour le climat, cela pourrait donner des modèles plus stables de l'atmosphère et des océans. Dans l'énergie, une conception plus précise des éoliennes et des systèmes confrontés à des écoulements turbulents. En médecine, une meilleure modélisation du flux sanguin et des interactions moléculaires. Dans les transports et l'industrie, des calculs plus rapides en aérodynamique et pour les systèmes fluidiques, sans hausse obligatoire des coûts de mémoire.

Le principal enseignement n'est pas que les ordinateurs quantiques soient soudain prêts à remplacer les supercalculateurs classiques. Plutôt l'inverse : l'étude montre un scénario réaliste où même le matériel quantique limité d'aujourd'hui peut renforcer les modèles d'IA existants sur des tâches scientifiques étroites mais très importantes. C'est l'un des exemples les plus convaincants que l'avantage quantique pratique peut apparaître non pas en bouleversant l'informatique actuelle, mais par une intégration ciblée dans des chaînes d'IA qui fonctionnent déjà.