Des chercheurs ont développé une approche mathématique démontrant que les ordinateurs quantiques pourraient traiter efficacement de grands ensembles de données pour des tâches d'IA. En chargeant les données par lots, comme pour le streaming, cette méthode permet d'éviter des besoins en mémoire massifs. Une machine dotée de seulement 60 qubits logiques pourrait surpasser les systèmes classiques d'ici la fin de la décennie.
Hsin-Yuan Huang, de la société quantique Oratomic, et ses collègues soutiennent que leurs travaux posent les bases d'avantages quantiques dans l'apprentissage automatique. Le scepticisme conventionnel voulait que l'intégration de données réelles, comme des avis de restaurants ou des séquences d'ARN, dans des états de superposition quantique nécessite une mémoire trop importante. La solution de l'équipe consiste à diffuser les données par petits lots et à les traiter sans stockage préalable complet, un peu comme regarder un film en ligne plutôt que de le télécharger d'abord. Haimeng Zhao, du California Institute of Technology, note que cela confère un avantage en matière de mémoire si vaste que 300 qubits logiques surpasseraient un ordinateur classique utilisant chaque atome de l'univers observable. Huang souligne l'omniprésence de l'apprentissage automatique : « L'apprentissage automatique est réellement utilisé partout dans la science, la technologie et la vie quotidienne. Dans un monde où nous pouvons construire cette architecture [informatique quantique], j'ai le sentiment qu'elle pourra être appliquée partout où d'énormes ensembles de données sont disponibles. » Les experts saluent l'innovation mais appellent à la prudence. Adrián Pérez-Salinas, de l'ETH Zurich, qualifie cette méthode de prometteuse pour alimenter les machines quantiques bit par bit, tout en soulignant la nécessité de tester la déquantification, où les algorithmes quantiques perdent leur avantage sur le matériel classique. Vedran Dunjko, de l'université de Leyde, y voit une solution adaptée aux expériences gourmandes en données comme le Grand collisionneur de hadrons, bien que ce ne soit pas le cas pour toutes les charges de travail en IA. Les chercheurs prévoient d'élargir le champ des algorithmes applicables et d'optimiser la vitesse du matériel quantique. Un système à 60 qubits logiques semble réalisable d'ici 2030, offrant des avantages précoces pour le traitement de données massives par l'IA.