L'apprentissage automatique quantique : Un petit processeur photonique surpasse déjà ses équivalents classiques
Une étude expérimentale menée par une équipe internationale de chercheurs de l'Université de Vienne démontre que même les ordinateurs quantiques à petite échelle peuvent améliorer les performances des algorithmes d'apprentissage automatique. Publiée le 9 juin 2025 dans Nature Photonics, cette recherche ouvre de nouvelles perspectives pour les calculateurs quantiques optiques.
L'étude s'inscrit dans le domaine émergent de l'apprentissage automatique quantique, qui vise à exploiter les avantages potentiels des plateformes quantiques en termes de vitesse, d'efficacité ou de précision. L'équipe a conçu un circuit quantique photonique au Politecnico di Milano (Italie) exécutant un algorithme développé par Quantinuum (Royaume-Uni).
Le dispositif expérimental a permis de classer des points de données tout en isolant la contribution des effets quantiques. « Pour certaines tâches, notre algorithme commet moins d'erreurs que sa version classique », explique Philip Walther, directeur du projet à l'Université de Vienne.
Zhenghao Yin, premier auteur de l'étude, souligne que ces performances remarquables sont atteignables avec la technologie quantique actuelle. Un autre avantage clé concerne la consommation énergétique : les plateformes photoniques s'avèrent plus économes que les ordinateurs classiques.
« Cette économie d'énergie pourrait s'avérer cruciale alors que les algorithmes d'IA deviennent de plus en plus gourmands », précise Iris Agresti, co-auteure. Ces résultats influencent à la fois le calcul quantique et l'informatique classique, où des algorithmes inspirés des architectures quantiques pourraient émerger.
Référence : Zhenghao Yin et al, Experimental quantum-enhanced kernel-based machine learning on a photonic processor, Nature Photonics (2025). DOI: 10.1038/s41566-025-01682-5
