Apprentissage automatique quantique : concepts, algorithmes et cas d’usage

Certains problèmes font transpirer les ordinateurs classiques. Simuler les interactions moléculaires, explorer d’immenses espaces combinatoires, factoriser de grands nombres : la complexité croît plus vite que ce que le matériel peut suivre. Les ordinateurs quantiques abordent ces problèmes autrement, et un petit groupe de chercheurs, en croissance, se demande si cette différence peut aussi aider l’apprentissage automatique.

C’est précisément l’objet de l’apprentissage automatique quantique (QML). Ce guide explique ce qu’est réellement le QML, les notions de quantique à connaître pour le suivre, les principaux algorithmes explorés aujourd’hui et l’état actuel du domaine qui, disons-le d’emblée, est plus précoce que ne le laissent entendre les gros titres. Si vous pratiquez déjà le ML classique via, par exemple, notre parcours Machine Learning Scientist in Python, vous retrouverez plus de repères que vous ne l’imaginez.

Qu’est-ce que l’apprentissage automatique quantique ?

L’apprentissage automatique quantique utilise le calcul quantique pour exécuter — ou accélérer — certaines étapes d’une tâche de machine learning. Cela peut consister à encoder des données dans des états quantiques, à faire tourner un circuit quantique à la place d’un composant de modèle classique, ou à appeler une sous‑routine quantique au sein d’une boucle d’entraînement par ailleurs classique. L’étiquette couvre un spectre large, des approches surtout classiques avec une seule étape quantique aux modèles conçus pour tourner entièrement sur du matériel quantique.

Avant d’aller plus loin, clarifions ce que le QML n’est pas, car c’est là que naissent la plupart des confusions. Ce n’est pas un remplaçant plus rapide que vous pourriez brancher à la place de vos modèles actuels, et ce n’est pas prêt à supplanter le ML classique partout. L’essentiel du domaine en est au stade de la recherche, sur simulateurs ou petites machines quantiques bruyantes. Le cadrage honnête : le QML pose une question plus ciblée : existe‑t‑il des problèmes de ML spécifiques pour lesquels le matériel quantique offre quelque chose que le matériel classique ne peut pas facilement égaler ? Pour une poignée de types de problèmes, la réponse semble prometteuse. Pour la plupart, le ML classique reste l’outil adapté, et notre cours Understanding Machine Learning couvre d’abord l’essentiel dont la plupart ont réellement besoin.

Notions de base du calcul quantique

Pas besoin d’un diplôme de physique pour lire la suite, mais quelques idées rendent le QML bien moins mystérieux. Voici la version courte ; passez à la suite si vous les maîtrisez déjà.

Qubits versus bits

Un bit classique vaut soit 0 soit 1. Un qubit peut combiner les deux à la fois et ne se fixe sur 0 ou 1 qu’au moment de la mesure. Avant la mesure, un qubit est décrit par deux amplitudes qui déterminent la probabilité de chaque issue. C’est toute l’astuce : un registre de n qubits peut représenter simultanément une combinaison de 2ⁿ états, là où n bits classiques ne pourraient contenir qu’un seul de ces états à la fois.

La contrepartie (et il y en a toujours une en calcul quantique), c’est qu’on ne peut pas simplement lire tous ces états. La mesure fait s’effondrer le qubit vers une seule valeur, donc extraire une information utile demande de la méthode. Cette limite compte plus qu’il n’y paraît et explique en grande partie la conception des algorithmes de QML, comme vous allez le voir.

Superposition et intrication

Ce mélange d’états s’appelle la superposition. La seconde idée, l’intrication, est là où les choses deviennent intéressantes : deux qubits ou plus peuvent être corrélés si fortement qu’on ne peut pas décrire l’un sans les autres. Mesurez un qubit intriqué et vous apprenez instantanément quelque chose sur son partenaire, en principe même à distance. Les bits classiques n’ont pas d’équivalent, et la plupart des avantages potentiels du calcul quantique s’appuient dessus.

Portes quantiques

Comment manipuler concrètement des qubits en superposition et intriqués ? Grâce aux portes quantiques. Ce sont des rotations réversibles de l’état d’un qubit : une porte Hadamard met un qubit en superposition, une porte CNOT intrique deux qubits. Enchaînez les portes et vous obtenez un circuit quantique, l’équivalent quantique d’un programme. Le tout repose sur l’algèbre linéaire : les états sont des vecteurs, les portes des matrices, et exécuter un circuit revient à appliquer une suite d’opérations matricielles. Si cela vous semble flou, les compétences en algèbre linéaire acquises dans nos parcours data science s’appliquent directement.

Avec qubits, superposition, intrication et portes en tête, vous avez l’essentiel pour comprendre comment ces pièces s’assemblent dans un flux de travail QML.

Comment fonctionne l’apprentissage automatique quantique

À haut niveau, un flux QML suit quatre étapes. Premièrement, encoder des données classiques dans un état quantique, généralement en mappant des variables sur des angles de rotation ou des amplitudes. Deuxièmement, appliquer un circuit quantique, souvent avec des paramètres ajustables. Troisièmement, mesurer le circuit, en l’exécutant plusieurs fois car chaque mesure donne une issue « effondrée » et il faut assez d’échantillons pour estimer un résultat fiable. Quatrièmement, réinjecter ce résultat dans un processus d’apprentissage.

C’est à cette dernière étape que vit aujourd’hui la plupart du QML pratique. Plutôt que de tout faire tourner sur une machine quantique, on bâtit une boucle hybride : le circuit quantique produit une valeur, un optimiseur classique ajuste les paramètres du circuit, et le cycle se répète, exactement comme l’entraînement d’un modèle, sauf qu’une partie du calcul s’exécute sur du matériel quantique. Les machines quantiques actuelles sont bruyantes et de petite taille (on parle d’ère NISQ, pour noisy intermediate‑scale quantum), donc garder l’essentiel du calcul classique et déporter uniquement la partie qui en profite est le choix pragmatique. Je reviendrai sur les raisons du succès de l’hybride dans la section suivante.

Types d’approches en apprentissage automatique quantique

Maintenant que vous avez vu le flux en quatre étapes, une question s’impose : quelle part doit réellement tourner sur du matériel quantique ? Il existe grosso modo trois façons de combiner calcul quantique et machine learning, qui diffèrent surtout par la part du travail confiée à la machine quantique.

Apprentissage automatique amplifié par le quantique

Ici, le modèle reste essentiellement classique, mais une étape coûteuse est confiée à une routine quantique pour un gain potentiel : résoudre un système linéaire, estimer un noyau, échantillonner une distribution. Le reste du pipeline ressemble à l’apprentissage supervisé que vous construiriez dans notre cours Supervised Learning with scikit‑learn.

Modèles entièrement quantiques

À l’autre extrême, tout s’exécute de bout en bout sur matériel quantique, données et modèle vivant dans des états quantiques. C’est la version la plus ambitieuse du QML et, sans surprise, la moins pratique aujourd’hui : le matériel actuel ne permet pas de les faire tourner à une échelle utile.

Modèles hybrides quantiques‑classiques

Entre ces deux extrêmes se trouve l’approche qui fonctionne réellement aujourd’hui, et où se concentre la quasi‑totalité de la recherche sérieuse en QML. Un circuit quantique paramétré prend en charge une partie du calcul tandis qu’un optimiseur classique l’entraîne. On contourne ainsi les limites d’un matériel petit et bruyant en demandant à la machine quantique uniquement ce qu’elle sait déjà bien faire.

Algorithmes d’apprentissage automatique quantique

Vous retrouverez sans cesse les mêmes familles d’algorithmes. Restons au niveau conceptuel : les maths deviennent vite profondes, et vous n’en avez pas besoin pour comprendre l’usage de chacun.

Circuits quantiques variationnels (VQC)

Un circuit quantique variationnel est un circuit quantique avec des paramètres ajustables, entraîné via la boucle hybride décrite plus haut. C’est le cheval de bataille du QML à court terme et la base de la plupart des autres modèles ici. Voici à quoi cela ressemble, à grands traits, dans PennyLane, une bibliothèque QML open‑source populaire :

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

Les poids sont ce que l’optimiseur classique met à jour au fil des itérations, exactement comme la descente de gradient ajuste les poids d’un réseau de neurones. Une fois ce schéma posé, les autres algorithmes paraissent comme des variations sur un thème.

Machines à vecteurs de support quantiques

Une SVM quantique conserve la structure d’une SVM classique mais utilise un circuit quantique pour calculer le noyau : la similarité entre points de données. L’espoir est qu’un espace de caractéristiques quantique capture des motifs qu’un noyau classique peinerait à saisir. L’utilité sur des jeux de données réels reste une question ouverte.

Réseaux de neurones quantiques (QNN)

Les réseaux de neurones quantiques organisent des circuits paramétrés en couches et les entraînent à la manière des réseaux classiques. Si vous avez entraîné un modèle dans notre cours Introduction to Deep Learning in Python, la boucle vous sera familière : passe avant, perte, mise à jour — seule la passe avant tourne sur un circuit quantique.

k‑means quantique

Le k‑means quantique est l’algorithme de clustering : il utilise des sous‑routines quantiques pour estimer les distances entre points, l’opération dominante du k‑means classique à grande échelle. C’est l’exemple le plus direct de « remplacer une étape coûteuse par une version quantique » dans cette liste.

Vous vous demandez peut‑être, au vu de tous ces algorithmes, si l’un d’eux tient réellement la promesse d’accélérations quantiques. C’est précisément ce que nous allons examiner ensuite.

Avantages potentiels de l’apprentissage automatique quantique

Trois atouts possibles reviennent le plus souvent. Certains problèmes structurés — par exemple la simulation de systèmes quantiques en chimie et science des matériaux — s’alignent naturellement avec le matériel quantique, et c’est là que l’avantage paraît le plus plausible. Les espaces de caractéristiques quantiques pourraient aussi représenter des relations complexes difficiles à capturer classiquement. Et pour quelques algorithmes spécifiques, la théorie prévoit des gains importants, voire exponentiels.

Notez que je parle d’« avantages potentiels ». Ils sont surtout démontrés sur le papier, sous des hypothèses que le matériel réel ne remplit pas encore. Un exemple emblématique de l’écart : plusieurs accélérations théoriques supposent que vos données sont déjà chargées dans un état quantique, mais charger des données classiques dans cet état peut coûter autant que le gain annoncé. Ce type de goulot d’étranglement caché explique pourquoi avantages revendiqués et avantages démontrés restent aujourd’hui deux listes différentes.

Compte tenu de cet écart, il vaut la peine de mettre côte à côte ML classique et ML quantique.

Apprentissage automatique quantique vs apprentissage automatique classique

La comparaison la plus claire se fait côte à côte.

Le ML classique domine le travail réel aujourd’hui et le fera encore longtemps : l’outillage, le matériel et les talents sont déjà là. Le QML est le challenger en phase initiale qui finira peut‑être par se tailler une place sur des problèmes où sa structure quantique paie. Les opposer n’a pas de sens. Pour l’instant, ils jouent dans des divisions différentes, et la vraie question est de savoir quels problèmes passeront un jour de l’une à l’autre.

Cette image de « divisions différentes » est aussi le meilleur antidote aux idées reçues qui collent à ce domaine. Passons‑les en revue.

Idées reçues courantes sur le QML

Quelques mythes suivent le QML, et il vaut la peine de les dissiper.

« Le ML quantique est plus rapide pour tout. » Non. Les accélérations proposées s’appliquent à des algorithmes précis dans des conditions précises. Pour l’immense majorité des tâches de ML, une machine quantique n’offre aucun avantage, et elle est plus lente si l’on tient compte du matériel actuel.

« Les ordinateurs quantiques vont remplacer les ordinateurs classiques. » Non. Ce sont des accélérateurs spécialisés pour une classe étroite de problèmes, pas des remplaçants généralistes. Votre ordinateur portable ne disparaît pas, et la partie classique de tout modèle QML hybride non plus.

« Le QML est prêt pour la production aujourd’hui. » C’est l’erreur la plus fréquente chez les nouveaux venus. Le domaine est expérimental, le matériel limité et bruyant, et presque tout tourne sur simulateur. Le QML est à apprendre et à suivre dès maintenant, pas à déployer.

Une fois l’hyperbole écartée, il reste un champ réellement intéressant qui mérite d’être appris pour ce qu’il est. Si vous avez envie d’écrire un peu de code, voici par où commencer.

Bien démarrer avec l’apprentissage automatique quantique

Si ces concepts vous donnent envie de coder, bonne nouvelle : les outils sont open‑source et accessibles aux débutants. PennyLane (la bibliothèque de l’exemple ci‑dessus) et Qiskit sont les deux portes d’entrée les plus courantes, et fonctionnent toutes deux sur simulateur, sans besoin d’un vrai ordinateur quantique pour expérimenter. Le module machine learning de Qiskit propose des noyaux quantiques, des classifieurs et des réseaux de neurones prêts à l’emploi, et il se connecte à PyTorch, ce qui en fait un pont confortable depuis le deep learning classique.

Mon conseil : consolidez d’abord vos bases classiques. La boucle hybride, les optimiseurs, la mécanique d’entraînement d’un modèle : tout cela est classique, et c’est ce sur quoi vous vous appuierez le plus. Notre parcours Machine Learning Scientist in Python couvre ces fondamentaux, et les briques spécifiques au quantique viennent ensuite en surcouche, pas en redémarrage à zéro. Apprenez en exécutant des circuits et en ajustant des paramètres ; lire sur la superposition ne vous mènera pas aussi loin.

Conclusion

Le QML se situe à la croisée de deux domaines en mouvement rapide, en empruntant au calcul quantique sa manière de représenter l’information pour prendre en charge des parties du pipeline ML. J’ai voulu rester concret, car le sujet attire autant de battage médiatique que n’importe quel autre en tech aujourd’hui, et le résumé honnête est modeste : le QML est précoce, surtout expérimental, et encore incertain quant aux cas où il fera réellement la différence.

Ce n’est pas une raison pour l’ignorer. C’est une raison pour en comprendre les bases maintenant, tant que le domaine reste assez compact pour être appréhendé de bout en bout. Si le matériel quantique évolue comme l’espèrent ses partisans, celles et ceux qui maîtrisent déjà l’articulation entre qubits, circuits et entraînement hybride seront prêts à l’utiliser. Et s’il ne s’impose pas partout, vous aurez tout de même exploré un pan fascinant de l’informatique — ce qui, honnêtement, est déjà une belle issue.