Depuis son lancement il y a moins d’un siècle, en 1936, l’informatique traditionnelle a révolutionné la quasi-totalité des secteurs à travers le monde. Et de la même façon que cette informatique a fait émerger de nouvelles frontières, l'intelligence artificielle (IA) sera probablement la source d'une nouvelle vague d'innovations.
Le rythme de ces innovations dans le domaine de l'IA révèle d'ailleurs rapidement les limites de l'informatique classique en repoussant sans cesse les possibilités existantes en matière de vitesse de calcul et de rendement énergétique. Des applications logicielles complexes, telles que celles qui entrent en jeu dans les véhicules autonomes, la simulation de réactions chimiques ou les simulations 3D dynamiques, élargissent sans cesse les capacités des technologies informatiques classiques.
Dans cet article, nous examinerons les différences fondamentales entre l'informatique quantique et l'informatique traditionnelle et nous évaluerons dans quelle mesure l'informatique quantique pourrait améliorer les algorithmes d'IA dans les véhicules autonomes et autres applications logicielles gourmandes en calculs.
Qu’est-ce que l’informatique quantique ?
L'informatique quantique n'a pas pour but de remplacer l'informatique traditionnelle. Les ordinateurs classiques sont en réalité mieux adaptés que les ordinateurs quantiques lorsqu'il s'agit d'exécuter la plupart des tâches informatiques. Leurs homologues quantiques, cependant, sont bien plus performants s'il est question de résoudre des problèmes de calcul complexes.
Là où les ordinateurs classiques utilisent des « bits » de transistors binaires (autrement dit, des 0 ou des 1) pour traiter les données, les ordinateurs quantiques utilisent des bits quantiques, également appelés qubits, qui représentent trois états différents. Le troisième état d'un qubit est appelé « superposition » et lui permet de représenter simultanément un 0 et un 1.
Grâce à ce troisième état de superposition, la puissance de l'informatique quantique augmente de façon exponentielle avec le nombre de qubits, alors que celle de l'informatique classique n'augmente que d'un rapport de 1:1 avec le nombre de bits de transistors. Par exemple, si vous avez deux bits classiques, le nombre total des combinaisons de valeur possibles est de quatre (00, 01, 10, 11).
Or, sachant que deux qubits peuvent exister sous la forme de quatre états superposés, le nombre total des combinaisons de deux qubits est de huit états différents. Les informations stockées dans « N » qubits seront donc égales à celles stockées dans « 2^N » classiques.
Pour traduire ces informations en chiffres de stockage de données plus faciles à comprendre, 3 qubits égalent 8 bits (ou 1 octet), tandis que 13 qubits égalent 8 192 bits (1 kilo-octet). Si vous deviez stocker 1 téraoctet (8,8 x 10^12 bits) d'informations à l'aide de qubits, il ne vous en faudrait que 43 !
C'est cette énorme supériorité de puissance de calcul qui fait que les ordinateurs quantiques sont mieux placés pour résoudre des problèmes de calcul complexes. Cela sera notamment le cas pour résoudre des problèmes d'optimisation comme la simulation de réactions chimiques, l'identification de médicaments, la gestion de trajets à arrêts multiples et les algorithmes d'intelligence artificielle. Dans le monde de l'entraînement des véhicules autonomes, cela signifie qu'il serait possible de stocker et de traiter beaucoup plus de données d'entraînement dans un ordinateur quantique que dans un centre de données classique. Davantage de données pourraient donc être utilisées pour éduquer le modèle, ce qui permettrait de produire des modèles précis plus rapidement.
En 2019, Google a réalisé une expérience afin de tester un nouveau processeur de 54 qubits nommé « Sycamore ». Il s'agissait de réaliser un calcul qui aurait pris 10 000 ans au superordinateur le plus rapide du monde. Il n'a fallu à Sycamore que 200 secondes pour parvenir au résultat. Dans une application d'entraînement d'un modèle d'IA pour véhicule autonome, un ordinateur quantique serait capable de traiter 10 000 ans de données d'entraînement en 200 secondes, ce qui offrirait infiniment plus de possibilités aux formateurs de modèles pour ce type de véhicule.
Qu’est-ce que l’intelligence artificielle quantique ?
L'IA représente aujourd'hui la nouvelle frontière pour l'univers du logiciel. Bien qu'elle se présente sous de nombreuses facettes et comporte de nombreux sous-genres, elle n'en est encore qu'à ses balbutiements par rapport à son potentiel et son développement est souvent lent.
Le développement, l'utilisation et la réplication des modèles d'entraînement de l'intelligence artificielle sont des processus incroyablement complexes. Bien souvent, l'exécution de ces algorithmes peut prendre des heures, des jours, des semaines, voire des mois en fonction de leur complexité. Aujourd'hui, la « course à l'autonomie complète » des véhicules autonomes est considérée comme le Graal de l'IA et constitue depuis longtemps l'épreuve du feu pour de nombreux modèles d'entraînement de l'IA. L'intelligence artificielle quantique pourrait être la solution qui permettra à ces modèles de franchir la ligne d'arrivée.
L'intelligence artificielle quantique vise à soulager l'IA moderne des contraintes de l'informatique classique. Les algorithmes et les modèles d'optimisation sont à la base de l'essentiel de l'IA, mais l'informatique traditionnelle est limitée dans sa capacité à exécuter efficacement de nombreux modèles d'entraînement.
Bientôt, il sera possible d'utiliser l'informatique quantique pour exécuter plus rapidement des processus de calcul extraordinairement complexes et mieux comprendre les bases de l'informatique existante.
Par exemple, l'entraînement du réseau neuronal d'un véhicule à conduite autonome pour Tesla exige des quantités incroyables de calculs parallèles et des jeux de données d'une taille phénoménale. Tesla recueille d'ailleurs chaque jour des téraoctets de données dans le but d'entraîner les algorithmes de ses véhicules autonomes. Les centres de données qui entraînent ces réseaux neuronaux modernes ne peuvent souvent en entraîner que des sous-sections, vu le débit limité de leur matériel de calcul.
Dans cet exemple, il est vraisemblable que ré-entraîner totalement l'intégralité du réseau neuronal de Tesla se révélerait largement inefficace. Mais puisqu'un ordinateur quantique peut atteindre des vitesses record de calcul parallèle avec lesquelles aucun centre de données de la planète ne peut rivaliser, l'informatique quantique montre évidemment tout son intérêt pour entraîner des réseaux neuronaux aussi complexes que celui de Tesla en quelques minutes à peine.
Le défi quantique
Aujourd'hui, les logiciels destinés à l'informatique quantique ont un retard considérable sur les capacités du matériel. Cela tient au fait que les premiers pas de l'intelligence artificielle quantique sont limités par des algorithmes d'entraînement et des méthodologies informatiques classiques qui n'ont évolué que lentement depuis 1936. Ces algorithmes d'entraînement ne peuvent pas libérer toute leur puissance avec un ordinateur quantique étant donné les différences fondamentales entre leurs méthodes de calcul respectives (bits contre qubits).
Il faut donc inventer de nouveaux algorithmes quantiques pour pouvoir utiliser la puissance de calcul des ordinateurs quantiques. On a pu noter de nets progrès dans la création de tels algorithmes utilisant l'apprentissage automatique, tels que l'algorithme HLL (algorithme quantique pour systèmes d'équations linéaires).
Des groupes de recherche n'ont commencé que récemment à travailler sur des algorithmes quantiques d'entraînement de réseaux neuronaux profonds qui pourraient un jour se révéler plus utiles. Une chose est toutefois sûre : lorsque des algorithmes quantiques d'entraînement d'IA auront été développés et répliqués, les ordinateurs quantiques atteindront des vitesses de calcul phénoménales qui pourront aider à entraîner la prochaine génération de véhicules autonomes, de chimie assistée par ordinateur et même de simulations de futurs systèmes quantiques.
