Selon un article de la MIT Technology Review, les progrès rapides dans l’application de l’intelligence artificielle (IA) aux simulations en physique et en chimie amènent certains à se demander si nous aurons vraiment besoin d’ordinateurs quantiques.

L’échelle et la complexité des systèmes quantiques pouvant être simulés par l’IA progressent rapidement. Récemment, un professeur de physique computationnelle à l’École polytechnique fédérale de Zurich a coécrit un article publié dans la revue Science montrant que les approches basées sur les réseaux neuronaux deviennent rapidement la technique de pointe pour la modélisation de matériaux dotés de fortes propriétés quantiques. Meta a également récemment dévoilé un modèle d’IA formé sur un ensemble massif de nouvelles données sur les matériaux qui s’est hissé au sommet du classement des approches d’apprentissage automatique pour la découverte de matériaux.

Étant donné le rythme des avancées récentes, un nombre croissant de chercheurs se demandent désormais si l’IA pourrait résoudre une part substantielle des problèmes les plus intéressants de la chimie et de la science des matériaux avant que les ordinateurs quantiques à grande échelle ne deviennent une réalité.

La promesse des ordinateurs quantiques réside dans leur capacité à effectuer certains calculs beaucoup plus rapidement que les ordinateurs classiques. Pour concrétiser cette promesse, il faudra des processeurs quantiques beaucoup plus puissants que ceux dont nous disposons aujourd’hui. Mais pour de nombreux algorithmes quantiques aux applications commerciales plus évidentes, comme la recherche dans des bases de données, la résolution de problèmes d’optimisation ou l’optimisation de l’IA, l’avantage de la vitesse est plus limité.

L’année dernière, un article coécrit par un responsable de l’informatique quantique chez Microsoft a montré que ces avantages théoriques disparaissent si l’on tient compte du fait que le matériel quantique fonctionne beaucoup plus lentement que les puces informatiques modernes. La difficulté de faire entrer et sortir de grandes quantités de données classiques d’un ordinateur quantique constitue également un obstacle majeur.

Tous les systèmes quantiques ne sont pas identiques. Leur complexité est déterminée par le degré d’interaction ou de corrélation entre leurs particules. Dans les systèmes où ces interactions sont fortes, le suivi de toutes ces relations peut rapidement faire exploser le nombre de calculs nécessaires à la modélisation du système. Mais dans la plupart des systèmes qui présentent un intérêt pratique pour les chimistes et les scientifiques des matériaux, la corrélation est faible. Cela signifie que leurs particules n’ont pas d’influence significative sur le comportement des autres, ce qui rend les systèmes beaucoup plus simples à modéliser.

Le résultat est que les ordinateurs quantiques ne sont pas susceptibles d’apporter un quelconque avantage pour la plupart des problèmes de chimie et de science des matériaux. Des outils classiques permettant de modéliser avec précision des systèmes faiblement corrélés existent déjà, le plus important étant la théorie fonctionnelle de la densité (DFT).

Selon une professeure adjointe de physique à l’Université d’Ottawa, il peut être difficile de prédire quels problèmes les réseaux neuronaux peuvent résoudre. Pour certains systèmes complexes, ils s’en sortent incroyablement bien, mais pour d’autres systèmes apparemment simples, les coûts de calcul augmentent de manière inattendue. Par ailleurs, d’autres techniques classiques de simulation quantique ont également connu des avancées significatives, selon le directeur du Center for Computational Quantum Physics du Flatiron Institute de New York.