Le potentiel inexploité de l’IA dans l’informatique quantique

Les technologies quantiques ont connu un essor fulgurant et sont devenues un domaine prioritaire pour les gouvernements, les universitaires et les entreprises. Les engagements de financement du gouvernement totalisent près de 40 milliards de dollars, tandis que les investissements privés depuis 2021 totalisent près de 8 milliards de dollars. L’agence américaine National Institute of Standards and Technology a publié cette année trois nouvelles normes de sécurité post-quantique, que les gouvernements classent comme « ressources critiques » pour l’économie et la défense nationale. Pendant ce temps, les utilisateurs des technologies quantiques les expérimentent, depuis les applications industrielles dans le développement de médicaments et la science des matériaux jusqu’à l’optimisation du réseau énergétique et l’efficacité logistique.

Pourtant, hormis quelques domaines, tels que la détection quantique, les technologies quantiques pratiques et percutantes ne sont pas encore parvenues à une utilisation généralisée. Cependant, lorsqu’il est combiné avec l’apprentissage automatique classique, des cas d’utilisation pratiques émergent.

Cet article explore l’impact et le potentiel de l’intelligence artificielle et des technologies quantiques avec QAI Venturespartenaire financier et bâtisseur d’écosystèmes dans les technologies quantiques et l’IA, en tant que collaborateur potentiel des startups pour fournir des investissements, des ressources, des réseaux mondiaux et des programmes d’accélérateurs et d’incubateurs sur mesure.

L’impact de l’apprentissage automatique et profond dans les applications industrielles

L’intelligence artificielle est un terme générique désignant de nombreux algorithmes qui peuvent être visualisés comme un oignon. La première couche est l’apprentissage automatique (ML), qui utilise des données historiques et actuelles pour prédire les résultats. La couche suivante est l’apprentissage profond (DL), qui possède les mêmes capacités que le ML mais avec des capacités d’auto-apprentissage et d’adaptation. Une couche plus bas se trouve les réseaux de neurones graphiques (GNN) avec des fonctionnalités ML et DL, mais d’un point de vue graphique utilisant la théorie des réseaux, les contextes globaux, les connectivités, les nœuds, les arêtes et les sommets.

L’IA générative, telle que les grands modèles de langage (LLM), est ancrée dans les réseaux de neurones graphiques, utilisant toutes les couches précédentes de l’oignon de l’IA.

L’IA est fondamentalement conçue et programmée avec des capacités informatiques classiques. Lorsqu’ils convergent avec des technologies quantiques telles que de grands ensembles de données alimentés par la détection quantique, les algorithmes d’apprentissage profond peuvent découvrir des relations et des caractéristiques pertinentes et même prédire les résultats de scénarios simulés.

Expérimentation actuelle et potentiel de l’IA dans la simulation et l’optimisation quantiques

La simulation quantique peut modéliser la dynamique complexe de la matière et de l’énergie au niveau microscopique. L’optimisation quantique utilise des algorithmes quantiques uniques pour résoudre des problèmes d’optimisation dans plusieurs disciplines. Dans les deux cas, toutes les couches de l’oignon IA peuvent améliorer considérablement ces applications informatiques quantiques en complétant là où le traitement quantique est insuffisant.

ML, DL et GNN prennent en charge la simulation et l’optimisation quantiques en :

1. Reconnaître les modèles de données qui ne sont pas découverts par le traitement traditionnel ;
2. Synthétiser des représentations de niveau inférieur de données complexes de grande dimension ;
3. Prédire comment de nouveaux systèmes quantiques (molécules, atomes, photons, etc.) peuvent se comporter et interagir.

Quantum et ML pour l’optimisation des itinéraires

Pour les entreprises de livraison comme FedEx et DHL, trouver les meilleurs itinéraires pour répondre à un ensemble donné de contraintes constitue un argument convaincant en faveur du recours à l’informatique quantique assistée par ML. L’algorithme d’optimisation approximative quantique (QAOA) peut être appliqué à des problèmes complexes d’itinéraires de véhicules pour identifier le chemin le plus optimal, en travaillant de concert avec les pouvoirs prédictifs des modèles ML pour tenir compte des variables de trafic, de météo et d’autres perturbations.

Quantique et ML en pharmacologie

L’une des applications les plus prometteuses de l’informatique quantique et de l’IA concerne le développement de médicaments. Des entreprises comme Kvantify, une société de calcul quantique et de calcul haute performance (HPC), appliquent des outils tels que l’algorithme Variational Quantum Eigensolver (VQE) pour faciliter la modélisation moléculaire. VQE calcule l’énergie de l’état fondamental des molécules, une nécessité pour représenter avec précision les interactions médicamenteuses, tandis que les algorithmes d’apprentissage automatique jouent un rôle central dans l’optimisation des performances.

L’association des algorithmes quantiques avec toutes les couches de l’oignon IA permet à leurs atouts de se compléter, offrant ainsi un modèle hybride de résolution de problèmes et de découverte qui stimulera l’innovation pour les années à venir.

Le potentiel de l’IA dans la correction d’erreurs quantiques (QEC)

L’un des principaux défis à relever pour faire de l’informatique quantique une technologie à fort impact est la gestion du bruit ambiant et de la décohérence. Ces facteurs peuvent faire perdre aux qubits d’un ordinateur quantique (les unités de traitement d’un ordinateur quantique) leurs propriétés quantiques, entraînant des erreurs.

La correction d’erreurs, utilisée par les ordinateurs classiques, utilise un codage de redondance pour alerter des modifications des données, et des modèles de probabilité complexes nettoient les données. Mais les états quantiques ne peuvent pas être copiés comme dans les ordinateurs classiques basés sur les bits. Au lieu de cela, les scientifiques utilisent des méthodes de correction d’erreurs telles que le codage d’informations quantiques à partir d’un seul qubit à l’aide d’un système de qubits plus vaste.

ML et DL peuvent aider à la correction des erreurs quantiques (QEC). La reconnaissance des formes de l’IA peut être entraînée pour identifier les erreurs et les anomalies dans le comportement des qubits, prédire les modèles de bruit dans les systèmes quantiques et optimiser les codes de correction d’erreurs quantiques. S’il est exécuté efficacement, cela réduit le besoin de modèles probabilistes pour transformer les données quantiques bruitées en un traitement quantique applicable.

Les systèmes quantiques sont fragiles par nature et sujets aux perturbations et à la décohérence. Des travaux supplémentaires sont nécessaires pour faire passer la QEC et l’informatique quantique au-delà de l’ère actuelle du « quantum bruyant à échelle intermédiaire » (NISQ), et l’IA pourrait jouer un rôle crucial dans ce processus.

Défis liés à l’intégration de l’IA au traitement quantique

Contrairement aux bits de l’informatique classique, les qubits et les processeurs quantiques exploitent les principes de la mécanique quantique pour potentiellement réaliser un nouveau type de calcul.

La superposition et l’intrication pourraient permettre aux ordinateurs quantiques d’effectuer des opérations coordonnées sur plusieurs qubits et de traiter de grandes quantités de données plus rapidement que l’informatique classique.

S’ils sont réalisés, les processeurs quantiques pourraient résoudre certains problèmes informatiques en quelques minutes, ce qui prendrait toute une vie, voire plus, pour les ordinateurs classiques les plus puissants.

Pourtant, le caractère unique de l’informatique quantique présente des défis lorsqu’il s’agit d’intégrer le traitement quantique et linéaire de l’oignon IA :

• Représentation des données: Le transfert de données des systèmes classiques vers les systèmes quantiques et vice versa est gourmand en ressources (nécessitant une mise à l’échelle du nombre de qubits) et complexe (nécessitant des portes quantiques préparées avec précision pour manipuler les qubits).
• Vitesse de traitement: Par rapport aux processeurs classiques, l’exécution des portes dans les processeurs quantiques actuels est relativement lente, et les algorithmes hybrides quantiques-classiques doivent faire face à l’ajout de techniques de correction d’erreurs, qui peuvent ralentir davantage le traitement.
• Matériel: Certains des processeurs quantiques les plus populaires fonctionnent à des températures extrêmement froides, et la création de qubits de haute qualité avec de longs temps de cohérence reste difficile à créer. Les interfaces spécialisées et les mécanismes de contrôle nécessaires pour faciliter les systèmes hybrides quantiques-classiques sont encore en développement.

QAI Ventures en tant qu’investisseur patient et bâtisseur d’écosystème

Malgré les défis technologiques et de recherche, le potentiel de l’IA dans les technologies quantiques est vaste. Les deux se soutiennent mutuellement. L’informatique quantique peut accélérer certains des calculs essentiels au ML et au DL, et des versions quantiques améliorées de l’apprentissage automatique classique pourraient conduire à des percées dans l’IA avec des impacts positifs de grande envergure.

Les technologies quantiques en sont encore à leurs balbutiements ; les entreprises et les groupes de recherche ont besoin d’investissements et de soutien pour se développer et réaliser leur potentiel. QAI Ventures est un fonds de capital-risque associé à un accélérateur de startups axé sur les technologies quantiques, l’IA avancée et l’informatique avancée.

QAI Ventures donne du pouvoir aux constructeurs innovants. Un soutien financier patient et un champion des valeurs de collaboration et de création d’écosystèmes pour apporter la promesse de transformation des technologies quantiques et de l’IA, séparément et combinées.

Les avantages de collaborer avec QAI Ventures:

• Partage de ressources pour les startups.
• Favorise l’innovation en réunissant diverses perspectives et expertises.
• Aide les startups à intégrer leurs technologies dans diverses industries et applications du monde réel.

Avantages de la création d’écosystèmes avec QAI Ventures:

• Un écosystème robuste qui relie les startups à la recherche et au monde universitaire pour les aider à développer des solutions technologiques et aux entreprises pour les aider à tester leurs produits sur des cas d’utilisation réels.
• Accès à un réseau mondial de mentors et d’experts qui aident les startups à développer leur activité et à se développer sur de nouveaux marchés.

Étude de cas : histoire de réussite soutenue par QAI Ventures

En avril 2024, QAI Ventures a annoncé un investissement stratégique dans le cluster technologique suisse Phénix Technologies favoriser l’innovation et l’entrepreneuriat dans les technologies quantiques et l’IA.

Organisation axée sur la souveraineté technologique en Suisse, Phoenix Technologies exploite le AI Innovation Center à Bâle, en Suisse, grâce à ses partenariats avec QAI Ventures, IBM, Red Hat et d’autres.

En collaboration avec QAI Ventures, Phoenix Technologies développe le Plateforme d’IA kvantune plate-forme basée sur l’IA qui fournit également un support et des services de bout en bout à l’écosystème QAI Ventures.

kvant AI est construit sur le superordinateur Vela AI d’IBM Research et offre aux utilisateurs une solution d’IA souveraine unique. Les organisations peuvent créer, régler et déployer des modèles d’IA avancés sur un cloud souverain en Suisse tout en tirant parti de la disponibilité, de l’évolutivité et de la sécurité, offrant ainsi une solution d’IA complète de bout en bout. Cela permet aux organisations d’exploiter même leurs données les plus critiques au sein d’applications d’IA.

Le partenariat de QAI Ventures avec Phoenix Technologies illustre comment des étapes importantes dans l’informatique quantique et l’IA peuvent être franchies en soutenant une recherche et une stratégie commerciale innovantes.

« En fusionnant les capacités du cloud de l’IA avec le potentiel de la technologie quantique, le [partnership with Phoenix Technologies] non seulement alimente les progrès innovants, mais soutient également les startups en fournissant des outils de pointe essentiels à la redéfinition des industries », Alexandra Beckstein, cofondatrice et PDG de QAI Ventures, dans un communiqué. communiqué de presse.

Conclusion

La convergence des technologies quantiques et des couches d’IA est sur le point de repousser les limites de l’innovation et des capacités des deux parapluies technologiques.

La recherche et les applications en matière d’IA et de technologies quantiques n’ont fait qu’effleurer la surface.

Les applications utilisant la détection quantique pour identifier et caractériser avec précision les données brutes afin que les algorithmes d’apprentissage profond les analysent et les prédisent commencent à mûrir. Des cas d’utilisation où la simulation et l’optimisation quantiques sont combinées à l’IA pour la modélisation moléculaire dans la découverte de médicaments et la science des matériaux, la logistique, la finance, la fabrication, la cryptographie et la modélisation climatique se développent.

Mais le chemin vers des applications pratiques est long.

Cela commence par des laboratoires de recherche dynamiques, un écosystème collaboratif et des entrepreneurs avant-gardistes qui défendent les possibilités des technologies quantiques et de l’IA.

Grâce à des programmes d’accélération des investissements privés et à l’accès aux infrastructures pour les fondateurs quantiques ambitieux, des pôles d’écosystème comme QAI Ventures en Suisse sont les catalyseurs nécessaires pour concrétiser le potentiel du quantique et de l’IA.

QAI Ventures se consacre à responsabiliser les startups technologiques et à investir profondément dans leur succès potentiel grâce à son rôle central dans l’écosystème quantique et IA. Avec un large réseau de partenaires et de réseaux, QAI Ventures a une présence mondiale et un bureau récemment ouvert en Colombie-Britannique, au Canada, en partenariat avec Quantum City et l’Université de Calgary. Les leaders quantiques du monde entier devraient contacter QAI Ventures pour un appel découverte sans engagement pour une collecte de fonds et des conseils de croissance dirigés par des experts.