AI dévoile les secrets des systèmes quantiques : une revue systématique des modèles d’intelligence artificielle pour accélérer la révolution quantique

Depuis la formulation de l’équation de Schrödinger, les progrès de la mécanique quantique ont permis l’émergence de technologies révolutionnaires telles que les semi-conducteurs et les lasers, posant les fondations de la société de l’information moderne. À l’aube du XXIe siècle, la « deuxième révolution quantique », incarnée par l’idée selon laquelle « l’information provient des qubits », connaît un essor fulgurant. Les domaines de l’informatique quantique, de la communication quantique et de la métrologie quantique passent progressivement du laboratoire à des applications concrètes, s’imposant comme moteurs clés de la prochaine révolution technologique. Toutefois, avec l’augmentation de la taille des systèmes quantiques, un défi fondamental se fait de plus en plus pressant : comment décrire et caractériser efficacement des systèmes quantiques complexes ? L’espace de Hilbert dans lequel évoluent les états quantiques croît exponentiellement avec le nombre de bits quantiques, rendant les méthodes classiques inopérantes face aux grandes échelles. Ce goulot d’étranglement constitue aujourd’hui un frein majeur au développement de la science de l’information quantique. En 2022, l’apparition de modèles d’intelligence artificielle à grande échelle comme ChatGPT a non seulement accéléré l’application pratique de l’IA, mais a aussi renforcé son rôle dans le domaine de l’IA pour la science (AI for Science). Des problèmes quantiques autrefois considérés comme intraitables commencent à être abordés par des approches novatrices. Au cours des trois dernières années, les modèles d’IA fondés sur les données ont démontré une capacité remarquable à apprendre à partir de systèmes quantiques à grande échelle, marquant une transition significative vers une approche fondée sur les données, au détriment des méthodes basées sur les connaissances préalables. Cette évolution a considérablement amélioré l’efficacité de la simulation et de l’analyse des systèmes quantiques. Dans ce contexte, Wu Yadong, professeur adjoint à l’Université de Jiao Tong de Shanghai, a mené depuis plusieurs années des recherches pionnières visant à intégrer l’IA comme un nouveau paradigme dans la recherche quantique. En 2024, lors d’un séjour à Singapour, il a rencontré pour la première fois en personne son collègue Du Yuxuan, avec qui il avait longtemps échangé à distance à travers leurs publications. Cette rencontre a confirmé l’ampleur des avancées interdisciplinaires réalisées ces dernières années : des modèles théoriques d’apprentissage statistique aux réseaux de neurones profonds, puis aux grands modèles fondamentaux, chacune de ces étapes a marqué une étape clé. Toutefois, ils ont également constaté un manque criant de synthèse systématique, peu accessible aux chercheurs débutants ou aux scientifiques d’autres disciplines. C’est ainsi qu’ils ont décidé de rédiger une revue systématique, visant à explorer comment l’IA peut être utilisée pour découvrir et prédire les propriétés physiques des systèmes quantiques à grande échelle. Cette revue examine trois catégories de modèles d’IA : les modèles d’apprentissage automatique, les modèles d’apprentissage profond et les modèles fondamentaux. Elle met en lumière deux rôles clés de l’IA : d’une part, améliorer la précision des prédictions sur les systèmes quantiques, d’autre part, construire des « modèles classiques d’agent » capables de simuler efficacement des comportements quantiques complexes, tout en réduisant fortement la dépendance aux expériences coûteuses. Grâce à ces modèles, il devient possible d’analyser des systèmes quantiques sans manipuler directement des espaces de dimension exponentielle. La revue souligne également les défis actuels et envisage les perspectives futures, notamment le potentiel de l’IA avancée pour accélérer la recherche en informatique quantique. À terme, les modèles d’IA pourraient devenir des « scientifiques virtuels », capables d’identifier des régularités cachées dans les données expérimentales, voire de concevoir de manière autonome de nouvelles expériences quantiques pour explorer des phénomènes inédits. La rédaction de ce travail a été un véritable exercice de collaboration interdisciplinaire. Wu et Du, dont les parcours respectifs (informatique puis physique, physique puis informatique) reflètent une dualité épistémologique, ont dû surmonter des différences de ton, de priorité et de perspective. Après plusieurs cycles de révision, ils ont invité des experts internationaux de haut niveau — parmi lesquels Barry Sanders (Académie royale du Canada), Jens Eisert (Université libre de Berlin), Giulio Chiribella (Université de Hong Kong) et Dacheng Tao (Académie australienne, IEEE Fellow) — pour enrichir le manuscrit. Cette collaboration transcontinentale a permis de construire une classification rigoureuse et une exposition claire, adaptée à un public diversifié. Bien que le brouillon initial ait été rédigé en deux mois, les révisions intensives ont duré près de dix mois, témoignant de l’engagement pour la qualité. À l’avenir, l’équipe poursuivra ses recherches sur l’application des modèles fondamentaux d’IA dans des domaines comme l’apprentissage des systèmes quantiques complexes, la conception de matériel quantique, l’optimisation des circuits quantiques et la correction d’erreurs quantiques. Ce travail, disponible sur arXiv (https://arxiv.org/pdf/2509.04923), marque une étape importante vers une science quantique pilotée par l’intelligence artificielle.