Le terme « apprentissage automatique quantique » (QML) est devenu une étiquette large et souvent ambiguë ces dernières années. Bien que le domaine ait suscité de l'enthousiasme dès 2013 avec la création du laboratoire Quantum Artificial Intelligence Lab par Google et la NASA, sa définition varie considérablement. Certains l'utilisent pour désigner l'accélération de l'apprentissage classique par l'informatique quantique, d'autres décrivent des algorithmes classiques inspirés de la physique quantique, et d'autres encore désignent simplement l'exécution de flux de travail d'apprentissage standards sur du matériel quantique. Ce qui rend véritablement l'apprentissage automatique quantique « quantique » ne réside pas dans la vitesse de calcul, les réseaux de neurones ou des références vagues à l'avantage quantique. Au cœur du concept se trouve la manière dont l'information est représentée, transformée et lue. Dans le QML authentique, ces processus obéissent aux règles de la mécanique quantique plutôt qu'au calcul classique. La distinction fondamentale repose sur trois éléments. Premièrement, les données sont représentées sous forme d'états quantiques, des vecteurs complexes qui peuvent exister en superposition, contrairement aux nombres flottants ou bits des modèles classiques. Cette représentation n'implique pas nécessairement une compression exponentielle des données, car leur chargement et leur extraction restent des défis coûteux et limités par la mesure. Deuxièmement, les modèles fonctionnent comme des évolutions quantiques. Au lieu d'appliquer des fonctions classiques, le QML utilise des opérations quantiques, souvent sous forme de circuits quantiques paramétrés. Ces circuits évoluent selon des règles spécifiques, explorant un espace d'hypothèses structurellement différent de celui des modèles classiques. Troisièmement, la mesure fait partie intégrante du processus d'apprentissage. Contrairement au monde classique où la lecture des résultats est neutre, la mesure en mécanique quantique est probabiliste et destructrice de l'état. Les résultats sont donc estimés statistiquement après de multiples exécutions, appelées « tirs », ce qui introduit une incertitude intrinsèque et rend le coût d'échantillonnage dominant lors de l'entraînement. De nombreuses approches actuelles ne sont quantiques que de nom. Si une partie quantique peut être remplacée par un équivalent classique sans altérer la structure mathématique du modèle, il ne s'agit pas d'un QML fondamental. Aujourd'hui, le matériel quantique est encore bruyant, de petite taille et limité en ressources. La recherche se concentre donc sur l'exploration des classes de modèles, la compréhension de la théorie de l'apprentissage quantique et l'identification des cas où la structure quantique pourrait offrir un avantage réel. L'intérêt du QML ne réside pas dans une supériorité immédiate sur l'apprentissage classique, mais dans la capacité à repenser les fondements de l'apprentissage dans un monde quantique. Il permet d'explorer de nouvelles questions sur la nature de l'apprentissage, l'impact du bruit sur l'optimisation et les modèles uniques au calcul quantique. Bien que les ordinateurs quantiques actuels ne puissent pas encore exécuter des applications complexes, l'exploration théorique et conceptuelle du QML prépare le terrain pour les futures avancées matérielles. Clarifier ces définitions est essentiel pour distinguer le fond du battage médiatique et orienter la recherche vers des progrès concrets.