Dans cet article, nous analysons l’impact potentiel du calcul quantique sur la finance du point de vue d’un institut académique positionné à l’interface entre technologies et usages. Nous défendons l’idée que le quantique constitue un bien public, dont les implications dépassent le seul cadre technologique et nécessitent une appropriation par les décideurs économiques. Après avoir souligné l’importance d’une pédagogie adaptée pour rendre ces concepts accessibles aux non-physiciens, nous proposons une taxonomie des principaux algorithmes quantiques pertinents pour la finance : optimisation, algèbre linéaire, Monte Carlo et apprentissage automatique. Ces approches trouvent des applications naturelles dans l’optimisation de portefeuille, la gestion du risque et le pricing de produits dérivés. Enfin, nous mettons en perspective la maturité actuelle du domaine : malgré des avancées significatives, les bénéfices opérationnels restent limités à court terme, tandis que les véritables ruptures sont attendues avec l’émergence de machines quantiques tolérantes aux fautes.
Dans cet article, nous analysons l’impact potentiel du calcul quantique sur la finance du point de vue d’un institut académique positionné à l’interface entre technologies et usages. Nous défendons l’idée que le quantique constitue un bien public, dont les implications dépassent le seul cadre technologique et nécessitent une appropriation par les décideurs économiques. Après avoir souligné l’importance d’une pédagogie adaptée pour rendre ces concepts accessibles aux non-physiciens, nous proposons une taxonomie des principaux algorithmes quantiques pertinents pour la finance : optimisation, algèbre linéaire, Monte Carlo et apprentissage automatique. Ces approches trouvent des applications naturelles dans l’optimisation de portefeuille, la gestion du risque et le pricing de produits dérivés. Enfin, nous mettons en perspective la maturité actuelle du domaine : malgré des avancées significatives, les bénéfices opérationnels restent limités à court terme, tandis que les véritables ruptures sont attendues avec l’émergence de machines quantiques tolérantes aux fautes.
Dans cet article, nous faisons le point sur l’élaboration et l’usage potentiel des ordinateurs quantiques tolérants aux fautes capables de traiter de manière fiable des calculs complexes en surmontant les erreurs et le bruit inhérent aux systèmes quantiques. Dans un premier temps, les intérêts attendus en gains de performance par le calcul quantique sont évoqués ainsi que leurs limites à la fois théoriques et pratiques. Dans un second temps, la nécessaire correction d’erreurs quantiques est abordée. Cette dernière passe par l’encodage de l’information logique, que l’on souhaite protéger, sur un grand nombre de qubits physiques délocalisés afin d’avoir un qubit fiable. Tout en estimant qu’il faut au maximum mille qubits physiques pour obtenir un qubit logique fiable, nous soulignons la difficulté majeure que constitue le passage à l’échelle du nombre de qubits physiques pour résoudre des problèmes réels. Sont ensuite énoncées les différentes technologies de qubits ainsi que leurs enjeux. Puis est abordée la problématique du passage à l’échelle de manière modulaire par l’interconnexion de petits modules quantiques. Une quatrième partie mentionne les enjeux économiques et la coopétition avec les calculateurs classiques et l’IA. Tout en soulignant les progrès en cours et en observant la position française sur cinq voies technologiques, nous appelons aussi à la prudence au regard d’effets d’annonce.
Bruit et capacité d'apprentissage en apprentissage automatique quantique Cette thèse est consacrée à l'exploration de l'interface entre l'informatique quantique et l'apprentissage automatique, en mettant l'accent sur les effets du bruit et de la décohérence. Dans la première partie, nous étudions l'utilisation de systèmes quantiques ouverts pour la réalisation de tâches classiques de reconnaissance des formes. En particulier, nous nous intéressons à l'impact du bruit sur les machines à noyau quantique dans une configuration de calcul à réservoir. Les modèles que nous considérons sont basés sur l'utilisation d'un système quantique de grande taille et non contrôlé, un réservoir, qui est excité par un signal d'entrée à traiter. Des mesures sont ensuite effectuées sur le système et une combinaison linéaire des résultats est optimisée afin de réaliser la tâche souhaitée. Dans le cadre théorique associé aux méthodes à noyau, nous analysons l'effet de la dissipation sur l'expressivité de ces modèles. Nous montrons que le bruit affectant le réservoir peut agir comme une régularisation implicite qui aide à prévenir l'ajustement excessif. Ces résultats sont accompagnés d'une étude numérique d'un ensemble de machines à noyaux bruitées basées sur des chaînes de spins quantiques sujets à de la décohérence, et dont l'évolution markovienne est décrite par une équation maîtresse de type Lindblad. Dans la deuxième partie de la thèse, nous nous concentrons sur les algorithmes quantiques variationnels. Nous y présentons un schéma de simulation classique efficace pour estimer des quantités moyennées à la sortie d'un circuit quantique paramétré dont les paramètres de rotation sont choisis aléatoirement. Nous étudions d'abord les canaux quantiques associés aux moyennes de rotations aléatoires d'un et de deux qubits autour d'un axe Z. Sous certaines hypothèses, nous montrons que ces canaux peuvent être décomposés en sommes convexes de canaux associés à des transformations unitaires de Clifford. Ce résultat peut être interprété comme un effet de décohérence artificiel induit par le choix aléatoire des angles de rotation. Il nous permet construire un schéma de simulation efficace basé sur le célèbre théorème de Gottesman-Knill. Cette méthode permet notamment d'estimer efficacement l'amplitude moyenne du gradient de la fonction de coût par des simulations classiques avec une complexité polynomiale en le nombre de qubits. Elle peut donc être utilisée pour explorer des stratégies de conception de circuits variationnels quantiques permettant d'éviter les difficultés d'entrainement due à une disparition du gradient.
En 2023, Futuribles et le CEA (Commissariat à l’énergie atomique et aux énergies alternatives) ont mené un travail prospectif sur le potentiel et les impacts du calcul quantique : l’étude Quantum 2042 . [1] Après une présentation simplifiée des principes du calcul quantique, cet article revient sur les grands enseignements de cette étude prospective. Il pointe les verrous restant à lever pour que se développe le calcul quantique et présente les quatre scénarios proposés dans l’étude, allant d’un essor minimal (« la porte étroite ») à un véritable « saut quantique », en fonction de trois variables clefs : le nombre de « qubits » (unités d’information du système quantique) utilisables, les taux d’erreur observés, et la levée (ou non) de certains verrous technologiques et logiciels. Les auteurs esquissent également les perspectives d’application du calcul quantique dans différents secteurs (chimie, santé, logistique, etc.), ainsi que les évolutions survenues dans le domaine du quantique depuis la rédaction de l’étude. Ils insistent, en conclusion, sur le caractère stratégique du quantique qui constitue selon eux un enjeu de souveraineté technologique pour l’Europe, nécessitant d’une part de vrais investissements dans les entreprises leaders en la matière ; d’autre part de préparer les organisations et les sociétés à exploiter son potentiel et à s’en approprier les usages futurs. S.D. [1] Quantum 2042. Étude prospective sur les impacts du calcul quantique en 2042 , rapport public, CEA, Y. Spot en partenariat avec Futuribles, mars 2024, 37 p. URL : https://yspot.fr/wp-content/uploads/2024/03/rapport-public_quantum2042_numerique_mars2024.pdf . Consulté le 9 juillet 2027.
Cette thèse présente de nouveaux algorithmes quantiques pour l'apprentissage automatique. L'ordinateur quantique permet un nouveau paradigme de calcul qui exploite les lois de la mécanique quantique pour offrir une accélération des calculs par rapport aux ordinateurs classiques. Récemment, la communauté scientifique a produit plusieurs algorithmes quantiques liés la résolution de problèmes d'algèbre linéaire. Puisqu’une grande partie de l'apprentissage automatique se réduit à multiplier des matrices ou à les inverser, il est possible d'obtenir dans certains cas une version quantique de nombreux algorithmes en lien avec l'apprentissage automatique. Malgré tout, l'écriture d’un nouvel algorithme quantique n’est en général pas du tout une tâche aisée. Dans cette thèse, je propose des algorithmes quantiques pour l'apprentissage de certains modèles d'apprentissage classique. Les algorithmes conçus et analysés dans cette thèse sont les suivants : Slow Feature Analysis, un algorithme de réduction de dimension utilisé pour éviter phénomène d'overfitting dans le cadre de l'apprentissage supervisionné. Dans le cadre de l'apprentissage non supervisé, une version quantique de l'algorithme de clustering k-means et sa généralisation dans le model Gaussian Mixture Models. Ces algorithmes sont itératifs, et représentent la contrepartie quantique de l’algorithmique classique Expectation-Maximization très répandu. Spectral Sum, un algorithme calculant des quantités liées à la somme des valeurs singulières d'un matrice, et ses applications. Les nouveaux algorithmes quantiques développés ont été implémentés et simulés sur des ordinateurs classiques à base d’HPC, avec les jeux de donnés couramment utilisés pour l’apprentissage automatique classique. Je démontre ainsi que ces algorithmes ont effectivement le potentiel de concourir contre les meilleurs algorithmes classiques pour l’analyse de donnés.
Algorithmes quantique d’apprentissage automatique Cette thèse présente de nouveaux algorithmes quantiques pour l'apprentissage automatique. L'ordinateur quantique permet un nouveau paradigme de calcul qui exploite les lois de la mécanique quantique pour offrir une accélération des calculs par rapport aux ordinateurs classiques. Récemment, la communauté scientifique a produit plusieurs algorithmes quantiques liés la résolution de problèmes d'algèbre linéaire. Puisqu’une grande partie de l'apprentissage automatique se réduit à multiplier des matrices ou à les inverser, il est possible d'obtenir dans certains cas une version quantique de nombreux algorithmes en lien avec l'apprentissage automatique. Malgré tout, l'écriture d’un nouvel algorithme quantique n’est en général pas du tout une tâche aisée. Dans cette thèse, je propose des algorithmes quantiques pour l'apprentissage de certains modèles d'apprentissage classique. Les algorithmes conçus et analysés dans cette thèse sont les suivants : Slow Feature Analysis, un algorithme de réduction de dimension utilisé pour éviter phénomène d'overfitting dans le cadre de l'apprentissage supervisionné. Dans le cadre de l'apprentissage non supervisé, une version quantique de l'algorithme de clustering k-means et sa généralisation dans le model Gaussian Mixture Models. Ces algorithmes sont itératifs, et représentent la contrepartie quantique de l’algorithmique classique Expectation-Maximization très répandu. Spectral Sum, un algorithme calculant des quantités liées à la somme des valeurs singulières d'un matrice, et ses applications. Les nouveaux algorithmes quantiques développés ont été implémentés et simulés sur des ordinateurs classiques à base d’HPC, avec les jeux de donnés couramment utilisés pour l’apprentissage automatique classique. Je démontre ainsi que ces algorithmes ont effectivement le potentiel de concourir contre les meilleurs algorithmes classiques pour l’analyse de donnés.
Le calcul quantique est nouveau paradigme qui sera peut-être en capacité de résoudre certains problèmes intéressants et très spécifiques plus vite qu'un ordinateur classique. Mais pour atteindre le régime dans lequel les ordinateurs quantiques seront plus efficaces que leurs équivalents classiques, plusieurs étapes cruciales doivent être atteintes. Les taux d'erreur des puces quantiques actuelles doivent être drastiquement améliorés, tout comme leur nombre de qubits, les algorithmes doivent évoluer pour prendre en compte le taux d'erreur élevé des puces, les compilateurs et implémentations doivent être adaptés à la puce quantique qui sera utilisée pour l'exécution et les façons d'analyser des états ou programmes quantiques nécessitent des améliorations.Dans cette thèse, nous nous concentrons sur certaines de ces étapes et améliorons l'état de l'art en essayant de se rapprocher le plus possible du régime où les ordinateurs quantiques auront un avantage sur les ordinateurs classiques. Nous commençons par montrer comment nous avons implémenté un algorithme quantique non trivial et analysé son comportement ainsi que les ressources nécessaires à son exécution.Cette analyse a confirmé que les puces quantiques actuelles étaient incapables d'exécuter ce genre d'implémentation, même après avoir pris en compte les subtilités dues au matériel et optimisé grandement le programme. Cet effort d'optimisation a donné lieu à l'implémentation de l'outil qprof, un profileur de programme quantique capable d'analyser des implémentations et de générer un rapport textuel et lisible résumant la hiérarchie des appels et leur coût approximatif.Nous présentons aussi un algorithme classique pour résoudre le problème du routage de qubit, une des étapes les plus coûteuse en terme de porte quantique additionnelle dans les compilateurs de programme quantiques. Cet algorithme permet de prendre en compte les calibrations les plus récentes de la puce quantique visée afin d'adapter le programme quantique compilé aux différents taux d'erreurs de la puce. Nous décrivons comment l'algorithme fonctionne et montrons qu'il apporte une amélioration substantielle de la fidélité de l'état quantique créé par le programme compilé par rapport à l'état de l'art.Nous avons aussi implémenté un algorithme variationnel permettant de résoudre des systèmes linéaires et analysé son comportement sur des puces quantiques actuelles ainsi que les besoins en ressources quantiques afin d'exécuter cet algorithme avec différents systèmes linéaires. Finalement, nous avons effectué une étude sur les erreurs présentes sur des qubits isolés et introduit une nouvelle visualisation permettant de mettre en avant des erreurs systématiques et non mitigées par les calibrations automatiques réalisées à intervalles réguliers sur les puces quantiques.