Les applications possibles de l'informatique quantique

Des problèmes spécifiques plutôt que des usages quotidiens

L'informatique quantique ne vise pas à accélérer toutes les tâches informatiques. Son intérêt apparaît surtout pour certaines catégories de problèmes dont la structure peut être exploitée par un algorithme quantique.

La recherche se concentre notamment sur la simulation de systèmes quantiques, l'optimisation, certains calculs financiers, le machine learning et la cryptographie. Mais le degré de maturité varie fortement d'un domaine à l'autre : beaucoup d'applications sont encore étudiées à petite échelle et aucun avantage pratique généralisable n'est aujourd'hui garanti.

Simuler la nature avec les lois de la nature

La chimie et la science des matériaux constituent l'un des domaines les plus naturels pour le calcul quantique. Les électrons, molécules et matériaux sont eux-mêmes des systèmes quantiques. Leur comportement complet devient rapidement très difficile à représenter sur un ordinateur classique lorsque le nombre de particules et d'interactions augmente.

Un ordinateur quantique pourrait mieux reproduire certaines de ces interactions et aider à calculer les propriétés de molécules ou de matériaux. A terme, ces méthodes pourraient contribuer à la recherche sur de nouveaux catalyseurs, batteries, matériaux magnétiques, médicaments ou supraconducteurs.

C'est également un domaine qui illustre bien l'écart entre potentiel et réalité actuelle : des travaux récents montrent des progrès importants dans les algorithmes de simulation, mais les ressources nécessaires aux simulations les plus ambitieuses dépassent encore largement les capacités des machines actuelles.

Trouver une bonne solution parmi des millions de possibilités

De nombreux problèmes industriels consistent à rechercher la meilleure combinaison parmi un ensemble immense de possibilités : organiser des tournées de livraison, planifier des ressources, répartir des tâches ou optimiser un réseau.

Des algorithmes quantiques comme QAOA - Quantum Approximate Optimization Algorithm sont étudiés pour ce type de problème. Ils peuvent fonctionner de manière hybride : le processeur quantique génère ou évalue des solutions tandis qu'un ordinateur classique ajuste progressivement les paramètres du calcul.

L'optimisation reste toutefois un domaine de recherche ouvert. Les méthodes classiques sont déjà extrêmement performantes et démontrer qu'une solution quantique apporte un avantage utile exige de la comparer aux meilleurs algorithmes classiques sur des problèmes réalistes.

Finance et traitement des données

La finance rassemble plusieurs problèmes qui intéressent la recherche quantique : simulation de scénarios, estimation du risque, optimisation de portefeuille ou analyse de données. Une revue de la littérature distingue notamment trois grandes familles étudiées : simulation, optimisation et machine learning.

Le quantum machine learning cherche quant à lui à combiner algorithmes d'apprentissage et propriétés du calcul quantique. Des algorithmes et modèles expérimentaux existent, mais identifier les situations où ils surpasseraient réellement les meilleures méthodes classiques reste un enjeu de recherche majeur.

La cryptographie, un cas particulier

La cryptographie constitue une application différente. Un ordinateur quantique suffisamment puissant et corrigé des erreurs pourrait exécuter l'algorithme de Shor, capable de résoudre efficacement certains problèmes mathématiques sur lesquels reposent notamment RSA et la cryptographie à courbes elliptiques.

Un tel ordinateur n'existe pas aujourd'hui, mais la menace est prise suffisamment au sérieux pour que la transition ait déjà commencé. Le NIST a publié en 2024 ses trois premiers standards de post-quantum cryptography, conçus pour résister aux ordinateurs classiques comme aux futurs ordinateurs quantiques. Ces algorithmes post-quantiques s'exécutent d'ailleurs sur des ordinateurs classiques : ils constituent une réponse au calcul quantique, et non un calcul quantique eux-mêmes.

Une technologie destinée à travailler avec le classique

Dans la plupart de ces domaines, l'avenir envisagé n'oppose pas ordinateur classique et ordinateur quantique. Les approches étudiées sont souvent hybrides : les CPU et GPU continuent d'effectuer les traitements qu'ils maîtrisent efficacement, tandis qu'un QPU intervient sur une partie très spécifique du problème.

L'enjeu n'est donc pas de trouver des applications pour lesquelles "le quantique est plus rapide", mais d'identifier précisément les problèmes pour lesquels une méthode quantique peut apporter un avantage mesurable par rapport aux meilleures solutions classiques.