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.
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.
Algorithmes quantiques pour la chimie quantique ab initio : une approche à plusieurs échelles L'équation de Schrödinger polyélectronique régit l'évolution non relativiste des systèmes quantiques tels que les électrons, atomes et molécules. La chimie quantique ab initio consiste à trouver des solutions approximées de cette équation afin de prédire des propriétés moléculaires comme les longueurs de liaison, les spectres vibrationnels et les mécanismes réactionnels. Malgré les immenses progrès de la puissance de calcul, atteindre la précision chimique (une erreur d'énergie inférieure à 1 kcal/mol) reste exponentiellement coûteux pour les algorithmes classiques lorsque la taille du système augmente. Cette limite a conduit à envisager l'informatique quantique comme alternative pour la simulation moléculaire, les ordinateurs quantiques obéissant aux mêmes principes physiques que les systèmes simulés. Il a été établi que, sous certaines conditions, l'équation de Schrödinger moléculaire pouvait être résolue en temps polynomial sur un ordinateur quantique, permettant en principe une accélération exponentielle par rapport aux méthodes classiques. La concrétisation de cet avantage reste un problème ouvert et requiert des avancées tant matérielles (stabilité des processeurs) que algorithmiques (consommation de ressources). Ce dernier aspect constitue l'objectif principal de cette thèse. Trois défis fondamentaux sont identifiés: établir une correspondance et une discrétisation efficace entre le problème de structure électronique et les qubits; concevoir des algorithmes pour préparer de bonnes approximations de l'état fondamental ; décomposer les opérations quantiques en circuits implémentables à coût minimal. La première partie traite du court terme, où le faible nombre de qubits et le bruit limitent les opérations exécutables. Dans ce contexte, le Variational Quantum Eigensolver (VQE) et son extension adaptative ADAPT-VQE sont des références établies. Nous proposons plusieurs améliorations pour la construction adaptative d'ansätze. L'algorithme Greedy Gradient-Free Adaptive VQE simplifie le processus d'optimisation, réduisant considérablement la consommation de ressources et permettant même une démonstration sur un processeur de 25 qubits. La méthode Overlap-ADAPT-VQE introduit un schéma de compactification variationnelle qui reconstruit des approximations d'états quantiques cibles, permettant en chimie quantique d'accélérer significativement la convergence du VQE pour divers niveaux de corrélation électronique. Nous développons ensuite une stratégie d'initialisation des registres quantiques à partir de fonctions d'onde corrélées issues de calculs classiques, pour combiner calcul haute performance et post-traitement quantique. La seconde partie adopte une perspective de long terme centrée sur le comportement asymptotique des algorithmes. Nous présentons une décomposition de la porte NOT multi-contrôlée avec une profondeur de circuit polylogarithmique en nombre de qubits de contrôle, offrant une amélioration exponentielle sur les approches linéaires existantes. Enfin, nous proposons une méthode de chimie quantique en espace réel, compatible avec les algorithmes quantiques d'extraction de valeurs propres. L'objectif étant d'améliorer la convergence spatiale en remplaçant les discrétisations uniformes, utilisées dans la plupart des approches en première quantification, par des grilles non uniformes, adaptées à la molécule, qui concentrent les points de discrétisation dans les zones de forte densité électronique. Nous étendons cette stratégie aux hamiltoniens transcorrélés : des opérateurs qui régularisent les singularités du potentiel coulombien, et dont les fonctions propres sont lisses dans l'espace. Notre approche est plurielle, explorant tous les niveaux d'abstraction, de la théorie à l'implémentation, et couvrant des algorithmes exploitables sur des machines actuelles, et d'autres destinés aux architectures de long terme. Ces contributions renforcent les fondements des algorithmes quantiques pour la simulation moléculaire.
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.
Algorithmes quantiques pour la méthode de Monte Carlo La méthode de Monte Carlo est un paradigme central de l'algorithmique basée sur l'analyse statistique et sur les techniques d'échantillonnage aléatoire appliquées aux problèmes ayant une interprétation probabiliste. Cette thèse explore les avantages qu'offrirait un ordinateur quantique pour augmenter l'efficacité de cette méthode. Nous étudions dans un premier temps le problème d'estimation de valeurs moyennes par des techniques à temps de calcul minimal. Nous développons de nouveaux algorithmes quantiques pour estimer l'espérance d'une variable aléatoire réelle produite en sortie d'un processus quantique. Les estimateurs que nous construisons procurent une accélération quadratique par rapport au nombre d'échantillons classiques nécessaires pour obtenir une borne d'erreur sous-gaussienne ou une (epsilon,delta)-approximation. Nous décrivons également un cadre théorique fournissant une notion de «temps d'arrêt» pour un processus quantique générant une variable aléatoire. Nous démontrons que le problème d'estimation de la moyenne peut être résolu plus efficacement lorsque le temps d'arrêt moyen du processus sous-jacent est court. Ces résultats sont appliqués au développement d'un algorithme de requête quantique quasi-optimal pour approximer le nombre de triangles dans un graphe. Dans un second temps, nous étudions le problème d'échantillonnage préférentiel et ses applications en optimisation stochastique. Nous construisons un algorithme quantique pour échantillonner plusieurs éléments d'une distribution finie spécifiée par un vecteur de probabilité. Notre approche résout le problème plus général consistant à préparer plusieurs copies d'un état quantique dont les amplitudes sont accessibles via un oracle. L'utilité de ce résultat est illustrée à travers le développement de deux algorithmes hybrides quantiques-classiques basés sur la méthode des poids multiplicatifs et sur l'algorithme du gradient stochastique. Ces deux applications concernent la prédiction en ligne avec conseil d'experts, et la minimisation des fonctions sous-modulaires. La dernière partie de cette thèse est consacrée à l'étude des algorithmes quantiques à mémoire limitée. Nous étudions tout d'abord le problème d'approximation des moments de fréquence dans le modèle de flots de données à passes multiples. Nous construisons un algorithme quantique qui nécessite une quantité de mémoire moindre que les meilleurs algorithmes de streaming classiques possible. Notre méthode repose sur les estimateurs quantiques de moyenne susmentionnés et sur des techniques de simulation de calcul reversible. Nous explorons ensuite certaines limites des algorithmes à mémoire restreinte dans le modèle de requête quantique. Nous développons une nouvelle approche pour obtenir des bornes inférieures temps-mémoire, basée sur une technique récente d'enregistrement des requêtes quantiques. Ce résultat est appliqué au problème de la recherche de paires de collisions dans une fonction aléatoire. Nous démontrons que la complexité en requête quantique de cette tâche augmente lorsque la quantité de mémoire disponible diminue.