Une intelligence artificielle quantique basée sur la lumière pour prédire des données complexes
Des chercheuses et des chercheurs du Laboratoire Kastler Brossel à Paris (LKB – École normale supérieure, Sorbonne Université, Collège de France, CNRS) et de l’Instituto de Física Interdisciplinar y Sistemas Complejos à Palma de Majorque (IFISC) ont mis au point un calculateur à réservoir photonique quantique doté de mémoire, capable d’apprendre et de prédire des séries temporelles complexes. Les versions plus avancées du calcul à réservoir sont envisagées pour la prédiction du climat et des marchés financiers. Cette collaboration a permis de franchir une étape importante et ouvre la voie à un apprentissage automatique exploitant les ressources de la physique quantique. Ces résultats ont été publiés dans la revue Nature Photonics.
Un enjeu central : prédire des phénomènes qui évoluent dans le temps
Des marchés financiers aux données climatiques, en passant par l’activité cérébrale, de nombreux phénomènes reposent sur l’analyse de séries temporelles, c’est-à-dire des données qui évoluent au fil du temps. Leur modélisation et leur prédiction constituent un défi majeur pour les sciences et les technologies.
La plateforme expérimentale a été développée au LKB par l’équipe de Valentina Parigi dans le cadre du projet ERC COQCOoN, avec le soutien du programme PEPR OQuLus. Le cadre théorique a été élaboré à l’IFISC au sein du groupe de Roberta Zambrini.
Le “reservoir computing” basé sur la lumière quantique intriquée
L’approche utilisée, appelée « reservoir computing », consiste à exploiter la dynamique naturelle d’un système physique complexe, appelé le réservoir, pour transformer les données d’entrée, sans avoir à entraîner l’ensemble du système. Seule la couche de sortie est ajustée, ce qui simplifie considérablement l’apprentissage.
Dans cette expérience, le réservoir est constitué d’un état quantique multimode de la lumière, dans lequel plusieurs bandes de fréquence sont corrélées entre elles par intrication. Concrètement, les chercheurs utilisent un faisceau lumineux dont les différentes composantes interagissent dans un matériel non linéaire, formant un système capable de traiter de l’information. L’approche repose sur les variables continues de la lumière, où l’information est encodée dans les propriétés du champ lumineux (comme son amplitude et sa phase) et mesurée à l’aide de détecteurs fonctionnant à température ambiante.
Une mémoire intégrée grâce à la rétroaction
Pour traiter des données temporelles, le système doit être capable de conserver une trace du passé. Les chercheurs ont introduit un mécanisme de rétroaction, dans lequel les signaux mesurés sont réinjectés dans le contrôle du système à l’étape suivante. Ce procédé confère au dispositif une mémoire à décroissance progressive (« fading memory ») qui permet aux entrées passées d’influencer les états futurs. Cette propriété est essentielle pour capturer les dépendances temporelles présentes dans les données.
Des performances supérieures aux approches classiques
Les chercheurs montrent que l’exploitation de la structure multimode intriquée de la lumière améliore à la fois la mémoire du système et son expressivité, c’est-à-dire la quantité d’information exploitable pour apprendre. Cette architecture permet d’apprendre des séries temporelles complexes avec moins d’erreurs que des systèmes classiques équivalents. Les chercheurs montrent également que ses capacités augmentent rapidement lorsque l’on enrichit le système, ce qui en fait une piste prometteuse.
Ces résultats ouvrent la voie à de nouveaux systèmes d’apprentissage automatique (formes d’intelligence artificielle) reposant directement sur les lois de la physique quantique. À terme, ce type de technologie pourrait permettre de résoudre plus efficacement certains problèmes complexes.
Pour en savoir plus (ressources en langue anglaise) :
Lien vers la publication dans Nature Photonics.
Paparelle, I., Henaff, J., García-Beni, J. et al. Experimental memory control in continuous-variable optical quantum reservoir computing. Nat. Photon. (2026). https://doi.org/10.1038/s41566-026-01880-9