Des chercheurs de Multiverse Computing viennent de franchir une étape inédite : améliorer les performances d’un grand modèle de langage en le faisant partiellement tourner sur un ordinateur quantique. Résultat concret — une réduction de 1,4 % de la perplexité et des réponses correctes là où le modèle classique échouait. C’est la première démonstration d’amélioration quantique sur un LLM déployé à l’échelle industrielle.

Ce que vous allez apprendre

Le problème que personne ne sait encore résoudre à l’échelle

Les grands modèles de langage — Claude, ChatGPT et leurs concurrents — sont des machines à prédire. Pour chaque mot généré, ils calculent la probabilité des mots suivants à partir de milliards de paramètres. Plus ces paramètres sont nombreux et précis, meilleures sont les prédictions.

On mesure cette qualité par un indicateur appelé perplexité — ou PPL. Un PPL faible signifie que le modèle prédit bien. Un PPL élevé signifie qu’il tâtonne, produit des erreurs, hallucine.

Réduire la perplexité, c’est améliorer l’IA. Et les méthodes classiques pour y parvenir — ajouter des paramètres, élargir les données d’entraînement, agrandir les infrastructures — butent toutes sur la même limite : elles coûtent des ressources computationnelles colossales.

GPT-5.5 compterait entre 2 et 5 billions de paramètres. Chaque paramètre occupe de la mémoire. À un moment, l’échelle devient son propre obstacle.

L’astuce quantique : des matrices minuscules, un ordinateur de 156 qubits

L’équipe de Multiverse Computing a cherché une voie différente.

Leur approche repose sur des structures mathématiques appelées paramètres de Cayley — des matrices entraînées de façon classique, puis insérées dans une couche spécifique d’un modèle existant. Le modèle original reste intact, ses paramètres figés. Seule cette fine couche supplémentaire est ajoutée.

Ce système hybride est ensuite exécuté sur l’ordinateur quantique supraconducteur IBM Quantum System Two — 156 qubits — lors de la phase d’inférence, c’est-à-dire au moment où le modèle génère ses réponses.

Le résultat : une réduction de 1,4 % de la perplexité. Et des réponses correctes sur des questions où le modèle de base échouait.

Pourquoi 1,4 % est une révolution de principe

La réduction de perplexité obtenue est modeste en valeur absolue. Les chercheurs eux-mêmes le disent clairement.

Mais ce n’est pas le chiffre qui compte — c’est son existence.

« L’importance ne réside pas dans l’ampleur des améliorations — qui augmenteront avec la fidélité du matériel et le nombre de qubits — mais dans le fait même qu’elles existent« , écrivent les auteurs de l’étude.

C’est la première fois qu’une amélioration quantique de bout en bout est démontrée sur un grand modèle de langage réellement déployé à l’échelle industrielle. Pas une simulation, pas un modèle jouet — un LLM sur du matériel quantique supraconducteur réel.

Le principe est prouvé. La mise à l’échelle, elle, est une question de temps et de qubits.

Le bruit quantique, l’obstacle central

La principale difficulté de l’informatique quantique n’est pas la puissance de calcul — c’est le bruit. Les interactions avec des qubits voisins, les perturbations du champ magnétique, les ondes Wi-Fi, les rayons cosmiques — tout peut provoquer des erreurs dans les calculs quantiques.

C’est précisément pourquoi les paramètres de Cayley ont été choisis : ils sont petits. Plus un circuit quantique est compact, moins il génère de bruit, moins il accumule d’erreurs.

L’atténuation de ce bruit constituait le principal défi de l’équipe. La prochaine étape sera d’encoder directement l’ensemble du circuit quantique — pas seulement ces adaptateurs — ce qui devrait produire des améliorations beaucoup plus significatives à mesure que la technologie quantique progresse.

Rédigé par Brice L.

Brice est un journaliste passionné de sciences. Il collabore avec Sciencepost depuis plus d'une décennie, partageant avec vous les nouvelles découvertes et les dossiers les plus intéressants.