● Le ML quantique est prometteur pour la cybersécurité et la détection de menaces (comme les malwares) et permet un entraînement plus rapide et moins coûteux, car il peut utiliser des jeux de données plus restreints.
● La cybersécurité, à l’avenir, pourrait hybrider le meilleur du ML classique et du ML quantique, explique Grégoire Barrué, chercheur en IA et IA quantique appliquée à la cybersécurité chez Orange.
Quelle est la différence fondamentale entre le Machine Learning (ML) traditionnel et le Machine Learning quantique ?
Le machine learning quantique et le ML traditionnel partagent les mêmes grands principes de base, à savoir l’utilisation d’un modèle avec des paramètres que l’on cherche à entraîner de manière optimale pour obtenir des prédictions sur de nouvelles données. La différence fondamentale réside dans l’infrastructure et le processus. Dans le ML quantique, les données sont encodées dans des états quantiques, ce qui représente la porte d’entrée de l’ordinateur quantique. Par ailleurs, un modèle quantique est conçu pour tourner spécifiquement sur un ordinateur quantique. C’est une manière complètement différente de développer et de coder.
Le machine learning quantique est capable de réimplémenter l’information de la donnée tout au long du processus d’apprentissage, sans écraser ce qui a été fait précédemment
Le machine learning quantique est-il plus performant ou plus efficace que son homologue classique ?
La recherche est encore en progrès sur le ML quantique et nous travaillons encore pour déterminer ses véritables cas d’usage pertinents. Il représente différents avantages potentiels comme la possibilité d’entraîner un modèle avec moins de données : il est capable de réimplémenter (ou d’infuser) l’information de la donnée tout au long du processus d’apprentissage (entre chaque couche de neurones quantiques), sans écraser ce qui a été fait précédemment. En d’autres termes, il y a moins d’informations perdues dans un modèle quantique. Par conséquent, le machine learning quantique est utile pour les scénarios où les données sont rares ou lorsque la donnée évolue très rapidement.
Qu’en est-il de son efficacité énergétique et de ses limites ?
Contrairement à l’IA générative classique qui consomme énormément d’énergie, la plupart des ordinateurs quantiques – comme ceux basés sur la technologie photonique – consomment beaucoup moins d’énergie. Certains ordinateurs quantiques comme ceux de Quandela se branchent sur une prise secteur et consomment seulement 5kW !
Néanmoins le développement des algorithmes quantiques est complexe en raison des mathématiques et de la physique impliquées. Par exemple, la descente de gradient, une méthode classique pour l’entraînement des réseaux de neurones, est difficile à implémenter en quantique. Il faut repenser les algorithmes et leur développement nécessite une formation spécifique en quantique.
Vous travaillez spécifiquement sur des cas d’usage en cybersécurité. Quel rôle le Machine Learning quantique peut-il jouer, notamment face à des menaces comme les malwares ?
Dans un contexte où les modèles classiques deviennent moins robustes, le ML quantique représente différents avantages. Il faut rappeler par exemple que les malwares se multiplient très rapidement et, avec l’arrivée de l’IA générative, ils sont plus faciles à créer. Ils deviennent de plus en plus difficiles à détecter.
Pour détecter ces menaces, les modèles classiques nécessitent un entraînement de plus en plus régulier et coûteux. Or le ML quantique permet ici d’utiliser des jeux de données plus restreints et des algorithmes plus légers et expressifs. C’est ce qui peut permettre d’obtenir des performances comparables ou meilleures avec un algorithme quantique plus compact, tout en réduisant le temps et le coût d’entraînement.
L’avenir de l’IA et de la cybersécurité sera-t-il 100% quantique ?
Il est encore trop tôt pour affirmer que l’avenir sera 100% quantique. Les pistes actuelles penchent plutôt vers le développement d’algorithmes hybrides qui tirent profit à la fois du classique et du quantique. L’intérêt de l’utilisation du processeur quantique (QPU) est similaire à l’arrivée des GPU : il y a des usages où c’est utile, et d’autres où le classique est déjà suffisant.
Qu’en est-il de la position de la France en la matière ?
La France n’est ni en avance, ni en retard sur le quantique. Il y a une dynamique qui est présente afin d’éviter de reproduire le retard pris sur l’IA. De nombreuses entreprises (constructeurs, fournisseurs de services clouds comme OVH) et des universités développent activement des formations et des expertises. J’observe que de plus en plus d’entreprises se lancent et développent leurs expertises en interne. Des événements comme la conférence QUEST-IS confirment un virage quantique en France et en Europe. Cependant, l’expertise reste encore concentrée dans des petits groupes au sein des entreprises.
En savoir plus :
Why Should We Bother with Quantum Computing in ML? (en anglais)
Grégoire Barrué
