Mythos 5 et Google viennent de bouleverser l’informatique quantique (percées majeures)

9.4/10

IAAI Revolution18 octobre 2026 à 01:0014:16

Lecteur audio

INTRO

Anthropic a indiqué que Claude Mythos 5 avait découvert des conceptions de circuits quantiques surpassant les références humaines publiées sur sept des huit tâches de benchmark, tandis que Google Quantum AI a séparément annoncé une avancée pratique dans la réduction des taux d’erreur quantiques pour les magic states.

POINTS CLÉS

La recherche automatisée a dépassé les références publiées

Dans un article publié le 15 octobre, des chercheurs du programme STEM Fellows d’Anthropic ont expliqué que Claude Mythos 5 avait reçu des descriptions en langage courant de huit primitives de circuits quantiques et devait générer des circuits candidats en Python. Un évaluateur logiciel distinct, et non un autre modèle, a vérifié la correction et noté chaque conception selon le nombre de qubits multiplié par le nombre de portes, un indicateur du temps d’exécution et du coût en ressources. Anthropic affirme que le système a amélioré les meilleures conceptions publiées dans sept cas et produit une nouvelle formulation dans le huitième.

Pourquoi les circuits quantiques se prêtent à cette approche

La conception de circuits quantiques se prête particulièrement bien à une recherche guidée par machine, car la correction peut être vérifiée de façon peu coûteuse et automatique. Les circuits doivent aussi respecter des contraintes très différentes de celles du logiciel classique: ils ne peuvent pas s’appuyer sur des branchements ordinaires, et les données intermédiaires ne peuvent pas simplement être supprimées, car les opérations doivent rester réversibles. Cela crée des compromis difficiles entre qubits et portes, ce qui rend le domaine bien adapté à des boucles itératives de proposition, évaluation et révision.

Un résultat majeur sur l’inversion modulaire

Le principal résultat portait sur l’inversion modulaire dans un corps premier, une étape coûteuse de la cryptographie sur courbes elliptiques. Les implémentations classiques utilisent des divsteps, mais ces procédures semblaient peu praticables sur des machines quantiques, car elles génèrent un historique de branchement qu’il faudrait normalement stocker. Anthropic affirme que le modèle a plutôt dérivé une méthode pour reconstruire cet historique à partir des résultats finaux, prouvé de nouvelles identités algébriques et vérifié formellement la règle de décodage dans Lean. L’une des conceptions obtenues utilisait 12 % de qubits en plus mais 17 fois moins de portes que le plus petit circuit antérieur.

Addition de points et vérification formelle

Pour l’addition de points sur courbe elliptique, Anthropic affirme qu’une seule exécution de 53 heures a produit une nouvelle conception à partir d’une brève instruction initiale et de quelques orientations ponctuelles. Le système aurait prouvé les identités algébriques pertinentes, les aurait testées via de vastes simulations numériques et formalisé les résultats dans Lean. Cette combinaison de recherche, de preuve et de vérification fait de ce résultat plus qu’une simple optimisation heuristique.

La refonte d’un décodeur a réduit un coût dominant

Un autre résultat marquant concernait le décodage en interférométrie quantique, une méthode d’optimisation dont l’étape la plus coûteuse est un décodeur Reed-Solomon. Au lieu d’étendre l’algorithme d’Euclide étendu, riche en branchements, le modèle est passé à un décodage Berlekamp-Massey, qui exécute la même opération à chaque tour et correspond mieux aux contraintes quantiques. Anthropic indique que la nouvelle conception a utilisé un simulateur pour étudier 43 millions d’exemples de décodage et conclu que réserver seulement 19 qubits aux rares cas atypiques suffisait, produisant un circuit avec 12 fois moins de portes que la construction antérieure de Google.

Les limites matérielles donnent du poids à ces gains

Les ordinateurs quantiques restent très sujets aux erreurs, les machines actuelles n’offrant que quelques centaines à quelques milliers de qubits et subissant des perturbations dues à la chaleur, aux vibrations et au rayonnement. Comme les calculs longs accumulent les erreurs, réduire le nombre de portes et les besoins mémoire est crucial pour toute avancée vers des applications utiles en chimie, matériaux, cryptographie et optimisation. Les résultats d’Anthropic importent surtout parce qu’ils visent directement ces goulets d’étranglement.

Prudence sur les affirmations les plus fortes

Les gains annoncés n’ont pas encore été reproduits de manière indépendante. Le propre texte d’Anthropic soulignait que les réductions spectaculaires, sur plusieurs années, du coût estimé de simulation de FeMoco, le cofacteur fer-molybdène central de la nitrogénase, résultaient des travaux de nombreux groupes de recherche sur plusieurs années, et non d’une seule exécution de modèle. Certains résumés en ligne ont aussi exagéré le résultat en affirmant que les huit tâches étaient des victoires, alors que l’article décrit sept meilleurs scores plus une nouvelle formulation.

La méthode compte peut-être plus qu’un circuit particulier

Anthropic a aussi décrit un mode d’échec: au départ, le modèle recherchait de manière trop conservatrice et tendait à rester proche des approches établies. La correction a été structurelle plutôt que liée au prompt: plusieurs trajectoires de recherche qualitativement différentes ont été exécutées en parallèle, avec quelques incitations occasionnelles à explorer. Cette architecture, combinant un proposeur, un vérificateur indépendant et un objectif numérique, ressemble à des systèmes d’IA agentique plus larges pilotés par des suites de tests plutôt que par la seule fluidité du texte.

Google a annoncé une avancée quantique distincte

Le même jour, Emma Rosenfeld et Craig Gidney, de Google Quantum AI, ont rapporté dans Science que la culture de magic states fonctionnait en pratique sur le processeur Willow. Les magic states sont essentielles au calcul quantique universel tolérant aux fautes, mais sont notoirement coûteuses, certaines estimations suggérant qu’elles pourraient consommer jusqu’à 95 % de la capacité d’une machine. Google a indiqué que la méthode réduisait les erreurs d’environ 40 fois et atteignait une fidélité logique record de 99,99 % pour les états T, tout en transférant avec succès des états purifiés d’un color code de distance 3 vers un surface code de distance 5.

CONCLUSION

Les deux résultats s’attaquent à des goulets d’étranglement différents du calcul quantique: l’un utilise l’IA pour réduire le coût algorithmique en ressources, tandis que l’autre améliore la qualité des états tolérants aux fautes nécessaires à ces algorithmes. Si ces deux axes résistent à la réplication et au passage à l’échelle, ils pourraient raccourcir de façon tangible le délai vers des machines quantiques pratiques.

Poser une question

Sur le même sujet : IA