L'optimisation quantique est une application pratique directe de l'informatique quantique. De plus, les acteurs peuvent déjà l'utiliser, même avec les ordinateurs quantiques naissants et imparfaits actuellement disponibles. Le site Volkswagen Groupe, Daimler, Ericsson, TotalAirbus (y compris avec le Défi de l'informatique quantique d'Airbus - AQCC)), Boeing, EDFsont des exemples d'entreprises dont les projets de recherche en cours portent sur l'optimisation quantique. Les jeunes entreprises de logiciels quantiques telles que QCWare et Zapata Computinget de grandes entreprises informatiques telles que Google mettent également en avant l'optimisation quantique comme une catégorie pour leurs cas d'utilisation.
- Cinquième année de formation avancée sur les systèmes d'alerte précoce et les indicateurs - ESFSI de Tunisie
- Vers une renaissance nucléaire américaine ?
- AI at War (3) - L'hyper-guerre au Moyen-Orient
- L'IA en guerre (2) - Se préparer à la guerre entre les États-Unis et la Chine ?
- Niger : une nouvelle menace grave pour l'avenir de l'énergie nucléaire française ?
- Revisiter la sécurité de l'approvisionnement en uranium (1)
- Le futur de la demande d'uranium - La montée en puissance de la Chine
- L'uranium et le renouveau de l'énergie nucléaire
Par ailleurs, en février 2019, l'Agence américaine des projets de recherche avancée de la Défense (DARPA) a créé tout un programme axé sur l'optimisation quantique : Optimisation avec les dispositifs quantiques bruyants à échelle intermédiaire (ONISQ). Parallèlement, la Dubai Electricity and Water Authority (DEWA) cherche également à utiliser l'informatique quantique pour l'optimisation et la gestion de l'énergie "et autres" (DEWA Nouvellesjuillet 2018).
En ce qui concerne l'optimisation quantique, le futur monde quantique est donc déjà presque là. Ses impacts peuvent avoir lieu demain, mais c'est maintenant que l'avenir est créé.
Et là, nous sommes confrontés à un premier obstacle. Pour susciter l'intérêt et l'action dans le domaine quantique, les acteurs doivent d'abord pouvoir imaginer le bénéfice de leur investissement. Ils doivent donc d'abord être en mesure de prévoir le monde quantique. Or, cela est particulièrement difficile (voir Hélène Lavoix, Prévoir le futur monde de l'intelligence artificielle quantique et sa géopolitique, L'analyse rouge (équipe)28 octobre 2019). Par conséquent, comme il est difficile de comprendre la science de l'information quantique, pratiquement personne en dehors des scientifiques et des ingénieurs quantiques ne considère les utilisations actuelles et futures, ainsi que les impacts des technologies quantiques. Cette méconnaissance - à l'exception de la cryptographie - se manifeste même dans des domaines aussi cruciaux que la sécurité, la défense, la politique et la géopolitique.
L'intérêt et les discussions sur le QIS restent l'apanage d'un cercle extrêmement restreint de scientifiques et d'ingénieurs. Pourtant, ceux qui doivent considérer les impacts des technologies quantiques, prendre des décisions sur l'utilisation et le financement, envisager des réponses et des stratégies qui doivent inclure les technologies quantiques, ne sont, la plupart du temps, ni des scientifiques ni des ingénieurs quantiques.
Cette série sur la prospective stratégique et les technologies quantiques cherche donc d'abord à stimuler l'imagination autour du futur monde quantique émergent. Elle vise à le faire d'une manière qui soit compréhensible pour les personnes qui ne sont ni des scientifiques ni des ingénieurs quantiques. Par conséquent, elle cherche également à contribuer à combler le fossé entre diverses communautés, ayant des antécédents, des connaissances et des intérêts différents.
Cet article commence à imaginer pratiquement le futur monde quantique. Il se concentre sur une première façon dont l'informatique quantique est susceptible d'avoir un impact sur l'avenir, à savoir par l'optimisation quantique.
Nous expliquons d'abord ce que sont les algorithmes, les algorithmes quantiques et les algorithmes d'optimisation quantique, en visant une "compréhension suffisamment bonne".
Ensuite, nous utilisons un cas concret - un projet de recherche impliquant l'optimisation quantique que le groupe Volkswagen a lancé avec D-Wave en 2017 - pour améliorer notre compréhension de l'application de l'optimisation quantique. Nous fournissons donc à notre imagination des éléments concrets qui serviront de base à la prospective.
Enfin, nous imaginons comment les gouvernements utiliseront l'optimisation quantique à l'avenir, et même, en fait, pourraient déjà commencer à les utiliser, dans le présent. De la résolution du problème de "l'IA et l'avenir du travail" à une éventuelle gestion des ressources optimisée par l'approche quantique, nous donnons des exemples de la façon dont l'optimisation quantique pourrait révolutionner le gouvernement. Nous nous tournons ensuite vers les applications possibles pour la défense, les armées et la sécurité. Enfin, nous examinons ce que cela pourrait impliquer en termes d'influence internationale et de distribution mondiale du pouvoir.
Une compréhension suffisante des algorithmes d'optimisation quantique
Cette partie s'adresse aux lecteurs qui ne sont ni des scientifiques quantiques ni des ingénieurs. Elle s'adresse donc à tous ceux qui prendront de plus en plus de décisions concernant l'informatique et les sciences de l'information quantiques, qui utiliseront ces technologies et qui interagiront dans un monde où les technologies quantiques fonctionnent. Les lecteurs intéressés trouveront dans la bibliographie quelques références pour des approches techniquement ciblées (et avancées).
Algorithmes et algorithmes quantiques
Dans la vidéo suivante, David Gosset, chercheur en informatique quantique chez IBM, nous donne des explications claires sur un algorithme et un algorithme quantique. Il souligne pourquoi ils sont différents.
Algorithmes d'optimisation quantique
Les algorithmes d'optimisation sont des algorithmes qui visent à trouver la meilleure solution à un problème parmi un ensemble de solutions, compte tenu de certaines contraintes.
Lorsque le problème implique de nombreuses variables, il devient impossible d'exécuter des algorithmes d'optimisation sur des ordinateurs classiques, même des superordinateurs, car il faut une puissance de calcul trop importante. Les ordinateurs quantiques deviennent alors la machine informatique de choix. Ils sont plus rapides et utilisent moins de ressources (Ehsan Zahedinejad, Arman Zaribafiyan, "Combinatorial Optimization on Gate Model Quantum Computers : A Survey", 16 août 2017, arXiv:1708.05294).
Actuellement, deux grands types d'ordinateurs quantiques sont disponibles. Nous pouvons utiliser des ordinateurs adiabatiques, tels que ceux développés par D-Wave, ou des ordinateurs quantiques basés sur des portes (pour une explication détaillée des types d'informatique quantique, par exemple, les Académies nationales des sciences, de l'ingénierie et de la médecine, L'informatique quantique : Progrès et perspectiveschapitre 2, 2019).
La plupart des efforts actuels en matière d'informatique quantique sont basés sur des portes. Nous avons, par exemple, IBM et son offre de nuage quantique, IBM-Qavec un microprocesseur de 53 qubits maximum et Google et son microprocesseur de 54 qubits, Sycamore (Le nouvel ordinateur quantique d'IBM de 53 bits est la machine la plus puissante que vous puissiez utiliser, Revue technologique du MIT18 septembre 2019 ; Elizabeth Gibney, "Bonjour le monde quantique ! Google publie une déclaration de suprématie quantique qui fait date“, Nature,23 octobre 2019).
Les machines D-Wave et IBM sont actuellement disponibles pour un usage commercial ; la machine de Google ne l'est pas. Les ordinateurs de D-Wave, car si l'approche choisie, sont particulièrement bien adaptés à l'optimisation quantique (voir Explication de la vague D). Pour les algorithmes d'optimisation, D-Wave offre actuellement une puissance de calcul plus élevée.
Compte tenu du faible nombre de qubits disponibles jusqu'à présent et du niveau de bruit élevé (pour les ordinateurs à porte), l'algorithme d'approximation d'optimisation quantique (QAOA) est l'approche actuellement privilégiée. Edward Farhi, Jeffrey Goldstone, Sam Gutmann l'ont développé ("A Quantum Approximate Optimization Algorithm", 14 novembre 2014, arXiv:1411.4028). L'objectif de l'algorithme est de trouver une solution approximative ou "suffisamment bonne" pour le problème d'optimisation et non la meilleure solution (Ibid.). Il s'agit donc d'un compromis. Il permet d'utiliser la nouvelle puissance de l'informatique quantique même si le nombre de qubits est encore faible et que le taux d'erreurs ou de bruit que cette petite quantité de qubits produit est encore élevé. Les résultats obtenus sont néanmoins meilleurs que ce qui pourrait être fait avec l'informatique classique.
Déballage de Volkswagen et optimisation quantique du flux de trafic de la vague D
Le groupe Volkswagen (VW) a commencé dès 2017 à projet de recherche pour l'optimisation des flux de trafic avec D-Wave. Les informaticiens de Volkswagen ont cherché à trouver un moyen d'éviter les embouteillages dans les mégapoles, comme Pékin. Ils ont utilisé les données sur le trafic des taxis pour optimiser leur itinéraire et leurs déplacements. Ils ont cherché à pouvoir appliquer ces découvertes dans des algorithmes d'optimisation quantique à d'autres cas.
Un an plus tard, le groupe VW a poursuivi le développement du projet avec D-Wave, tout en en lançant de nouveaux. Martin Hofmann, Directeur de l'information de VW, explique leurs projets de recherche dans la vidéo ci-dessous :
Le groupe VW et D-Wave travaillent à
- Optimiser les voies de circulation pour une flotte de taxis (projet initial).
- Trouvez la vitesse idéale à la milliseconde près qu'une voiture à conduite autonome devrait utiliser ; envoyez en temps réel le signal permettant à la voiture d'utiliser cette vitesse. L'objectif est d'éviter tous les arrêts et ralentissements. En attendant, comptez sur les arrêts aux feux de circulation.
- Optimiser le moment et l'endroit où les taxis sont nécessaires. Ici, on utilise à la fois l'optimisation quantique et l'apprentissage approfondi. Ce dernier cherche à prévoir la demande de taxis en fonction du temps et du lieu. Le prototype final parvient à envoyer des prévisions aux chauffeurs de taxi jusqu'à une heure à l'avance, ce qui réduit également les temps improductifs et les coûts connexes.
- Optimiser les itinéraires et les types de véhicules dans une ville, dans des circonstances d'embouteillage.
- L'objectif final serait de construire pour une ville un "système de mobilité augmentée" à intelligence quantique artificielle, constitué de divers algorithmes de prévision et d'optimisation en interaction permanente avec des objets, et contrôlé.
Premièrement, cette étude de cas nous montre que l'optimisation peut également devoir être associée aux derniers progrès de l'intelligence artificielle (IA), c'est-à-dire l'apprentissage profond. Cela confirme ce que nous attendions lorsque nous avons commencé notre plongée profonde dans le futur monde quantique (par exemple Les bouleversements à venir de l'informatique quantique, de l'intelligence artificielle et de la géopolitique - 1, 2018). En effet, le rapport de consensus de 2019 L'informatique quantique : Progrès et perspectives des Académies nationales des sciences, de l'ingénierie et de la médecine des États-Unis sont également liées en termes d'applications potentielles (voir p. 86). Le couplage de l'optimisation quantique et de l'apprentissage approfondi facilite l'imagination des applications.
Deuxièmement, la "criticité temporelle" semble être une question idéale pour l'optimisation quantique (Tobias Strobl "Résoudre les problèmes du monde réel avec l'informatique quantique", BMI, nd). En d'autres termes, l'optimisation quantique est particulièrement intéressante lorsqu'un problème implique des "composantes temporelles".
Enfin, les acteurs de la recherche sur les applications de l'optimisation quantique changent. Ce point sera très probablement aussi vrai pour tous les types d'utilisation de l'informatique quantique. Ici, nous voyons le groupe VW non seulement développer de nouvelles possibilités pour son noyau traditionnel de production industrielle. Volkswagen voit également de nouvelles activités possibles émerger (Strobl fait une remarque similaire en ce qui concerne les nouveaux modèles commerciaux, ibid).
Les acteurs verront ainsi leur expertise s'accroître avec la recherche et au fur et à mesure qu'ils se construiront sur les réalisations. Parallèlement, ils verront également s'ouvrir des domaines entièrement nouveaux, dans lesquels ils pourront entrer grâce à la nouvelle expertise développée. En conséquence, leur activité peut évoluer, même de manière substantielle.
Nous assistons ainsi à la double émergence d'usages et de champs totalement nouveaux, et d'acteurs changeants.
Imaginer un monde avec l'optimisation quantique
En gardant à l'esprit l'étude de cas du groupe VW et de D-Wave d'une part, les problèmes et les questions majeures pour les autorités politiques d'autre part, nous pouvons maintenant imaginer des moyens d'appliquer l'optimisation quantique au gouvernement.
Nous faisons ici un saut de confiance dans les capacités et la créativité des chercheurs en algorithmes quantiques et dans la capacité des acteurs à créer des équipes multidisciplinaires les incluant.
Vers une planification intelligente de la politique 3.0 ?
Résoudre le problème de l'IA et de l'avenir du travail
L'impact de l'intelligence artificielle sur le travail est une préoccupation actuelle et majeure qui tient beaucoup de gens éveillés la nuit. En effet, au-delà de la peur excessive et des rassurances mal placées,
"...il y a un consensus dans la littérature académique sur le fait que l'IA aura un effet perturbateur considérable sur le travail, certains emplois étant perdus, d'autres créés et d'autres encore modifiés".
Rapport de consensus, The British Academy for the Humanities and Social Sciences and The Royal Society, "L'impact de l'intelligence artificielle sur le travail: Une synthèse des données probantes sur les implications pour les individus, les communautés et les sociétés", septembre 2018.
Alors que de grandes parties du monde souffrent déjà d'un chômage de longue durée et que la pauvreté des travailleurs et les inégalités sont globalement en augmentation, une pression accrue sur le travail et la subsistance pourrait déclencher des sentiments croissants d'injustice et d'indignation, avec, à leur tour, toute une série d'impacts négatifs (ibid. pp.34-37 ; FMI Perspectives de l'économie mondiale, octobre 2019, chapitre 2Richard Partington, "L'inégalité : est-elle en train de s'aggraver et pouvons-nous l'inverser ?“, The Guardian9 septembre 2019 ; Durukal Gun et al.L'éléphant dans la salle“, Barclays2 juin 2017 ; Barrington Moore, Injustice). Ces effets négatifs pourraient alors faire boule de neige, converger et s'intensifier, jusqu'à la guerre civile et au conflit international.
Cependant, l'IA est également considérée comme bénéfique. En outre, compte tenu de ses facteurs de motivation, l'IA continuera presque certainement à se développer et à se propager (voir ★ Intelligence artificielle - Forces, moteurs et enjeux et articles spécifiques sur chaque conducteur). La question clé, compte tenu de l'impact possible sur le travail, devient donc : comment gérer la perturbation ?
Si nous utilisons le rapport de consensus de la British Academy, nous constatons que la pression future sur le travail résulte non seulement de l'IA mais aussi d'autres facteurs. En outre, l'un des défis consiste à gérer un "décalage entre l'adoption de la technologie et l'apparition de ses avantages" (pp. 28-31).
Nous sommes donc en fait confrontés à un problème d'optimisation, comprenant de nombreux facteurs, aggravé par la "prédiction" et incluant des éléments critiques pour le temps.
Ainsi, on peut imaginer que l'optimisation quantique et l'apprentissage approfondi contribueront grandement - pour rester prudent - à résoudre la transition vers un monde où divers types d'IA étroites accompliront de plus en plus de tâches (voir, pour plus de détails, notre série sur l'IA).
Compte tenu de la grande quantité de données détaillées sur les citoyens dont disposent les autorités politiques, celles-ci pourraient être mises à profit pour optimiser les capacités, la formation et l'éducation, ainsi que l'évolution future des besoins professionnels. Pour atténuer les craintes concernant le choix et la liberté - mais honnêtement, quelle liberté existe en cas de chômage et de vie en dessous du seuil de pauvreté - la nécessité d'offrir des choix (réels) aux citoyens peut être intégrée dès le départ dans la conception du nouveau plan d'atténuation des perturbations de l'emploi conçu par l'IE quantique. Tout au long de leur vie, la nouvelle plateforme de planification présentera aux citoyens une série de choix en matière de formation et de nouveaux emplois possibles garantis. Les possibilités de formation quantique tiendront compte des spécificités innées et acquises des citoyens, ainsi que de leurs goûts. Elles les prépareront, à l'avance, à des emplois qui, pour certains, n'existent pas encore.
Nous serons ainsi en mesure d'optimiser de manière dynamique et sur le long terme les compétences, les goûts et la socialisation historiquement construits des citoyens, l'éducation et la formation, la production de travailleurs AI, ainsi que les marchés de l'emploi et le besoin de talents.
Optimisation quantique et algorithmes d'IA pour le gouvernement
D'autres types d'optimisation quantique et d'algorithmes d'IA peuvent être créés avec, comme objectif, de mieux gérer le problème des ressources. Cette question est susceptible de devenir de plus en plus cruciale et difficile à résoudre compte tenu des décennies de développement non durable et de changement climatique. Un premier exemple d'un tel cas, au niveau d'une ville, est le partenariat stratégique entre la Dubai Electricity and Water Authority et Microsoft pour l'optimisation énergétique (Communiqué de presseMicrosoft, 28 juin 2018).
Les situations d'urgence, avec évacuation de grands flux de personnes, sont également des candidats à l'utilisation de l'optimisation quantique. Elles sont une application directe des recherches du groupe VW et de D-Wave (Strobl, Ibid.). Cette application est encore plus intéressante dans le cas des tremblements de terre. En effet, nous ne savons toujours pas comment prévoir les tremblements de terre, donc l'évacuation sous la contrainte est cruciale. La prévision sismologique, peut également progresser, grâce à la simulation quantique, la détection quantique et la métrologie (par exemple, l'événement de l'Université de Waterloo, "Les applications potentielles de l'informatique quantique dans la géophysique d'exploration", février 2019 ; Vladimir Kouznetsov, "Perturbations des champs géophysiques et mécanique quantique“, 2017).
Les politiques industrielles et commerciales, les infrastructures, les services publics peuvent également bénéficier de l'utilisation de ces algorithmes d'optimisation quantique.
En fait, cela nous rappelle beaucoup la planification centrale au niveau des États, telle qu'elle s'est développée notamment depuis la Première Guerre mondiale (par exemple, Michael DiNoto, "Économies planifiées centralement : ..."1994 ; Andrew Gilg, La planification en Grande-Bretagne : Comprendre et évaluer le système de l'après-guerre, 2005). Toutefois, cette nouvelle planification serait réalisée avec des moyens insoupçonnés jusqu'alors.
Vers un nouveau type de gouvernement ?
Par rapport à l'ancienne planification centrale, on peut s'interroger sur le type d'unité idéal pour la nouvelle "planification quantique". Pourrions-nous, par exemple, devoir envisager différentes échelles en fonction des différents types d'optimisation quantique et d'algorithmes d'IA ? En d'autres termes, certains problèmes d'optimisation quantique pourraient être mieux résolus au niveau de la ville, d'autres au niveau de l'État, d'autres encore au niveau de la région, d'autres encore au niveau de "zones spécifiques", etc.
En attendant, de nouveaux types de personnel et d'unités devront être inclus dans les ministères et agences des États, ainsi qu'à d'autres niveaux de gouvernement (villes, régions, etc.). Ceux-ci devront inclure des équipes multidisciplinaires permettant la création des nouveaux algorithmes d'optimisation quantique et d'IA. Toutes les compétences nécessaires devront être incluses, et pas seulement celles des chercheurs en algorithmes quantiques. En effet, l'objectif sera d'éviter une dangereuse "sur-technicisation" et de ne pas perdre la compréhension et l'expertise accumulées. Au contraire, nous devons créer des équipes qui bénéficient de milliers d'années de connaissances accumulées dans toutes les disciplines.
Au fur et à mesure que la recherche progresse pour mettre au point les meilleurs algorithmes d'optimisation quantique et d'IA possibles, de nouvelles connaissances et compétences, parfois complètement inattendues, se développeront, parallèlement à de nouvelles façons de gouverner. Comme nous l'avons vu dans le cas du groupe VW, le ou les différents acteurs impliqués vont donc changer. Nous verrons progressivement émerger une nouvelle forme d'autorités politiques, comme le prévoit la transition paradigmatique en cours.
Défense, armées et pouvoir
La défense et les armées sont des clients de choix pour l'utilisation de l'optimisation quantique et des algorithmes d'IA. La DARPA (ibid.) a déjà indiqué que "la planification, l'acheminement et la gestion de la chaîne d'approvisionnement dans des endroits austères qui ne disposent pas de l'infrastructure dont dépendent les entreprises de logistique commerciale" bénéficiaient probablement de l'optimisation quantique.
Optimisation quantique pour les environnements extrêmes
Nous pourrions très probablement aller plus loin, tout d'abord, avec une optimisation qui se ferait non seulement dans des "lieux austères", mais aussi dans des environnements extrêmes.
Par environnements extrêmes, nous entendons : le froid (Arctique et Antarctique), le chaud (opérations sous des vagues de chaleur intense par exemple), haute meret souterrain (voir notre série sur Sécurité des environnements extrêmes).
La future puissance de calcul quantique et les algorithmes d'optimisation pourraient traiter les variables et facteurs supplémentaires liés aux caractéristiques extrêmes de ces environnements. En outre, ils pourraient également tenir compte de leurs changements en fonction du changement climatique et des événements météorologiques extrêmes.
Vers le champ de bataille de l'IA quantique
Deuxièmement, on pourrait aussi imaginer d'aller plus loin que l'optimisation de la logistique actuelle, ainsi que du déploiement.
Mules quantiques
Par exemple, l'optimisation quantique et les algorithmes d'IA pourraient gérer le couplage de véhicules autonomes avancés (par exemple des drones) avec des soldats pour livrer en temps réel les nouvelles munitions nécessaires, ou d'autres armes mieux adaptées à l'ennemi ou au terrain ou à un changement d'action.
Ce serait une variation et une amélioration quantique, même sur les mules militaires les plus avancées (par exemple Matthew Cox, "Des mules robotisées pourraient se déployer avec des conseillers de l'armée en Afghanistan“, Militaire.com18 juillet 2019).
Une cyberdéfense... et une attaque optimisées
En attendant, toujours grâce à l'optimisation, des cyber-attaques pourraient être menées pour désarmer l'ennemi, ouvrir telle ou telle défense, interdire le renforcement, etc. Il faut ici tenir compte de toutes les nouvelles capacités technologiques dont dispose l'ennemi (voir Intelligence artificielle, puissance de calcul et géopolitique - 2).
Le besoin de nouveaux concepts et d'une nouvelle doctrine
Il va sans dire que le fait de pouvoir bénéficier d'ordinateurs quantiques utilisables et d'algorithmes appropriés fera pleinement partie du nouvel armement et des capacités de l'armée du futur. De nouveaux concepts, doctrines et formations seraient probablement nécessaires pour créer les soldats et les armées les mieux à même de tirer profit des nouvelles possibilités créées par les algorithmes de l'IA quantique.
Le bouleversement géopolitique quantique - Les dés ne sont pas jetés !
Si nous continuons à être optimistes et à imaginer que tous ces algorithmes quantiques et d'IA tiennent leurs promesses, alors les pays qui pourront les créer, les déployer, puis utiliser non seulement chaque système d'algorithmes mais aussi tous les systèmes ensemble, seront d'abord beaucoup plus forts. En effet, leurs autorités politiques assureront alors pleinement la sécurité des gouvernés. Ils seront ainsi renforcés dans leur légitimité.
En attendant, les pays bénéficiant d'un gouvernement adapté aux quanta seront également plus riches, tandis que les ressources de l'État, notamment grâce à un écosystème industrie-science optimisé et à des taxes, augmenteront.
Dans l'ensemble, le recours à une optimisation quantique réussie pour le gouvernement permettra de renouveler et de renforcer le contrat social. Ce n'est pas seulement que les autorités politiques réussiront à adapter le contrat social au nouveau paradigme. Elles réussiront également à mettre le nouveau paradigme au service du contrat social.
De la même manière, un tel pays sera également plus puissant. Ayant pu créer, concevoir et organiser les nouveaux outils de gouvernement nécessaires au monde de demain, les autorités politiques auront développé les compétences et les connaissances correspondantes. Celles-ci, à leur tour, renforceront l'influence du pays et de ses autorités politiques à l'étranger, y compris en termes symboliques.
Inversement, l'incapacité à créer et à développer un tel nouveau gouvernement risque d'entraîner rapidement un pays au bas de l'échelle de la répartition relative du pouvoir.
Les technologies quantiques, comme nous l'avons vu ici avec les progrès que l'optimisation quantique permettra, ouvrent un nouveau jeu international très perturbateur. Certains États sont déjà très avancés en termes d'investissements et de développement d'écosystèmes propices. Pourtant, les dés ne sont pas jetés. La nouveauté même du changement de paradigme, la capacité de penser hors des sentiers battus et, stratégiquement, de saisir et de créer des opportunités, sera probablement le terrain de jeu, pour ceux qui veulent jouer le jeu.
Image présentée par Gerd Altmann à partir de Pixabay - Domaine public.
Bibliographie
Pour une approche technique des algorithmes d'optimisation quantique
Ashley Montanaro (mathématicienne), "Les algorithmes quantiques : une vue d'ensemble", Nature,, npj Informations sur les quanta, volume 2, numéro d'article : 15023 (2016), https://doi.org/10.1038/npjqi.2015.23
National Academies of Sciences, Engineering, and Medicine ; Emily Grumbling and Mark Horowitz, Editors ; "Chapter 3 : Algorithmes quantiques et applications", dans L'informatique quantique : Progrès et perspectives; a Consensus Study Report, Washington, DC : The National Academy Press (2019), pp.57-94.
Patrick J. Coles et autres (pour les informaticiens) "Quantum Algorithm Implementations for Beginners", 10 avril 2018, arXiv:1804.03719v1
Olivier Ezratty (ingénieur), rapport de 504 pages, Comprendre l'informatique quantique, septembre 2019 (en français).
Références
DiNoto, Michael ; "Economies planifiées centralement : Les Soviétiques en paix, les États-Unis en guerre" ; The American Journal of Economics and Sociology, Vol. 53, No. 4 (oct. 1994), p. 415-432.
Gilg, Andrew, La planification en Grande-Bretagne : Comprendre et évaluer le système de l'après-guerreSAGE, 2005.
Gun, Durukal, Christian Keller, Sree Kochugovindan, Tomasz Wieladek, "L'éléphant dans la salle“, Barclays2 juin 2017.
Kuznetsov, Vladimir, "Geophysical field disturbances and quantum mechanics", E3S Web of Conferences 20, 02005 (2017) DOI : 10.1051/e3sconf/20172002005.
Moore, B., Injustice: Social bases of Obedience and Revolt(Londres : Macmillan, 1978)
L'Académie britannique des sciences humaines et sociales et la Royal Society ; "L'impact de l'intelligence artificielle sur le travail: Une synthèse des données probantes sur les implications pour les individus, les communautés et les sociétés" ; septembre 2018.