Quantum Machine Learning : quel régime sous le RIA ?

Le Quantum Machine Learning (QML), ou apprentissage automatique quantique, est un domaine interdisciplinaire situé à l’intersection de la physique quantique et de l’intelligence artificielle.

Il désigne l’intégration des principes du calcul quantique (superposition, intrication, interférence) au sein des algorithmes d’apprentissage automatique, afin de concevoir, d’entraîner ou d’exécuter des modèles d’IA.

Aujourd’hui, cette technologie repose sur des architectures hybrides : le processeur quantique (QPU) y agit comme un coprocesseur aux côtés des processeurs classiques (CPU et GPU). En France, le projet QuantML, financé par l’Agence nationale de la recherche (ANR) (1), explore ainsi le transfert de concepts quantiques vers les méthodes à noyaux et les réseaux de neurones.

Une question se pose alors : le règlement (UE) 2024/1689 sur l’intelligence artificielle (RIA) (2), pensé pour l’informatique binaire classique, régit-il ces systèmes hybrides ?

Une qualification selon le RIA indifférente au support matériel

L’article 3, point 1), du RIA définit le système d’IA comme un « système automatisé » qui, à partir des entrées qu’il reçoit, « déduit » la manière de générer des sorties. La définition ne pose aucune condition relative au support matériel. En outre, le considérant 12 inclut l’apprentissage automatique parmi les techniques qui permettent cette inférence. Les lignes directrices de la Commission européenne sur la définition du système d’IA, publiées en 2025 (3), confirment cette lecture fonctionnelle.

Par conséquent, un modèle qui déduit ses sorties grâce à un circuit quantique relève en principe du règlement. L’architecture hybride ne soustrait pas le système au champ d’application du règlement. En revanche, la qualification des acteurs mérite une attention particulière. La plupart des entreprises accèdent aux processeurs quantiques via des services cloud. Or, un opérateur qui donne accès à un processeur quantique dans le cloud ne devient pas, pour ce seul motif, « fournisseur » d’un système d’IA au sens de l’article 3, point 3). Cette qualité revient à celui qui le développe et le commercialise sous son nom.

Quantum Machine Learning en laboratoire : une exclusion encadrée

Le Quantum Machine Learning relève encore largement du laboratoire de recherche. L’article 2, paragraphe 6, du RIA exclut les systèmes et modèles d’IA « spécifiquement développés et mis en service uniquement à des fins de recherche et développement scientifiques ». De même, l’article 2, paragraphe 8, écarte les activités de recherche, d’essai et de développement menées avant la mise sur le marché ou la mise en service.

Toutefois, cette exclusion connaît deux limites :
• d’une part, elle cesse dès que le système quitte le cadre exclusif de la recherche ;
• d’autre part, l’article 2, paragraphe 8, précise que l’exclusion ne couvre pas les essais en conditions réelles.

Pour préparer cette transition, le RIA prévoit des bacs à sable réglementaires. Chaque État membre doit en rendre au moins un opérationnel au plus tard le 2 août 2027 (art. 57, § 1). L’article 60 encadre, quant à lui, les essais en conditions réelles des systèmes à haut risque en dehors de ces bacs à sable.

Modèles à usage général : un seuil de calcul inadapté au quantique

Le chapitre V du RIA s’applique aux modèles d’IA à usage général depuis le 2 août 2025 (art. 113, point b)). L’article 51, paragraphe 2, présume qu’un modèle présente des capacités à fort impact, et donc un risque systémique, lorsque la quantité cumulée de calcul utilisée pour son entraînement dépasse 10^25 opérations en virgule flottante (FLOP).

Or, le FLOP ne constitue pas l’unité naturelle du calcul quantique, dont la puissance s’exprime en qubits (physiques ou logiques). En d’autres termes, la présomption de l’article 51 se transpose difficilement à un entraînement hybride. Le texte a cependant prévu cette évolution technologique. L’annexe XIII, point c), permet à la Commission de retenir d’autres variables : le coût, le temps ou la consommation d’énergie de l’entraînement. Surtout, l’article 51, paragraphe 3, l’habilite à ajuster les seuils par acte délégué pour refléter « l’état de la technique ».

En pratique, les fournisseurs et développeurs de Quantum Machine Learning devront documenter avec soin leurs ressources de calcul hybrides. L’annexe XI, section 1, point 2, d) et e), exige déjà une description des ressources informatiques utilisées et de la consommation d’énergie du modèle.

Robustesse : une exigence mise à l’épreuve du bruit quantique

Si un système de Quantum Machine Learning entre dans la catégorie du haut risque, l’article 15 impose un niveau approprié d’exactitude, de robustesse et de cybersécurité. Le système doit également « fonctionner de façon constante » tout au long de son cycle de vie (art. 15, § 1). Or les processeurs quantiques actuels restent sensibles au bruit et à la décohérence. Leurs sorties sont probabilistes par nature. Le fournisseur devra donc démontrer une résilience suffisante face aux erreurs et aux défaillances (art. 15, § 4). Il devra aussi indiquer les niveaux d’exactitude dans la notice d’utilisation (art. 15, § 3).

Par ailleurs, l’article 13 exige une transparence suffisante pour que les déployeurs puissent interpréter les sorties du système. Pour un modèle hybride, cette explicabilité suppose de décrire l’articulation entre composants classiques et quantiques. Enfin, l’article 15, paragraphe 5, impose de résister aux attaques propres à l’IA, notamment l’empoisonnement des données ou de modèle.

Le règlement (UE) 2026/1744 du 8 juillet 2026 (Omnibus numérique sur l’IA) (4), réaménage le calendrier d’application de ces exigences. Les exigences de conformité s’appliqueront à compter du 2 décembre 2027 pour les systèmes de l’annexe III. Pour les systèmes liés aux produits de l’annexe I, elles s’appliquent à partir du 2 août 2028 (art. 113, point c)). Ce délai d’adaptation permet aux entreprises d’aligner leurs architectures sur les futures normes harmonisées européennes.

Recommandations pratiques : Réflexes pour sécuriser ses projets

Le Quantum Machine Learning ne bénéficie d’aucun régime dérogatoire. Pour transformer cette avancée technologique en opportunité d’affaires sécurisée, les entreprises doivent agir dès la phase d’expérimentation. Les acteurs concernés peuvent donc utilement :

  • qualifier les rôles : distinguer formellement la fourniture d’infrastructure cloud de la qualité de fournisseur du système d’IA final ;
  • sécuriser les contrats cloud : encadrer la localisation des flux, le secret des affaires, respecter les règlementations telles que le RGPD, ou encore le règlement DORA pour le secteur financier.
  • documenter : l’architecture hybride, l’atténuation du bruit quantique et la résistance aux cyberattaques (art. 13 et 15 du RIA) ;
  • Tester en conditions réelles : exploiter les bacs à sable réglementaires pour sécuriser la transition industrielle avant la mise sur le marché (art. 57 et 60 du RIA).

(1) Site internet ANR : Quantum Machine Learning: Foundations and Algorithms – QuantML.
(2) Texte consolidé du Règlement (UE) 2024/1689 du Parlement européen et du Conseil du 13 juin 2024 établissant des règles harmonisées concernant l’intelligence artificielle (règlement sur l’intelligence artificielle).
(3) Lignes directrices de la Commission sur la définition d’un système d’intelligence artificielle au sens du règlement (UE) 2024/1689 (règlement sur l’IA).
(4) Règlement (UE) 2026/1744 du Parlement européen et du Conseil du 8 juillet 2026 modifiant les règlements (UE) 2024/1689, (UE) 2018/1139 et (UE) 2023/1230 en ce qui concerne la simplification de la mise en œuvre des règles harmonisées concernant l’intelligence artificielle (train de mesures omnibus numérique sur l’IA.

Miniature YouTube Lexbase - Les secrets d'Alain Bensoussan

Défiler vers le haut