Ce que les traces de pas révèlent de la pièce où personne n’est entré

Il y a des questions qui semblent jouer contre elles-mêmes. Celle-ci, par exemple : peut-on connaître une propriété globale d’un système en n’observant que ses fragments locaux, un à un, séparément ? La réponse habituelle est non — ou plutôt : pas en général, pas sans perdre l’essentiel. Car il existe des propriétés qui n’appartiennent au tout que dans la mesure précise où elles n’appartiennent à aucune des parties. Et pourtant, c’est précisément ce que Javad Vahedi et Stefan Kettemann, de la Constructor University de Brême, prétendent avoir rendu possible, en publiant le 23 mars 2026 sur la plateforme arXiv un article qui mérite qu’on s’y attarde.

Leur objet d’étude est l’intrication quantique — cette propriété par laquelle plusieurs particules entretiennent des corrélations que nulle description classique ne saurait restituer. Deux atomes intriqués partagent quelque chose qui n’appartient à aucun des deux, qui ne réside en aucun endroit précis de l’espace, et qui s’évanouit précisément dès qu’on cherche à le localiser. C’est une propriété du tout, irréductible à ses parties. La mesurer directement exigerait de connaître l’état complet du système — une description mathématique dont la taille augmente de façon exponentielle avec le nombre de constituants. Seize particules quantiques, appelées qubits — ces objets capables d’être, avant toute mesure, simultanément dans l’état 0 et dans l’état 1, comme une pièce de monnaie qui tournoierait sans jamais choisir de face — représentent déjà plus de soixante-cinq mille nombres complexes à stocker. Cent qubits ? Un espace de plus de 10³⁰ états possibles, un mur absolument infranchissable pour tout calcul classique direct. L’accès direct à l’intrication est, dans ces conditions, un horizon que le calcul ne peut pas atteindre.

Vahedi et Kettemann ont choisi de ne pas forcer ce mur. Ils ont cherché à le contourner, en se demandant si les empreintes laissées par les mesures locales ne portaient pas, malgré leur apparente banalité, la trace de ce qui se passe dans le tout.

Ces empreintes, il faut insister sur leur nature, car c’est là que réside le cœur de l’enjeu. Lorsqu’un expérimentateur mesure un qubit, il ne lit pas une superposition subtile, ni un nombre complexe niché dans un espace d’états abstraits — il lit 0 ou 1. Rien d’autre. Ce résultat classique, produit d’une opération que les physiciens nomment « mesure projective » — parce qu’elle projette l’état quantique sur l’un de ses deux pôles possibles, comme une ombre projette un objet sur un mur — est la seule donnée qu’un expérimentateur peut effectivement lire sur son appareil. Ces colonnes de 0 et de 1, enregistrées les unes après les autres, constituent l’unique matière première accessible depuis l’extérieur du système. Ce que Vahedi et Kettemann proposent, c’est que ces colonnes — ces traces ordinaires, presque grossières — suffisent, si on sait les lire, à révéler le degré d’intrication du tout.

Pour comprendre leur dispositif, il faut d’abord saisir la nature particulière des systèmes qu’ils étudient. Les circuits quantiques dits « surveillés » — un circuit quantique n’est rien d’autre qu’une succession d’opérations logiques appliquées à des qubits, comme une recette opère sur des ingrédients — mettent aux prises deux logiques contraires. D’un côté, les portes quantiques entrelacent les qubits, tissent entre eux des corrélations de plus en plus profondes, propagent l’information quantique à travers tout le système. De l’autre, les mesures interviennent de façon aléatoire : chaque mesure projette le qubit concerné dans un état défini — 0 ou 1 — et rompt, en ce point, le tissu d’intrication patiemment établi. C’est comme un métier à tisser dont une main tisserait et l’autre couperait sans relâche, au hasard, les fils à peine formés.

Ce qui fascine les physiciens depuis la fin des années 2010 — depuis les travaux pionniers de Skinner, Ruhman et Nahum, puis de Li, Chen et Fisher (2018-2019) — c’est que cette compétition entre entrelacement et destruction n’est pas un équilibre mou, une moyenne paisible entre deux tendances. C’est une transition de phase, au sens que les physiciens donnent à cette expression : un changement brutal de régime, comparable à ce qui se passe lorsque l’eau passe de l’état liquide à l’état solide. En deçà d’un certain taux de mesures, l’intrication croît, s’étend, gouverne ; au-delà, elle s’effondre, et le système se comporte comme une collection de parties séparées. Entre les deux : une frontière, un seuil, un point critique que l’on nomme « transition de phase de mesure induite ».

C’est à la détection de ce seuil que les auteurs ont consacré leur effort. Leur méthode repose sur un réseau de neurones — un programme d’apprentissage automatique (ce que l’anglais nomme machine learning) entraîné à reconnaître des structures dans des données — nourri exclusivement des séquences de 0 et de 1 produites par les mesures. Le réseau n’a jamais accès à l’état quantique complet, dont il ignore jusqu’à l’existence. Il ne voit que les empreintes. Et c’est depuis ces empreintes qu’il doit inférer si le système se trouve dans la phase intriquée ou dans la phase séparée.

Les résultats obtenus sur des systèmes de seize qubits sont — point remarquable — encourageants. Le réseau parvient à localiser la transition de phase avec une précision qui, selon les auteurs, s’établirait aux alentours d’un taux de mesure de 0,17 (valeur rapportée dans l’article arXiv:2603.22244, non encore confirmée par des résultats indépendants — il est encore trop tôt pour l’ériger en chiffre définitif). Ce seuil estimé est cohérent avec les prédictions théoriques, ce qui constitue un premier indice que l’approche n’est pas vaine.

Il convient cependant de ne pas projeter sur ce résultat plus que ce qu’il contient. Seize qubits, c’est un système de laboratoire, utile pour démontrer une preuve de principe — l’expression consacrée pour désigner le fait que l’idée fonctionne au moins dans un cas simple — mais très éloigné des architectures qu’une future technologie quantique mettrait en œuvre, lesquelles pourraient en comporter des centaines, voire des milliers. La question de la montée en échelle — de la capacité à transposer la méthode à des systèmes bien plus vastes — reste entièrement ouverte. Les auteurs eux-mêmes ne la tranchent pas, et c’est là un signe de rigueur plutôt qu’une faiblesse avouée.

Une autre question, plus profonde, se pose en retrait. L’apprentissage automatique détecte des structures — il excelle à cela. Mais détecter une structure et comprendre pourquoi elle existe sont deux opérations d’une nature entièrement différente. Le réseau de neurones, ici, ne délivre aucune explication : il ne dit pas ce que les séquences de 0 et de 1 encodent réellement de l’intrication, ni par quel mécanisme l’information globale se trouve inscrite dans les mesures locales. C’est une boîte noire qui travaille sur des boîtes noires. Ce n’est pas un défaut rédhibitoire — la physique a souvent avancé en reconnaissant des régularités avant d’en comprendre les raisons —, mais c’est une limite qu’il serait imprudent de dissimuler sous le vernis de résultats numériques satisfaisants.

Reste une question que l’article pose sans la formuler explicitement, et qui est peut-être la plus belle. Si un réseau de neurones, en lisant des 0 et des 1, peut identifier la présence ou l’absence d’intrication — cette propriété qui, par définition, ne se trouve nulle part localement —, cela signifie que l’intrication laisse des traces dans ce qu’elle détruit. Que la corrélation globale signe les résultats de mesures qui, précisément, la font disparaître. Il y a là quelque chose d’étrange et de profond à la fois : comme si la dissolution d’un ordre laissait dans ses ruines la signature de ce qu’il était.

D’où vient cette signature ? Pourquoi le tout se laisse-t-il lire depuis ses fragments ? Nul ne le sait encore avec certitude.

À lire aussi sur Émergence :

  • Apple dit non, un hacker dit oui : entraîner des réseaux de neurones sur la puce secrète de votre Mac
  • Cybersécurité et IA : l’apprentissage contrastif pour des modèles qui tiennent leurs promesses en production
  • Les LLMs ont-ils une théorie de l’esprit ? Des graphes de croyances pour le savoir

Sources

Vahedi, J. & Kettemann, S. (2026). Detection of measurement-induced phase transitions via neural networks from local measurement outcomes. arXiv:2603.22244. https://arxiv.org/abs/2603.22244