Cet article présente et résout une nouvelle classe de problèmes liés à la dynamique des réseaux à grande échelle, pertinents pour la neurobiologie et l'apprentissage automatique. Nous nous demandons notamment si les réseaux peuvent maintenir leur activité dynamique inhérente au-delà de durées d'observation arbitraires, ou si leur activité cesse par saturation via des états tels que la quiescence ou l'épilepsie. Nous montrons que ce problème peut être formulé et structuré pour exploiter la superposition quantique, et qu'il peut être résolu efficacement grâce à un flux de travail combiné entre les algorithmes quantiques de Grover et de Deutsch-Jozsa. À cette fin, nous étendons les capacités de ces algorithmes à structurer leurs entrées de manière à ce que la sortie de mesure puisse être interprétée comme une propriété significative de la dynamique du réseau, tout en répondant à l'exigence inhérente de structuration mathématique des (sous-)ensembles d'entrée de l'algorithme. Cela nous permet de répondre aux questions posées.
