Cet article aborde le problème de la caractérisation efficace des systèmes quantiques à grande échelle, tels que les simulateurs analogiques quantiques et les ordinateurs mégaquantiques. Cela représente un défi majeur en science quantique, car l'espace de Hilbert d'un système quantique croît de manière exponentielle avec sa taille. Cet article souligne que les avancées récentes en intelligence artificielle (IA), qui excelle dans la reconnaissance de formes en haute dimension et l'approximation de fonctions, se sont révélées être des outils puissants pour résoudre ce défi. Les recherches sur la représentation et la caractérisation de systèmes quantiques évolutifs grâce à l'IA sont nombreuses, allant des fondements théoriques aux mises en œuvre expérimentales. Ces efforts peuvent être classés en trois paradigmes synergétiques, dont l'apprentissage automatique (en particulier l'apprentissage profond) et les modèles de langage, en fonction de la manière dont l'IA est intégrée. Cet article examine comment chaque paradigme d'IA contribue à deux défis fondamentaux de la caractérisation des systèmes quantiques : la prédiction des propriétés quantiques et la génération de modèles de substitution des états quantiques. Ces défis sous-tendent diverses applications, allant de l'authentification et de l'analyse comparative quantiques à l'amélioration des algorithmes quantiques et à la compréhension des phases de la matière fortement corrélée. Il aborde également les principaux défis, les questions ouvertes et les perspectives d’avenir de l’interface entre l’IA et la science quantique.
