Dans cet article, nous proposons un nouvel algorithme quantique de Peter-Clark (qPC) permettant de découvrir des relations causales dans des données réelles présentant des structures causales non linéaires. Contrairement aux méthodes d'analyse causale existantes qui nécessitent des hypothèses sur la structure du modèle sous-jacent, l'algorithme qPC explore les relations causales à partir de données d'observation issues de distributions aléatoires basées sur des tests d'indépendance conditionnelle dans l'espace de Hilbert à noyau reproductible caractérisé par des circuits quantiques. Les résultats expérimentaux montrent que l'algorithme qPC surpasse les algorithmes existants, notamment sur des échantillons de petite taille, et permet une inférence fiable en réduisant efficacement les faux positifs grâce à une nouvelle approche d'optimisation basée sur l'alignement des cibles du noyau (KTA). Nous vérifions son efficacité par des études d'application pratique utilisant des ensembles de données sur les prix de l'immobilier à Boston, les maladies cardiaques et les systèmes de signalisation biologique.
