Expériences d'apprentissage améliorées

La réalité mixte peut fournir des visuels et des exemples concrets pour aider les étudiants à percevoir des informations théoriques dans des sujets complexes tels que la biologie, l'anatomie, la physique et les mathématiques. Les étudiants en médecine peuvent apprendre l'anatomie et s'exercer à examiner le corps avec des applications XR qui représentent le corps humain de l'intérieur et de l'extérieur. Les étudiants en chimie peuvent mener des expériences en utilisant différentes combinaisons chimiques et voir les résultats sans danger pour les étudiants et les biens de l'école. Les étudiants en soins infirmiers peuvent utiliser des simulations pour apprendre et se préparer à des situations uniques qu'ils rencontreront en milieu clinique. Les étudiants peuvent également faire des excursions dans des musées, des expositions et des théâtres du monde entier sans quitter la salle de classe.

Applications de soins aux patients en personne

Dans les salles d'opération, les cliniques, les services hospitaliers et les milieux de formation médicale, la réalité mixte accélère les diagnostics, augmente l'accès aux établissements de soins de santé, réduit les transmissions d'infections et améliore les résultats des soins médicaux. La XR permet la superposition holographique d'images et de données sur des situations réelles telles que les opérations chirurgicales, la consultation et le traitement à distance, ouvrant de nouvelles voies dans les soins de santé.

En cardiologie, les premières applications XR dans le domaine de la santé ont créé des visualisations interactives qui ont permis aux cardiologues pédiatriques de démontrer virtuellement des problèmes cardiaques congénitaux complexes à leurs étudiants et patients. Les techniques XR réduisent le temps nécessaire pour diagnostiquer les problèmes cardiologiques, et les chirurgiens qui utilisent des casques Microsoft HoloLens pendant les procédures peuvent interagir avec l'hologramme à l'aide de mouvements de la main et bénéficier d'un champ de vision plus large, ce qui améliore les résultats chirurgicaux. Dans une application, la technologie XR permet aux chirurgiens de visualiser directement les tomodensitogrammes (CT) et les images par résonance magnétique (IRM) 3D des patients. Cela facilitera l'identification par les chirurgiens de la zone exacte du corps du patient qui nécessite une intervention chirurgicale. Cela pourrait être particulièrement bénéfique pour les chirurgies d'urgence qui doivent être effectuées le plus rapidement possible pour sauver la vie d'un patient. Les simulations préopératoires sont facilitées par la XR, qui crée des modèles 3D personnalisés pour chaque patient et visualise l'anatomie interne dans un environnement entièrement immersif. Lors d'opérations chirurgicales complexes telles que les chirurgies reconstructives, les superpositions holographiques peuvent considérablement aider les chirurgiens à examiner les os et à déterminer le flux des artères sanguines. La XR peut également être utile pour le soulagement de la douleur. Au Danemark, des chercheurs de l'université d'Aalborg ont étudié le potentiel de la XR pour soulager la douleur des membres fantômes. Il pourrait être possible de tromper le cerveau d'une personne amputée en lui faisant croire qu'elle contrôle toujours son membre manquant, ce qui pourrait aider à réduire l'agonie associée aux membres fantômes.

Télémédecine

Grâce aux casques XR et à la XR 3D, les professionnels de la santé peuvent consulter vocalement les antécédents des patients, discuter avec des spécialistes médicaux et enregistrer les dossiers des patients. Les casques alimentés par la XR peuvent éliminer le besoin pour les médecins de consulter des rapports écrits, d'analyser les données des patients et de fournir des résultats en temps réel, ce qui permet des diagnostics plus rapides et plus précis.

La XR peut également fournir un soutien à distance aux ambulanciers pour faire face aux urgences. Grâce à la XR, les ambulanciers peuvent obtenir un soutien à distance de professionnels de la santé expérimentés. Cela peut les aider à prendre des décisions médicales plus précises et plus rapides, à fournir efficacement une aide médicale d'urgence et à améliorer les résultats pour les patients.

Enfin, la XR peut aider à fournir des soins à distance aux patients ayant des problèmes de mobilité. Elle peut également projeter visuellement des simulations pour différentes situations, offrir un accès facile aux facilitateurs à distance, augmenter l'engagement des patients en fournissant un environnement immersif sûr et contrôlé, et tirer parti des rendez-vous de télésanté.

Applications thérapeutiques et de santé mentale

Le projet Autism Glass de la faculté de médecine de l'université de Stanford a utilisé la XR pour aider les enfants autistes à gérer leurs émotions et à identifier les expressions faciales associées. Il existe de nombreuses autres applications possibles de la même technologie, y compris l'utilisation de la psychothérapie VR pour traiter les problèmes et troubles de santé mentale et traiter la cause plutôt que l'effet de ces troubles en combinant la technologie VR avec l'analytique des mégadonnées (big data analytics), l'informatique en nuage, l'apprentissage automatique, l'IoT et la chaîne de blocs. La technologie Affective Interaction through Wearable Computing and Cloud Technology (AIWAC) fournit une solution complète visant à une assistance efficace à distance pour la santé émotionnelle. Les composants de la solution permettent la collecte collaborative de données via des appareils portables, des modèles améliorés d'analyse des sentiments et de prévision, et des interactions affectives contrôlables.

Autres applications de la technologie XR

À mesure que le métavers évolue, la technologie basée sur la XR pourrait être appliquée dans diverses industries pour des utilisations telles que les suivantes :

• assemblage, maintenance et réparation d'équipements
• conception technique et architecturale (par exemple, expérimenter un bâtiment virtuel avant sa construction)
• études de marché (par exemple, expérimenter un produit virtuel qui n'existe pas encore)
• divertissement (par exemple, cinéma, musique et sports)
• publicité et promotion de produits
• jeux vidéo

La technologie de réalité mixte a également la capacité de promouvoir le bien social. Par exemple, des applications qui combinent la XR avec d'autres technologies innovantes pour soutenir les personnes handicapées ont déjà été développées, y compris une technologie qui alerte les personnes aveugles lorsque des objets en mouvement rapide se dirigent vers elles.

Directives d'interaction humain-machine (HCI) pour les solutions immersives

Les étapes de développement de solutions les plus importantes en HCI consistent à définir le contexte. Cela inclut le type d'utilisations et d'applications — telles qu'industrielles, commerciales et exploratoires — ainsi que le marché et le client. Le contexte n'est pas l'environnement local spécifique, mais plutôt le type de monde plus vaste dans lequel le système doit exister. Cela inclut les attributs physiques des utilisateurs, les espaces de travail physiques, les capacités perceptives, les capacités cognitives, la personnalité et les traits sociaux, la diversité culturelle et internationale, et les capacités ou handicaps spéciaux. Cela inclut également l'analyse des tâches pour comprendre ce que les utilisateurs ont besoin et veulent faire avec la technologie. D'autres étapes impliquent l'allocation des fonctions, la disposition du système/la conception de base, les maquettes et prototypes, les tests d'utilisabilité, les tests itératifs et la refonte, ainsi que la mise à jour et la maintenance.

À l'instar des solutions mobiles, les produits immersifs doivent passer par une série de prototypes pour garantir la stabilisation, la faisabilité (un chemin logique unique), le prototype alpha (produit minimum viable), le prototype bêta (largement complet) et le candidat à la publication (toutes les fonctionnalités requises) prêt pour l'examen du propriétaire du produit. Les listes de contrôle de mesure de la qualité et les bonnes pratiques de conception sont différentes pour les solutions web, mobiles et immersives.

Robots logiciels

Les robots logiciels, ou bots (par exemple, les robots d'exploration web, les chatbots), sont des programmes informatiques qui fonctionnent de manière autonome pour accomplir une tâche virtuelle. Ce ne sont pas des robots physiques ; ils n'existent qu'à l'intérieur d'un ordinateur.

Un autre domaine de la robotique, la robotique cognitive (cognitive robotics), est un domaine qui crée des robots capables de penser, de percevoir, d'apprendre, de se souvenir, de raisonner et d'interagir. Il se concentre sur la création de robots qui imitent les capacités humaines de perception, de raisonnement et de planification. Une sous-spécialité, la robotique biomimétique (biomimetic robotics), se concentre sur la conception de robots qui tirent parti des principes communs dans la nature, tels que ce qui peut être appris de l'évolution et du développement de l'intelligence chez les animaux et les humains. Les progrès et les orientations récents en IA, en apprentissage automatique et en sciences cognitives orientent l'objectif de la prochaine génération de systèmes robotiques. La Figure 13.18 montre comment ces domaines se chevauchent.

Figure 13.18 La robotique cognitive s'inspire des domaines des sciences cognitives et biologiques et de l'intelligence artificielle, ainsi que de la robotique. (source : Copyright Rice University, OpenStax, sous licence CC BY 4.0)

L'intention de la robotique cognitive est de remplacer les humains dans des environnements dangereux ou des processus de fabrication, ou de ressembler aux humains en cognition, permettant aux robots d'effectuer des tâches dangereuses pour les personnes. La robotique cognitive vise à améliorer les capacités de perception des robots lorsqu'ils naviguent et manipulent des objets dans un environnement donné et interagissent avec les personnes. Elle permet également aux robots d'effectuer des tâches en prédisant les actions des personnes autour d'eux ainsi que les leurs. Les robots cognitifs peuvent également percevoir comment les gens voient le monde, prédire ce dont ils ont besoin et anticiper leurs actions. Cela explique comment ces robots peuvent exécuter des tâches quotidiennes tout en interagissant en toute sécurité avec les personnes. Ils sont capables d'interactions directes, comme aider les clients, ainsi que d'interactions indirectes, comme balayer le sol pendant que les clients font leurs courses dans un magasin.

Les robots mobiles intelligents capables de se déplacer de manière autonome ont été introduits pendant la Seconde Guerre mondiale. Suite à la mise en œuvre de l'intelligence artificielle (IA) en robotique, ils sont devenus autonomes ou plus intelligents. La Figure 13.19 fournit une liste des composants et de l'architecture des robots intelligents modernes.

Figure 13.19 Les robots intelligents modernes s'appuient sur divers composants et architectures pour fonctionner comme prévu. (source : Copyright Rice University, OpenStax, sous licence CC BY 4.0)

Système d'exploitation robotique

Le Robot Operating System (ROS) est un méta-système d'exploitation spécialement conçu pour les robots. Il est à code source ouvert et prend en charge une variété de services pour contrôler le matériel robotique, fournir des abstractions matérielles et effectuer des tâches courantes. Il peut également aider à gérer les progiciels et à transmettre des messages d'un processus à l'autre. ROS comprend également diverses bibliothèques et outils pour faciliter la sélection, le développement et le fonctionnement de modules logiciels sur divers ordinateurs.

Caractéristiques des manipulateurs robotiques et des robots mobiles

Les robots comprennent les manipulateurs robotiques et les robots mobiles. Un manipulateur robotique (robot manipulator) est un outil physique qui fonctionne à un emplacement fixe pour saisir et déplacer des objets. Un robot mobile (mobile robot) est un robot qui peut naviguer d'une position à une autre. Les manipulateurs robotiques sont confrontés au défi de pouvoir saisir et placer des objets avec un degré de précision suffisant, tandis que les robots mobiles doivent être capables d'estimer les positions relatives et absolues des robots et de naviguer sur une carte.

Les robots mobiles sont utilisés dans des applications telles que le traitement médical, la livraison de courrier, les inspections d'infrastructures et le transport de passagers. Par exemple, Nao est un robot humanoïde spécialement conçu pour interagir avec les humains. Il est doté de capteurs qui lui permettent d'imiter les émotions. Il peut reconnaître les visages des personnes ainsi que les objets et peut parler, marcher et danser. Nao a été créé par Aldebaran Robotics, qui a été acquise par SoftBank en 2015. Les robots Nao de sixième génération sont utilisés dans la recherche ainsi que dans les industries de la santé et de l'éducation.

Atlas est l'un des robots les plus agiles qui existent. Il utilise des compétences corporelles complètes pour se déplacer rapidement et maintenir un équilibre dynamique. Alors qu'Atlas peut soulever et transporter des objets tels que des boîtes et des caisses, le robot peut également courir, sauter et faire des saltos arrière.

Zipline est un drone autonome à voilure fixe utilisé pour transporter du sang et des médicaments d'un centre de distribution là où ils sont nécessaires. Il peut être lancé en quelques minutes et voyager par tous les temps.

Comme le montrent ces exemples, les robots mobiles ont de nombreuses applications. La Figure 13.20 donne un aperçu des domaines et des industries qui trouvent les robots mobiles utiles.

Figure 13.20 Les robots mobiles ont une variété d'applications dans divers domaines et industries, y compris les spécialités d'ingénierie, la science, les mathématiques et le droit. (source : Vermesan, O., Bahr, R., Ottella, M., Serrano, M., Karlsen, T., Wahlstrøm, T., Sand, H. E., Ashwathnarayan, M., & Gamba, M. T. (2020). Internet of Robotic Things Intelligent Connectivity and Platforms. Frontiers in robotics and AI, 7, 104. https://doi.org/10.3389/frobt.2020.00104)

Vision par ordinateur et robotique cognitive

Les avancées en vision par ordinateur ont facilité le positionnement et la navigation des robots mobiles. La vision par ordinateur est réalisée à l'aide d'optiques et de capteurs, ce qui implique l'acquisition d'images, la représentation d'images et le traitement d'images.

Systèmes cognitifs artificiels

Les robots ont besoin de systèmes cognitifs artificiels qui simulent les processus de pensée humaine pour compléter la cognition humaine. Les systèmes cognitifs artificiels sont développés à l'aide d'algorithmes d'intelligence artificielle et de technologies telles que l'apprentissage automatique, l'apprentissage profond, la reconnaissance vocale et la reconnaissance d'objets.

Sciences cognitives et neuro-informatique

L'approche informatique qui combine l'utilisation de l'IA et des sciences cognitives est appelée informatique cognitive. L'étude de la manière de construire un ordinateur capable d'imiter les fonctions cérébrales humaines de base est appelée neuro-informatique (neuroinformatics). Cela exige la capacité des robots à gérer l'ambiguïté ainsi que l'incertitude. Les robots dotés de ces capacités peuvent imiter la capacité des humains à mémoriser des informations, à apprendre, à raisonner, à réagir et à montrer des émotions.

Le Tableau 13.3 décrit les domaines connexes des sciences cognitives et du soutien technologique.

Les caractéristiques souhaitées des systèmes d'informatique cognitive incluent les suivantes :

• apprentissage adaptatif, c'est-à-dire apprendre à mesure que les informations changent et que les objectifs et les exigences évoluent, résoudre l'ambiguïté et tolérer l'imprévisibilité
• interaction avec les utilisateurs, permettant aux utilisateurs — qui peuvent inclure d'autres processeurs, dispositifs et services infonuagiques, ainsi que des personnes — de définir leurs besoins en tant qu'entraîneur de système cognitif
• capacité à être itératif et à conserver un état, ce qui signifie que le système peut se souvenir des interactions précédentes et peut redéfinir un problème en posant des questions ou en trouvant des entrées supplémentaires si un énoncé de problème est ambigu ou incomplet
• contextuel dans la découverte d'informations, ce qui signifie que le système peut comprendre et extraire le sens, la syntaxe, le temps, l'emplacement, le domaine approprié, les réglementations, les profils d'utilisateurs, les processus, les tâches et les objectifs, et répondre aux entrées sensorielles avec des effets visuels et gestuels

Les applications réelles des systèmes cognitifs incluent la compréhension de la parole, l'analyse des sentiments, la reconnaissance faciale, les analyses électorales, la conduite autonome et les applications d'apprentissage profond. L'apprentissage profond, en particulier, nécessite un matériel spécifique, y compris des processeurs graphiques, des processeurs de signaux numériques, des dispositifs logiques programmables sur le terrain, des systèmes sur puce, des micropuces personnalisées et des circuits intégrés spécifiques à l'application. Certains des fournisseurs de matériel d'apprentissage profond incluent le Google Neural Machine Translation System (GNMT), le Tensor Processing Unit (TPU) de Google Cloud, TensorFlow, le Neural Processing Unit (NPU) de Cambricon, le Movidius Neural Compute Stick (NCS) d'Intel, le Intel Movidius Neural Compute SDK et le Movidius Vision Processing Unit (VPU) d'Intel.

Calcul neuromorphique

La science cognitive est de nature interdisciplinaire. Elle couvre les domaines de la psychologie, de l'intelligence artificielle, des neurosciences et de la linguistique. Elle s'étend sur de nombreux niveaux d'analyse, des mécanismes d'apprentissage automatique et de décision de bas niveau aux circuits neuronaux de haut niveau pour construire des ordinateurs modélisés sur le cerveau. Elle applique des bibliothèques logicielles sur des nuages ou des superordinateurs pour les études d'apprentissage automatique et de neuro-informatique. Elle utilise la représentation et les algorithmes pour relier les entrées et les sorties des ordinateurs neuronaux artificiels. Elle conçoit également des puces neuronales matérielles pour implémenter des ordinateurs de type cérébral appelés ordinateurs neuromorphiques, comme illustré à la Figure 13.21.

Figure 13.21 En tant que domaine, la science cognitive a fait de nombreuses avancées, y compris la conception de puces neuronales matérielles, telles que celles illustrées ici, qui sont utilisées pour implémenter des ordinateurs de type cérébral connus sous le nom d'ordinateurs neuromorphiques. (source : Copyright Rice University, OpenStax, sous licence CC BY 4.0 ; source image de gauche : modification de « Artificial Neural Network with Chip » par mikemacmarketing/Wikimedia Commons, CC BY 2.0 ; source image de droite : modification de « Amiga 3000T motherboard without annotations » par Podstawko/Wikimedia Commons, CC0)

En 1990, Carver Mead, professeur émérite Gordon et Betty Moore d'ingénierie et de sciences appliquées au California Institute of Technology, a introduit le terme calcul neuromorphique (neuromorphic computing), qui repose sur une architecture matérielle modélisant la façon dont le cerveau humain utilise les neurones. Cela offre le potentiel de calculs plus rapides et plus complexes tout en restant économe en énergie. Ce domaine de l'informatique a émergé pour concurrencer les architectures informatiques traditionnelles. L'apprentissage automatique est devenu populaire, et à mesure qu'il a progressé, le calcul neuromorphique est devenu la meilleure plateforme pour les algorithmes d'apprentissage automatique. Composé d'un réseau de neurones et de synapses, le calcul neuromorphique repose sur une architecture matérielle modélisée d'après le cerveau humain. Un neurone est une fonction qui opère sur une entrée. Une synapse, qui traite la sortie du neurone et transmet un état à un autre neurone, peut être entraînée à savoir comment convertir la sortie du neurone en états. Un memristor est un composant qui se souvient de la charge d'un courant électrique. Les memristors sont excellents pour le calcul neuromorphique car ils offrent une neuroplasticité. Les neurones émettent des signaux électriques en entrée. La sortie est basée sur le chemin emprunté à travers le réseau, et c'est une architecture hautement connectée et parallèle qui utilise la mémoire et le traitement côte à côte tout en consommant une faible quantité d'énergie. Divers modèles de calcul neuromorphique ont été développés sur ce type de matériel, y compris l'Architecture Dynamique Inspirée des Neurosciences (NIDA), les Réseaux Neuronaux Adaptatifs Dynamiques (DANNAs) et les Réseaux Neuronaux Adaptatifs Dynamiques Memristifs (mrDANNAs). Intel Labs a développé la puce neuromorphique Loihi 2 qui est utilisée pour la recherche avec un cadriciel à code source ouvert connu sous le nom de Lava. L'objectif d'Intel est de faciliter l'adoption du calcul neuromorphique. La puce de recherche neuromorphique de deuxième génération d'Intel Labs, nom de code Loihi 2, et Lava, un cadriciel logiciel à code source ouvert, stimuleront l'innovation et l'adoption des solutions de calcul neuromorphique.

Informatique quantique

L'informatique quantique a des applications en physique expérimentale. Elle fournit une théorie plus fondamentale que la mécanique newtonienne et l'électromagnétisme et peut expliquer des phénomènes que ces théories ne peuvent pas aborder.

Un ordinateur quantique (quantum computer) est une machine qui effectue des calculs basés sur les lois et les principes de la mécanique quantique, dans laquelle les plus petites particules de lumière et de matière peuvent être à différents endroits en même temps. L'information est stockée dans un support physique et manipulée par des processus physiques. Les conceptions d'ordinateurs « classiques » sont implicitement basées sur le cadre classique de la physique et ne peuvent traiter que des bits, pas des qubits. Ce cadre classique a été remplacé par le cadre plus puissant de la mécanique quantique. Dans un ordinateur quantique, un qubit (un bit quantique) pourrait être à la fois 0 et 1 en même temps. Ainsi, comme le montre la Figure 13.22, avec trois qubits de données, un ordinateur quantique pourrait stocker les huit combinaisons de 0 et 1 simultanément. Cela signifie qu'un ordinateur quantique à trois qubits pourrait potentiellement traiter l'information plus efficacement qu'un ordinateur numérique classique à trois bits, selon l'algorithme.

Figure 13.22 Dans un ordinateur quantique, un qubit, ou bit quantique, pourrait être à la fois 0 et 1 en même temps, permettant à un ordinateur quantique de stocker les huit combinaisons de 0 et 1 simultanément. (source : Copyright Rice University, OpenStax, sous licence CC BY 4.0)

Les ordinateurs personnels typiques d'aujourd'hui calculent 64 bits de données à la fois. Un ordinateur quantique avec 64 qubits serait 2⁶⁴ fois plus rapide, soit environ 18 milliards de fois plus rapide. Un bit de données est représenté par un seul atome qui est dans l'un des deux états, notés |0> et |1>. Un seul bit de cette forme est appelé un qubit. Une implémentation physique d'un qubit pourrait utiliser les deux niveaux d'énergie d'un atome. Un état excité représente |1>, et un état fondamental représente |0>. Un seul qubit peut être forcé dans une superposition des deux états notée par l'addition des vecteurs d'état :

où α et α sont des nombres complexes et $|\text{α}|+|\text{α}|=1$.

Un qubit en superposition est dans les deux états |1> et |0 en même temps.

En général, un registre de n qubits peut représenter simultanément les nombres de 0 à 2ⁿ–1. L'intrication est la capacité des systèmes quantiques à présenter des corrélations entre les états au sein d'une superposition. Imaginez deux qubits, chacun dans l'état |0> + |1> (une superposition de 0 et 1). Nous pouvons intriquer les deux qubits de telle sorte que la mesure d'un qubit soit toujours corrélée à la mesure de l'autre qubit.

Cependant, si nous tentons de récupérer les valeurs représentées dans une superposition, la superposition s'effondre aléatoirement pour ne représenter qu'une seule des valeurs originales. Cela signifie qu'une fonction d'onde a changé et qu'au lieu que l'état de superposition se poursuive, la superposition s'est effondrée en un seul état qui a une valeur définie représentant une seule des valeurs originales.

Dans le modèle de calcul classique, une machine de Turing probabiliste (PTM) est un modèle abstrait de l'ordinateur moderne (classique). La thèse forte de Church-Turing stipule qu'une PTM peut simuler efficacement tout modèle réaliste de calcul, ce qui signifie que si un problème est difficile pour une PTM, il doit également être difficile pour tout autre modèle de calcul raisonnable. Par exemple, la factorisation est considérée comme difficile à réaliser sur une machine de Turing (ou tout modèle équivalent). Nous ne savons pas s'il existe une nouvelle architecture sur laquelle la factorisation est facile. Parce que nous manquons de certitude, nous supposons que certains problèmes de calcul, tels que la factorisation, possèdent une complexité inhérente, quel que soit l'effort déployé pour trouver un algorithme efficace.

Au début des années 1980, Richard Feynman a noté qu'il semblait peu probable qu'une PTM puisse simuler efficacement des systèmes de mécanique quantique. Parce que les ordinateurs quantiques fonctionnent comme des systèmes de mécanique quantique, le modèle de calcul quantique semble remettre en question la thèse forte de Church-Turing.

Les applications possibles de l'informatique quantique incluent les simulations efficaces de systèmes quantiques, l'estimation de phase, l'amélioration des normes de temps-fréquence et d'autres normes de mesure telles que le GPS, la factorisation et les logarithmes discrets, les problèmes de sous-groupes cachés et l'amplification d'amplitude. Les implémentations possibles de systèmes quantiques incluent les ordinateurs à photons optiques, la résonance magnétique nucléaire (RMN), les pièges à ions et les systèmes quantiques à l'état solide. L'ordinateur à photons optiques fonctionne par l'interaction entre un atome et un photon à l'intérieur d'un résonateur, tandis qu'une autre approche utilise des dispositifs optiques tels qu'un séparateur de faisceau et un miroir. La RMN représente les qubits en utilisant le spin des noyaux atomiques, les liaisons chimiques entre ces spins étant manipulées par un champ magnétique pour simuler des portes. Les spins sont initialisés par magnétisation, et la mesure est réalisée en détectant les tensions induites. Actuellement, on pense que la RMN ne pourra pas dépasser une vingtaine de qubits. Cependant, en 2006, des chercheurs ont atteint un état de cohérence à 12 qubits, montrant que l'extensibilité jusqu'à 12 qubits est réalisable en utilisant des processeurs d'information quantique par résonance magnétique nucléaire en phase liquide. Les pièges à ions forment des qubits en utilisant deux orbites électroniques d'un ion (atome chargé) confiné dans un vide par un champ électromagnétique. De plus, il existe deux implémentations à l'état solide largement reconnues de qubits :

1. Un qubit formé par un circuit supraconducteur utilisant une jonction Josephson, qui établit un lien faible entre deux supraconducteurs. Une jonction Josephson est constituée de deux supraconducteurs séparés par une très fine barrière isolante.
2. Un qubit formé en utilisant un point quantique semi-conducteur, une nanostructure allant de dix à plusieurs centaines de nanomètres, conçue pour confiner un seul électron.

De nombreux articles ont exploré divers aspects de l'informatique quantique, y compris des spécifications de langage détaillées. Pour plus d'informations sur l'un des exemples suivants, effectuez des recherches supplémentaires.

• Quantum computation language (QCL) par Bernhard Ömer : une syntaxe de type C et très complète
• Quantum Guarded-Command Language (qGCL) par Paolo Zuliani et d'autres : un langage impératif de haut niveau pour l'informatique quantique
• Quantum C par Stephen Blaha : actuellement juste une spécification