Multiverse Computing travaille à la rencontre de deux enjeux technologiques : exploiter de nouvelles méthodes de calcul et rendre l’intelligence artificielle moins coûteuse à déployer. Basée à Saint-Sébastien, en Espagne, l’entreprise conçoit des logiciels pour traiter des problèmes d’optimisation, de simulation et d’apprentissage automatique. Sa particularité réside dans l’usage d’algorithmes quantiques, mais aussi de techniques « inspirées du quantique », qui peuvent fonctionner sur des ordinateurs classiques sans attendre la généralisation des processeurs quantiques.
Une entreprise issue de la recherche quantique
Fondée en 2019, Multiverse Computing compte notamment parmi ses cofondateurs Enrique Lizaso et le physicien Román Orús. Elle s’est d’abord positionnée sur les applications industrielles du calcul quantique, avec une attention particulière portée aux problèmes complexes rencontrés dans la finance. L’allocation de ressources, l’optimisation de portefeuilles ou l’analyse de risques constituent des terrains d’application pour ces approches.
Son développement repose sur un principe pragmatique : transformer des outils mathématiques issus de la recherche en logiciels utilisables par les entreprises. Cette orientation lui permet de travailler sur des usages immédiats, tout en conservant une activité liée aux architectures quantiques et à leur évolution.
Des algorithmes industriels à la compression des modèles
L’offre de Multiverse Computing s’articule notamment autour de Singularity et de CompactifAI. Singularity rassemble des outils logiciels destinés à appliquer des méthodes quantiques ou inspirées du quantique à des problèmes métiers. Les applications visées concernent la finance, mais également l’énergie et l’industrie, où les contraintes de planification et d’optimisation peuvent être nombreuses.
CompactifAI porte une autre ambition : alléger les modèles d’intelligence artificielle, notamment les grands modèles de langage. La technologie mobilise les réseaux de tenseurs, un formalisme employé en physique pour représenter efficacement des systèmes complexes. Appliquée aux paramètres des modèles, cette approche cherche à réduire leur empreinte mémoire et les ressources nécessaires à leur exécution, tout en limitant la dégradation de leurs performances.
La distinction est importante : une méthode inspirée du quantique ne nécessite pas, par définition, un ordinateur quantique. Pour les clients, l’intérêt se mesure donc surtout à travers des critères opérationnels : qualité des réponses, latence, consommation de mémoire et coût d’inférence. Les gains doivent être évalués selon le modèle, le matériel et la tâche considérés.
Et maintenant ?
Multiverse Computing se situe sur un marché où la maîtrise du coût de l’IA devient un critère de choix. La compression pourrait faciliter le déploiement de modèles sur des infrastructures plus modestes ou au plus près des données. L’entreprise devra toutefois démontrer la robustesse de ses solutions face aux autres méthodes d’allègement, comme la quantification et la distillation. Son développement dépendra de sa capacité à convertir cette différenciation scientifique en bénéfices reproductibles, documentés et compatibles avec les outils déjà utilisés par les équipes techniques.
Site : multiversecomputing.com.