Big data in a data lake represents concept of quantum AI

Quantum AI

Hvad det er, og hvorfor det er vigtigt

Quantum AI kombinerer kraften fra kvantecomputing med kunstig intelligens. Denne integration udnytter de unikke styrker fra både kvantecomputere og AI ved at bruge kvantebits, kaldet qubits, til at udføre avancerede beregninger, som klassiske computere ikke kan håndtere.

Historien om Quantum AI

Begrebet kvantecomputing opstod i begyndelsen af 1980'erne, da fysikeren Richard Feynman foreslog ideen om at bruge kvantemekanik til at simulere fysiske systemer, hvilket klassiske computere ikke kunne. Denne idé lagde grundlaget for kvantecomputing, som bruger kvantemekanikkens principper – herunder superposition og sammenfiltring – til at udføre komplekse beregninger.

I 1990'erne demonstrerede udviklingen af kvantealgoritmer som Shor's algoritme til faktorisering af store tal, at kvantecomputere havde potentialet til at løse problemer hurtigere end klassiske computere. Disse fremskridt øgede interessen for at udforske krydsfeltet mellem kvantecomputing og AI.

I begyndelsen af 2000'erne blev Quantum Artificial Intelligence Lab etableret af NASA, Google og Universities Space Research Association med det formål at fremme forskning i, hvordan kvantecomputing kunne styrke maskinlæring og andre komplekse beregningsopgaver.

Samtidig begyndte forskere at udvikle algoritmer til kvantemaskinlæring, der udnytter kvantecomputing til at forbedre hastigheden og nøjagtigheden af AI-modeller.

I de senere år er fokus skiftet mod praktiske anvendelser af Quantum AI.

Virksomheder i frontlinjen af denne forskning udforsker hybride arkitekturer, der kombinerer kvante- og klassisk computing. Nuværende forskning undersøger eksempelvis brugen af kvanteannealing til optimeringsproblemer og gate-modellen til mere universelle anvendelser som maskinlæring, kvantekemi og simulering.

Quantum AI i nutidens verden

Kvantecomputing og AI

Kvantecomputing kan redefinere dataanalyse og modeltræning i AI. Læs hvordan vi bygger bro mellem nutidens kvanteteknologi og fremtidens visioner.

At vokse op med kvanteteknologi i en AI-verden

For Bill Wisotsky, Principal Quantum Systems Architect, var kvantecomputing en idé, der plantede sig i hans sind og nægtede at slippe taget. Læs, hvordan hans mangeårige fascination har ført ham til i dag at fordybe sig i hybrid kvantecomputing.

SAS definerer hybrid virkelighed for kvantecomputing

Vi befinder os i en tidsalder, hvor kvantecomputing potentielt kan omdefinere dataanalyse og modellering i AI. Læs mere om det i denne artikel fra Forbes.

Kvante-AI forklaret

Bliv klogere på kvantecomputing og hvordan det fungerer med Amy Stout, Head of Quantum AI Product Strategy hos SAS. Hvad er en qubit? Og hvordan adskiller kvantecomputing sig fra klassisk computing? Stout giver klare svar og forklarer, hvor vi er på vej hen med denne spirende teknologi.

Hvem bruger Quantum AI

Quantum AI har potentiale til at revolutionere industrier ved at tilbyde hidtil uset regnekraft og effektivitet.

Her er nogle brancher, hvor kvantecomputing kan få stor betydning:

Sundhedssektoren

Kvantecomputing kan forandre sundhedssektoren ved at simulere komplekse biologiske systemer og fremskynde opdagelsen af nye lægemidler. For eksempel kan kvantecomputere modellere molekylære interaktioner på atomart niveau – en evne, der er afgørende for at forstå sygdomme og udvikle nye behandlinger. Denne teknologi giver forskere mulighed for hurtigere og mere præcist at identificere potentielle lægemiddelkandidater, hvilket reducerer både tid og omkostninger i udviklingsprocessen.

Banksektoren

Inden for finansverdenen kan kvanteteknologi bruges til at optimere investeringsporteføljer, styre risiko og opdage svindel. Kvantealgoritmer kan behandle ekstremt komplekse finansielle data på nye måder og identificere mønstre, som traditionelle computere overser. Det giver finansielle institutioner mulighed for at udvikle mere effektive handelsstrategier og forbedre deres risikostyring. Kvantecomputing anvendes også til at styrke kryptografiske metoder, hvilket sikrer mere sikre transaktioner.

Logistik og forsyningskædestyring

Kvantecomputing kan forbedre logistik og forsyningskæder ved at optimere ruter og planlægning – takket være evnen til at søge i hele løsningsrummet på én gang og finde flere højkvalitetsløsninger. For eksempel kan kvantealgoritmer fastlægge de mest effektive ruter for lastbiler og dermed minimere brændstofforbrug og reducere leveringstider. Inden for lagerstyring kan kvantecomputing forbedre lagerbeholdningen og reducere driftsomkostninger.

Forsikring

Forsikringsselskaber er afhængige af data med komplekse indbyrdes relationer for præcist at kunne forudsige tab, prissætte policer og tilpasse tilbud. AI og kvantecomputing kan forbedre risikovurderinger ved at analysere disse komplekse mønstre samtidigt. For eksempel kan Quantum AI accelerere analysen af hurtigt foranderlige risici som vejrmønstre og deres indvirkning på priser og tilgængelighed. For at udnytte denne teknologi fuldt ud vil forsikringsselskaber skulle samarbejde med forskellige interessenter.

Kvantemarkedet er i rivende udvikling. Det er et marked på 35 milliarder dollars, og det forventes at nå op på en billion i 2030. Så du kan forestille dig, hvad der kan ske i de kommende år – springene vil være enorme. Bryan Harris Executive Vice President and Chief Technology Officer SAS

Sådan fungerer Quantum AI

Kvantecomputere adskiller sig fundamentalt fra klassiske computere – både fra din smartphone og selv de mest kraftfulde supercomputere. De udnytter de unikke egenskaber ved kvantemekanik, såsom superposition og sammenfiltring, til at løse bestemte typer af komplekse problemer, som klassiske computere ikke kan håndtere alene. I nogle tilfælde kan de løse problemer markant hurtigere – i andre tilfælde kan de repræsentere problemer på måder, som konventionelle computere ikke er i stand til.

Kvantecomputere vil foreløbigt ikke erstatte klassiske computere, men fungere sideløbende som et ekstra værktøj. Under denne model vil CPU’er, GPU’er og QPU’er arbejde sammen om at løse de dele af et problem, som de hver især er bedst egnet til.

Klassiske computere bruger bits til at repræsentere data som enten 0 eller 1. Kvantecomputere bruger derimod kvantebits – eller qubits – som kan eksistere i flere tilstande samtidigt. Princippet om superposition beskriver eksistensen af disse flere tilstande og kan illustreres med følgende analogi:

Forestil dig en mønt. Der er to klare tilstande, som mønten kan befinde sig i – plat eller krone – hvilket svarer til 0 og 1 i en klassisk bit. Forestil dig nu, at mønten snurrer i luften. I dette tilfælde eksisterer både plat og krone samtidig med lige stor sandsynlighed for at lande på enten det ene eller det andet, når mønten stopper. Kvantecomputing kan udnytte denne samtidighed ved at udføre beregninger på både plat (0) og krone (1) samtidigt, så længe mønten fortsætter med at snurre (i en tilstand af superposition).

Denne superpositionstilstand gør det muligt for kvantecomputere at behandle dobbelt så meget information i én qubit sammenlignet med én klassisk bit. Når antallet af qubits øges, stiger mængden af information, der kan behandles, eksponentielt som 2antal qubits, hvilket markant accelererer beregninger. For eksempel kan 10 qubits udføre de samme beregninger som 1.024 klassiske bits – og det vokser eksponentielt herfra.

Næste emne er sammenfiltring og kvantealgoritmer:

Sammenfiltring

En anden lige så vigtig kvantefysisk egenskab, der anvendes i kvantecomputing, er sammenfiltring – også kendt som entanglement. Du kan ganske enkelt tænke på sammenfiltring som kvantepartikler, der er korrelerede. Når to qubits er sammenfiltrede, betyder det, at hvis du kender tilstanden af den ene, så kender du også automatisk tilstanden af den anden. Når sammenfiltring kombineres med superposition, kan det yderligere øge den beregningsmæssige styrke.

Kvantealgoritmer

Quantum AI anvender også kvantealgoritmer til at forbedre maskinlæringsmodeller. Kvantealgoritmer inden for maskinlæring, såsom kvantebaserede supportvektormaskiner og kvante-neurale netværk, bruger kvantekredsløb til at udføre beregninger.

Disse kvantekredsløb repræsenterer en universel metode til at udføre kvanteberegninger.

For eksempel bliver klassiske data i en almindelig implementering af et kvante-neuralt netværk kodet ind i kvantetilstande. Kvantekredsløbet anvender parametertunede rotationer, sammenfiltringer og målinger til at analysere komplekse relationer samtidigt. Outputtet optimeres klassisk og føres tilbage i kredsløbet som nye parametertunede rotationer – en proces, der gentages, indtil en optimal konfiguration er fundet. Det svarer til, hvordan vægtene optimeres i noderne i et klassisk neuralt netværk.

Quantum AI – en hybrid tilgang

Da kvanteteknologien stadig er under udvikling, fungerer kvante-AI som en hybrid proces, der kombinerer kvante- og klassiske beregningsmetoder. I nogle tilfælde sker kvantebehandlingen først, i andre tilfælde til sidst – og nogle gange sker der en cyklisk vekselvirkning mellem kvante- og klassisk computing. Denne hybride tilgang udnytter styrkerne fra begge verdener for at opnå bedre ydeevne og højere nøjagtighed.

I takt med at kvantecomputere udvikler sig, vil vi fortsat se hybride tilgange, der udnytter den stigende pålidelighed og skalerbarhed i kvantecomputing til at styrke AI-understøttede beslutningsprocesser.

Vi står ved begyndelsen af integrationen mellem kvantecomputing og AI. Denne integration vil blive tættere, efterhånden som kvanteteknologien modnes. I øjeblikket eksperimenterer producenter af kvantecomputere med at samplacere QPU’er (quantum processing units) og specialiserede AIU’er (AI-enheder).

Efterhånden som denne type forskning udvikler sig over de næste 5 til 10 år, kan vi forvente store teknologiske fremskridt inden for Quantum AI. Disse fremskridt vil ændre vores eksisterende metoder og åbne nye muligheder for at løse komplekse problemer på unikke og innovative måder.

Næste skridt

Læs mere om AI-løsninger fra SAS, herunder generativ AI, pålidelig AI – og meget mere.

En data- og AI-platform

Med SAS® Viya® findes der ikke noget, der hedder for meget information. Lær den hurtigste måde at komme fra en milliard datapunkter til et klart perspektiv.