Quantum AI
Teoria i praktyka
Quantum AI łączy potencjał obliczeń kwantowych ze sztuczną inteligencją. Integracja tych dwóch elementów pozwala czerpać z unikalnych możliwości obliczeń kwantowych i AI poprzez wykorzystywanie bitów kwantowych (zwanych kubitami) do wykonywania zaawansowanych obliczeń, których nie są w stanie przeprowadzać klasyczne komputery.
Historia Quantum AI
Koncepcja obliczeń kwantowych narodziła się na początku lat 80. XX wieku, kiedy to fizyk Richard Feynman zaproponował wykorzystanie mechaniki kwantowej do symulacji systemów fizycznych, czego klasyczne komputery nie potrafiły. Pomysł ten stał się fundamentem obliczeń kwantowych, które wykorzystują zasady mechaniki kwantowej, w tym superpozycję i splątanie, do dokonywania złożonych obliczeń.
W latach 90. XX wieku rozwój algorytmów kwantowych – np. algorytmu Shora służącego do faktoryzacji dużych liczb – pokazał, w jaki sposób obliczenia kwantowe pozwalają rozwiązywać problemy szybciej niż klasyczne komputery. Osiągnięcia te sprawiły, że zainteresowano się możliwością połączenia obliczeń kwantowych i sztucznej inteligencji.
Na początku lat 2000 powstało laboratorium kwantowej sztucznej inteligencji – Quantum Artificial Intelligence Lab – założone przez NASA, Google i Universities Space Research Association. Inicjatywa ta miała na celu prowadzenie pionierskich badań dotyczących sposobu, w jaki obliczenia kwantowe mogą usprawnić uczenie maszynowe i inne złożone operacje obliczeniowe.
Mniej więcej w tym samym czasie naukowcy zaczęli rozwijać algorytmy kwantowego uczenia maszynowego wykorzystujące obliczenia kwantowe do zwiększania prędkości i dokładności modeli AI.
W ostatnich latach skupiono się głównie na praktycznych zastosowaniach Quantum AI.
Firmy przodujące w tym obszarze testują możliwości architektury hybrydowej łączącej obliczenia kwantowe z klasycznymi, na przykład obecnie prowadzone są badania nad zastosowaniem kwantowego wyżarzania w przypadku problemów optymalizacyjnych czy modelu bramkowego do bardziej uniwersalnych zastosowań, takich jak uczenie maszynowe, chemia kwantowa czy symulacje.
Quantum AI w dzisiejszym świecie
Rozwój technologii kwantowych w świecie AI
Bill Wisotsky, Principal Quantum Systems Architect, zainteresował się koncepcją obliczeń kwantowych i wytrwale ją rozwijał. Przeczytaj artykuł i dowiedz się, jak ta trwająca przez dekady fascynacja sprawiła, że Bill zajmuje się dziś badaniami nad hybrydowymi obliczeniami kwantowymi.
Quantum AI bez tajemnic
Amy Stout, Head of Quantum AI Product Strategy w SAS, wyjaśnia, czym są i na czym polegają obliczenia kwantowe. Co to jest kubit? Czym obliczenia kwantowe różnią się od klasycznych obliczeń? Amy udziela prostych odpowiedzi i pokazuje, w jakim kierunku zmierza ta nowa technologia.
Kto korzysta z Quantum AI
Quantum AI może zrewolucjonizować wiele branż, ponieważ daje dostęp do nieosiągalnej dotąd wydajności i mocy obliczeniowej.
Obliczenia kwantowe mogą wywrzeć istotny wpływ w następujących branżach:
Rynek kwantowy szybko się rozwija. Jego wartość sięga dziś 35 mld dolarów, a do 2030 roku liczba ta może wzrosnąć do biliona, w związku z czym można przewidywać, że w ciągu najbliższych kilku lat postępy w tej dziedzinie będą ogromne. Bryan Harris Executive Vice President and Chief Technology Officer SAS
Jak działa Quantum AI
Komputery kwantowe różnią się od innych klasycznych komputerów, w tym smartfonów, a nawet superkomputerów o największej mocy. Ta nowa kategoria urządzeń wykorzystuje unikalne mechanizmy mechaniki kwantowej, np. superpozycję czy splątanie, na potrzeby rozwiązywania niektórych rodzajów złożonych problemów – takich, które są zbyt trudne, aby mogły sobie z nimi poradzić klasyczne komputery. W niektórych przypadkach komputery kwantowe mogą rozgryźć problem dużo szybciej, a niekiedy potrafią też przedstawić go w sposób, który leży poza zasięgiem konwencjonalnych maszyn.
Na razie komputery kwantowe nie zastąpią konwencjonalnych komputerów, ale mogą być wykorzystywane w połączeniu z nimi jako dodatkowe narzędzie. Zgodnie z tym podejściem procesory klasyczne, graficzne i kwantowe będą działać razem, przy czym każdy z nich skupi się na tym aspekcie danego problemu, z którym poradzi sobie najlepiej.
Klasyczne komputery przedstawiają dane w formie bitów, czyli cyfr 0 lub 1, z kolei komputery kwantowe operują bitami kwantowymi, tj. kubitami, które mogą występować jednocześnie w różnych stanach. Zasada superpozycji opisuje istnienie różnych stanów i można ją zilustrować, posługując się następującą analogią:
Wyobraźmy sobie monetę. Moneta istnieje w dwóch stanach – orła i reszki – które można by porównać do zera i jedynki w klasycznym systemie bitowym. Teraz wyobraźmy sobie, że ta moneta wiruje w powietrzu. W takiej sytuacji oba stany, tj. orzeł i reszka, istnieją jednocześnie, z równym prawdopodobieństwem zaobserwowania każdego z nich na podstawie pomiaru dokonanego w momencie zatrzymania się monety. Obliczenia kwantowe potrafią wykorzystywać ten dualizm, wykonując jednocześnie obliczenia zarówno dla orła (0), jak i reszki (1) tak długo, jak długo moneta obraca się (w stanie superpozycji).
Stan superpozycji umożliwia komputerom kwantowym przetwarzanie dwukrotnie większej ilości informacji w jednym kubicie w porównaniu do pojedynczego bita. W miarę zwiększania liczby kubitów ilość przetwarzanych informacji wzrasta wykładniczo według wzoru 2liczba kubitów, co znacznie przyspiesza obliczenia. Przykład? 10 kubitów potrafi wykonać tyle obliczeń co 1024 klasyczne bity – i liczba ta rośnie wykładniczo.
Teraz przyjrzyjmy się splątaniu i algorytmom kwantowym:
Splątanie
Innym równie ważnym kwantowym zjawiskiem fizycznym, mającym zastosowanie w obliczeniach kwantowych, jest splątanie. Splątanie można rozumieć po prostu jako korelację cząsteczek kwantowych. Kiedy dwa kubity są splątane, to jeśli znamy stan jednego z nich, automatycznie wiemy, jaki jest stan drugiego. Splątanie połączone z superpozycją może jeszcze bardziej zwiększać moc obliczeniową.
Algorytmy kwantowe
Quantum AI wykorzystuje również algorytmy kwantowe – służą one do udoskonalania modeli uczenia maszynowego. Algorytmy kwantowe uczenia maszynowego, np. metoda wektorów nośnych czy kwantowe sieci neuronowe, na potrzeby obliczeń korzystają z obwodów kwantowych.
Obwody te stanowią uniwersalną metodę wykonywania obliczeń kwantowych.
Na przykład w popularnym zastosowaniu kwantowych sieci neuronowych klasyczne dane są kodowane w stanach kwantowych. Obieg kwantowy wykorzystuje sparametryzowane rotacje, splątanie i pomiary do równoczesnego analizowania złożonych relacji. Wyniki są optymalizowane w klasyczny sposób i wprowadzane z powrotem do obwodu jako nowe sparametryzowane rotacje, a cały proces jest powtarzany do momentu uzyskania optymalnej konfiguracji. Przypomina to optymalizowanie wagi węzłów w klasycznych sieciach neuronowych.
Quantum AI – podejście hybrydowe
W związku z tym, że technologia obliczeń kwantowych wciąż jest doskonalona, Quantum AI to proces hybrydowy będący połączeniem kwantowego i klasycznego podejścia obliczeniowego. W niektórych przypadkach przetwarzanie kwantowe ma miejsce na początku procesu, w innych na końcu, a w jeszcze innych kwantowe i klasyczne metody obliczeniowe stosuje się naprzemiennie. Takie hybrydowe rozwiązanie wykorzystuje zalety obu metod obliczeniowych – klasycznej i kwantowej – w celu uzyskania lepszej wydajności i dokładności.
Wraz z rozwojem komputerów kwantowych będziemy dalej stosować podejście hybrydowe wykorzystujące rosnącą niezawodność i skalowalność komputerów kwantowych w celu doskonalenia procesu podejmowania decyzji przy wsparciu AI.
Jesteśmy dziś u progu integracji obliczeń kwantowych i AI. Integracja ta będzie stawać się coraz bardziej zaawansowana wraz z rozwojem obliczeń kwantowych. Producenci rozwiązań kwantowych eksperymentują dziś, łącząc procesory kwantowe (QPU) ze specjalistycznymi jednostkami AI (AIU).
Tego rodzaju badania będą kontynuowane przez najbliższe 5-10 lat, dlatego możemy spodziewać się znaczących postępów w dziedzinie Quantum AI. Rozwój tego obszaru zmieni stosowane przez nas obecnie metodologie i stworzy możliwości rozwiązywania złożonych problemów w nowy, unikalny sposób.
Polecane materiały
-
Artykuł
Government procurement fraud: Detecting risk, protecting fundsProcurement fraud, waste and abuse cause an average loss of $1.4 million annually per organization, making it rank as one of the top risk concerns among government leaders. A proven way to stay ahead of emerging risks is with continuous monitoring built on automated analytics. Learn what drives procurement fraud, how to spot the warning signs, who commits this type of fraud, and how to close gaps in your procurement risks.
-
Artykuł
Insurance customer retention in the AI ageInsurance customer retention has shifted with AI. To enable growth, insurance companies must reduce churn, keep policyholders renewing coverage over time, and protect policies in force. Retaining loyalty now requires insurers to lean into new technological capabilities. See what the "96% rule" means, how our customers are breaking free of the customer retention hole, and the role analytics and AI play.
-
Artykuł
Quantum AI examplesQuantum AI has seemed theoretical for years. But it’s gaining momentum in real-world applications. Explore quantum AI examples across financial services, insurance, health care and manufacturing to see how problems beyond classical AI’s reach are solved. And learn about hybrid quantum-classical approaches, where quantum systems and classical computing work together, each handling the parts of a problem they solve best.