Tanke ledere
Afmystificering af kvante-AI: Hvad det er, hvad det ikke er, og hvorfor det er vigtigt nu
AI er gået ind i en ny fase. Det handler ikke længere kun om at bygge større modeller eller få adgang til flere data. Dagens konkurrence centrerer sig om hastighed, effektivitet og innovation. Virksomheder søger nye værktøjer, der tilbyder både tekniske og økonomiske fordele. For nogle begynder kvantecomputere at ligne et af disse værktøjer.
Kvante-AI refererer til kombinationen af kvanteberegning og kunstig intelligens. Det tilbyder en ny måde at håndtere komplekse problemer inden for maskinlæring, optimering og dataanalyse. Selvom potentialet stadig er under udvikling, tiltrækker det sig seriøs opmærksomhed. En global 2024 undersøgelse foretaget af SAS fandt ud af, at mere end 60 procent af virksomhedsledere allerede udforsker eller investerer i kvante-AI. De fleste sagde dog også, at de ikke fuldt ud forstår, hvad teknologien er, eller hvordan den kan bruges.
Denne artikel forklarer, hvad kvante-AI er, hvilke problemer det kan hjælpe med at løse, og hvor det kan gøre en forskel i den nærmeste fremtid.
Hvorfor AI-teams ser på kvanteteknologi
Træning af store AI-modeller tager tid, energi og penge. Selv mindre effektivitetsforbedringer kan resultere i betydelige besparelser. Kvanteberegninger giver nye metoder til at løse bestemte problemer mere effektivt eller præcist end klassiske maskiner.
For eksempel kan kvantecomputere udføre flere beregninger samtidigt ved hjælp af en egenskab kendt som superposition. Dette gør dem velegnede til problemer, der involverer søgning i store rum eller optimering af komplekse systemer. Disse funktioner stemmer godt overens med mange opgaver inden for maskinlæring, såsom funktionsudvælgelse, modeljustering og datasampling.
Selvom nutidens kvantemaskiner stadig er under udvikling, finder forskere måder at kombinere dem med klassiske værktøjer. Disse hybridsystemer giver AI-teams mulighed for at teste kvantemetoder nu, uden at vente på fuldt udviklet kvantehardware.
Hvad kvante-AI er og ikke er
Kvante-AI handler ikke om at erstatte nuværende AI-systemer med kvanteversioner. Det handler ikke om at køre deep learning-modeller udelukkende på kvantehardware.
I stedet fokuserer den på at bruge kvantealgoritmer til at understøtte dele af AI-pipelinen. Disse kan omfatte opgaver som at fremskynde optimering, forbedre, hvordan funktioner udvælges, eller forbedre stikprøvetagning fra rentabilitetsfordelinger. I disse tilfælde erstatter kvantecomputere ikke eksisterende værktøjer; de understøtter dem.
Arbejdet er stadig eksperimentelt. De fleste eksempler er afhængige af hybride metoder, hvor kvante- og klassiske dele arbejder sammen. Men disse systemer viser allerede resultater i snævre anvendelsesscenarier.
Nuværende applikationer under udvikling
Selvom feltet er nyt, bliver kvante-AI allerede testet i flere brancher. Disse eksempler bruger virkelige værktøjer og publiceret forskning. De afspejler også de typer problemer, som kvantemetoder er bedst egnede til at løse.
Modelkomprimering og funktionskortlægning
AI-modeller bliver større og dyrere at træne. Kvanteteknologier kan hjælpe med at reducere størrelsen og kompleksiteten af disse modeller. En metode er kvantefunktionskortlægning, hvor inputdata transformeres ved hjælp af kvantekredsløb. Disse transformationer kan hjælpe med at adskille datapunkter, der er svære at klassificere med standardteknikker.
I de 'tidlige' dage i 2021 papir ind Naturfysik udforskede, hvordan kvantekerner kunne forbedre support vector machines, en type maskinlæringsmodel. Denne tilgang fungerer godt for højdimensionelle eller sparsomme datasæt, hvor klassiske modeller har problemer.
Porteføljeoptimering i finans
Banker og kapitalforvaltere bruger ofte kunstig intelligens til at forvalte porteføljer og vurdere risici. Disse opgaver involverer et stort antal variabler og begrænsninger. Kvantealgoritmer som QAOA (Quantum Approximate Optimization Algorithm) bliver testet for at løse disse problemer mere effektivt.
Citi Innovation Labs og AWS for nylig undersøgt brugen af kvantecomputere til porteføljeoptimering, specifikt ved hjælp af QOAA-algoritmen og dens funktion. Samarbejdet viser den voksende interesse for og investering i kvantecomputere som et værktøj til at løse virkelige problemer.
Lægemiddelopdagelse og molekylær modellering
Lægemiddeludvikling er afhængig af at forudsige, hvordan molekyler interagerer med hinanden. AI-modeller kan hjælpe, men klassiske simuleringer har begrænsninger. Kvanteberegninger er bedre egnet til modellering af kemiske systemer på kvanteniveau.
A ny undersøgelse fra IBM, The Cleveland Clinic og Michigan State University demonstrerede en ny måde at simulere komplekse molekyler ved hjælp af den nuværende generation af kvantecomputere, hvilket tilbyder en levedygtig vej fremad for kvantecentreret videnskabelig databehandling.
Supply Chain Optimering
Forsyningskæder er vanskelige at styre på grund af deres størrelse og kompleksitet. Kunstig intelligens kan hjælpe, men visse opgaver, såsom ruteplanlægning og lagerstyring, er fortsat svære at optimere. Kvantemetoder undersøges for at forbedre disse opgaver.
Fujitsu indgik partnerskab med Japan Post for at optimere levering til den sidste kilometer i Tokyo, hvor traditionelle routingalgoritmer ikke kunne tage højde for dynamiske variabler som trafikpropper og udsving i pakkemængder. Ved at implementere kvante-AI kunne de begynde at arbejde med at transformere nogle af de mest grundlæggende aspekter af logistik.
Udfordring og begrænsninger
Kvantehardware er fortsat en udfordring. Selvom der tilsyneladende sker nye fremskridt hver dag, er dagens maskiner stadig følsomme over for støj, svære at skalere og upålidelige til lange beregninger. De fleste applikationer skal operere inden for disse grænser ved hjælp af kortere og enklere kvantekredsløb.
Udvikling af kvantesoftware er også vanskeligt. Kvanteprogrammering kræver viden inden for fysik, matematik og datalogi. Få teams har den rette blanding af færdigheder.
For at sænke denne barriere udvikles der nye værktøjer. Disse omfatter programmeringsrammer på højt niveau og automatiserede kredsløbsdesignsystemer. Disse giver AI-udviklere mulighed for at teste kvantemetoder uden at skulle skrive kvantekode på lavt niveau.
Hvad AI-teams kan gøre i dag
Kvante-AI er ikke klar til fuld implementering. Fremsynede teams kan dog begynde at opbygge den viden og de systemer, der er nødvendige for at drage fordel af den i fremtiden. Her er tre trin at overveje:
- Opbyg tværfunktionelle teams – Kombinér AI-eksperter med forskere inden for optimering og kvanteberegning. Dette giver teams mulighed for at udforske nye ideer og forberede fremtidige kapaciteter.
- Eksperimentér med hybride arbejdsgange – Fokuser på snævre problemer, hvor kvantekomponenter kan understøtte klassiske modeller. Disse omfatter funktionsudvælgelse, sampling eller begrænset optimering.
- Brug værktøjer, der abstraherer kompleksitet – Adopter platforme og frameworks, der skjuler kvantedetaljer på lavt niveau. Disse værktøjer hjælper teams med at fokusere på applikationen, ikke hardwaren.
Kvante-AI er stadig under udvikling. Det er ikke en genvej eller erstatning for klassisk AI. Det er dog et voksende felt med reelt potentiale på områder, hvor nuværende modeller ikke lever op til forventningerne eller kæmper. Den mest sandsynlige vej frem er ikke pludselig forstyrrelse, men stabil integration.
Efterhånden som kvantehardware forbedres, og software bliver mere tilgængelig, vil de tidlige brugere være bedre positioneret til at udnytte disse nye værktøjer. For teams, der allerede arbejder på grænserne af klassiske systemer, kan kvante-AI være det næste sted at finde værdi.
