Afklaring af Quantum 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 mere data. I dag handler konkurrencen om hastighed, effektivitet og innovation. Virksomheder søger efter nye værktøjer, der tilbyder både tekniske og økonomiske fordele. For nogle ser kvantecomputering ud til at være et af disse værktøjer.

Kvantum-AI henviser til kombinationen af kvantecomputering med kunstig intelligens. Det tilbyder en ny måde at tackle komplekse problemer i maskinlæring, optimering og dataanalyse. Selv om det stadig er under udvikling, er potentialet med til at tiltrække alvorlig opmærksomhed. En global undersøgelse fra 2024 af SAS fandt, at mere end 60 procent af virksomhedsledere allerede udforsker eller investerer i Kvantum-AI. Men de fleste sagde også, at de ikke fuldt ud forstår, hvad teknologien er eller hvordan den kan bruges.

Denne artikel forklarer, hvad Kvantum-AI er, hvilke problemer det kan hjælpe med at løse og hvor det kan have en indvirkning i den nærmeste fremtid.

Hvorfor AI-hold kigger på kvantum

Træning af store AI-modeller tager tid, energi og penge. Selv mindre effektivitetsforbedringer kan resultere i betydelige besparelser. Kvantecomputering tilbyder nye metoder til at løse visse problemer mere effektivt eller præcist end klassiske maskiner.

For eksempel kan kvantecomputere udføre multiple beregninger samtidig, ved hjælp af en egenskab kendt som superposition. Dette gør dem velegnede til problemer, der indebærer søgning i store rum eller optimering af komplekse systemer. Disse evner passer godt med mange opgaver i maskinlæring, såsom udvælgelse af funktioner, modeltilpasning og datasampling.

Selv om kvantummaskinerne stadig er under udvikling, finder forskere måder at kombinere dem med klassiske værktøjer. Disse hybride systemer giver AI-hold mulighed for at teste kvantummetoder nu, uden at vente på fuldt udviklede kvantumhardware.

Hvad Kvantum-AI er og ikke er

Kvantum-AI handler ikke om at erstatte nuværende AI-systemer med kvantumversioner. Det handler ikke om at køre dybe læringmodeller helt på kvantumhardware.

I stedet fokuserer det på at bruge kvantumalgoritmer til at understøtte dele af AI-pipelines. Disse kan inkludere opgaver som at accelerere optimering, forbedre udvælgelse af funktioner eller forbedre sampling fra profitdistributionsfunktioner. I disse tilfælde erstatter kvantecomputere ikke eksisterende værktøjer; de understøtter dem.

Arbejdet er stadig eksperimentelt. De fleste eksempler afhænger af hybride metoder, hvor kvantum- og klassiske dele arbejder sammen. Men disse systemer viser allerede resultater i snævre anvendelsesområder.

Nuværende anvendelser under udvikling

Selv om feltet er nyt, testes Kvantum-AI allerede i flere brancher. Disse eksempler bruger virkelige værktøjer og publiceret forskning. De afspejler også de slags problemer, kvantummetoder er bedst egnet til at løse.

Modelkomprimering og funktionssammenkobling

AI-modellerne bliver større og mere kostbare at træne. Kvantumteknologier kan hjælpe med at reducere størrelsen og kompleksiteten af disse modeller. En metode er kvantumfunktionssammenkobling, hvor inputdata transformerer ved hjælp af kvantumcirkuitter. Disse transformationer kan hjælpe med at adskille datapunkter, der er svære at klassificere med standardteknikker.

I de “tidlige” dage udforskede en artikel fra 2021 i Nature Physics, hvordan kvantumkerner kunne forbedre støttevektor-maskiner, en type maskinlæringsmodel. Denne tilgang fungerer godt for højdimensionelle eller sparsomme datasæt, hvor klassiske modeller kæmper.

Porteføljeoptimering i finans

Banker og formueforvaltere bruger ofte AI til at styre porteføljer og vurderer risici. Disse opgaver indebærer store mængder af variable og begrænsninger. Kvantumalgoritmer som QAOA (Quantum Approximate Optimization Algorithm) testes for at løse disse problemer mere effektivt.

Citi Innovation Labs og AWS har nylig studeret brugen af kvantecomputere til porteføljeoptimering, specifikt ved at anvende QAOA-algoritmen og hvordan den fungerer. Samarbejdet viser den voksende interesse og investering i kvantecomputering som et værktøj til at løse virkelige problemer.

Lægemiddelforskning og molekylær modellering

Lægemiddeludvikling afhænger af at forudsige, hvordan molekyler interagerer med hinanden. AI-modeller kan assistere, men klassiske simulationer har begrænsninger. Kvantecomputering er bedre egnet til at modellere kemiske systemer på kvantumniveau.

En ny studie fra IBM, The Cleveland Clinic og Michigan State University demonstrerede en ny måde at simulere komplekse molekyler ved hjælp af nuværende kvantecomputere, og tilbød en livskraftig vej fremad for kvantumcentreret videnskabelig beregning.

ForSynkronisering af forsyningssystemer

Forsyningssystemer er svære at styre på grund af deres størrelse og kompleksitet. AI kan hjælpe, men visse opgaver, som ruteplanlægning og lagerstyring, er stadig svære at optimere. Kvantummetoder udforskes for at forbedre disse opgaver.

Fujitsu samarbejdede med Japan Post for at optimere sidste-mil-levering i Tokyo, hvor traditionelle rutealgoritmer ikke kunne tage højde for dynamiske variable som trafikprop og pakkevolumenfluktuationer. Ved at implementere Kvantum-AI kunne de påbegynde arbejdet med at transformere nogle af de mest fundamentale aspekter af logistik.

Udfordringer og begrænsninger

Kvantumhardware er stadig en udfordring. Selv om der er nye fremskridt næsten hver dag, er i dag maskinerne stadig følsomme over for støj, svære at skala og upålidelige til lange beregninger. De fleste anvendelser må fungere inden for disse begrænsninger, ved at anvende kortere og enklere kvantumcirkuitter.

Kvantumsoftwareudvikling er også svær. Kvantumprogrammering kræver viden i fysik, matematik og datalogi. Få hold har den rette blanding af færdigheder.

For at sænke denne barriere skabes nye værktøjer. Disse inkluderer højniveauprogrammeringsframeworks og automatiserede cirkuitdesignsystemer. Disse giver AI-udviklere mulighed for at teste kvantummetoder uden at skulle skrive lavniveaukvantumkode.

Hvad AI-hold kan gøre i dag

Kvantum-AI er ikke klar til fuld implementering. Men fremadskuende hold kan begynde at bygge den viden og systemer, der er nødvendige for at udnytte det i fremtiden. Her er tre skridt at overveje:

1. Bygge tværfaglige hold – Kombiner AI-eksperter med forskere i optimering og kvantecomputering. Dette giver hold mulighed for at udforske nye ideer og forberede fremtidige evner.
2. Eksperimentere med hybride arbejdsgange – Fokusere på snævre problemer, hvor kvantumkomponenter kan understøtte klassiske modeller. Disse inkluderer funktionssammenkobling, sampling eller begrænset optimering.
3. Brug værktøjer, der abstraherer kompleksitet – Adopter platforme og frameworks, der skjuler lavniveaukvantumdetaljer. Disse værktøjer hjælper hold med at fokusere på anvendelsen, ikke hårdwaren.

Kvantum-AI er stadig under udvikling. Det er ikke en genvej eller erstatning for klassisk AI. Men det er et voksende felt med reel potentiale i områder, hvor nuværende modeller mangler eller kæmper.

Da kvantumhardware forbedres og software bliver mere tilgængelig, vil tidlige adoptorer være bedre placeret til at udnytte disse nye værktøjer. For hold, der allerede arbejder ved grænserne for klassiske systemer, kan Kvantum-AI måske være det næste sted at finde værdi.

Den mest sandsynlige vej fremad er ikke pludselig forstyrrelse, men stadig integration.