Selvittämällä kvantti-ai: mitä se on, mitä se ei ole ja miksi se on tärkeää nyt

Tekoäly on astunut uuteen vaiheeseen. Se ei enää ole vain suurempien mallien rakentamisesta tai enemmän dataa. Nykyinen kilpailu keskittyy nopeuteen, tehokkuuteen ja innovaatioon. Yritykset etsivät uusia työkaluja, jotka tarjoavat sekä teknisiä että taloudellisia etuja. Jotkut näkevät kvanttilaskennan yhden näistä työkaluista.

Kvantti-ai viittaa kvanttilaskennan ja tekoälyn yhdistelmään. Se tarjoaa uuden tavan lähestyä monimutkaisia ongelmia koneoppimisessa, optimoinnissa ja data-analyysissä. Vaikka se on edelleen kehityksessä, sen potentiaali herättää vakavaa huomiota. Vuoden 2024 globaali SAS:n tutkimus osoitti, että yli 60 prosenttia liikejohtajista on jo tutkimassa tai sijoittamassa kvantti-ai:hin. Useimmat kuitenkin myönsivät, etteivät he täysin ymmärrä, mitä teknologia on tai miten sitä voisi käyttää.

Tämä artikkeli selittää, mitä kvantti-ai on, mitä ongelmia se voi auttaa ratkaisemaan ja missä se voi tehdä vaikutuksen lähitulevaisuudessa.

Miksi ai-tiimit katsovat kvanttiin

Suurten ai-mallien koulutus vie aikaa, energiaa ja rahaa. Jopa pienet tehokkuuden parannukset voivat johtaa merkittäviin säästöihin. Kvanttilaskenta tarjoaa uusia menetelmiä tiettyjen ongelmien ratkaisemiseen tehokkaammin tai tarkemmin kuin klassiset koneet.

Esimerkiksi kvanttitietokoneet voivat suorittaa useita laskutoimituksia samanaikaisesti, hyödyntäen ominaisuutta, jota kutsutaan suppenemiseksi. Tämä tekee niistä hyvän valinnan ongelmien ratkaisemiseen, jotka liittyvät suurten tilojen etsimiseen tai monimutkaisten järjestelmien optimointiin. Nämä ominaisuudet sopivat hyvin moniin tehtäviin koneoppimisessa, kuten ominaisuuden valinnassa, mallin säätössä ja data-otannassa.

Vaikka nykyiset kvanttilaitteet ovat edelleen kehityksessä, tutkijat ovat löytäneet tavoja yhdistää niitä klassisiin työkaluihin. Nämä hybridijärjestelmät sallivat ai-tiimien testata kvanttimenetelmiä jo nyt, ilman odottamista täysin kehittyneiden kvanttilaitteiden valmistumista.

Mikä kvantti-ai on ja mitä se ei ole

Kvantti-ai ei ole nykyisten ai-järjestelmien korvaamista kvanttiversioilla. Se ei ole kokonaan syvän oppimisen mallien ajamista kvanttilaitteilla.

Sen sijaan se keskittyy kvanttialgoritmien käyttöön ai-pipelineen. Nämä voivat sisältää tehtäviä, kuten nopean optimoinnin, ominaisuuksien valinnan parantamisen tai otantaa kannattavuusjakaumista. Näissä tapauksissa kvanttitietokoneet eivät korvaa olemassa olevia työkaluja; ne tukevat niitä.

Työ on edelleen kokeellista. Useimmat esimerkit perustuvat hybridimenetelmiin, joissa kvantti- ja klassiset osat toimivat yhdessä. Mutta nämä järjestelmät ovat jo osoittaneet tuloksia kapeissa sovelluksissa.

Nykyiset sovellukset kehityksessä

Vaikka ala on uusi, kvantti-ai on jo testattu useissa teollisuuskohteissa. Nämä esimerkit käyttävät todellisia työkaluja ja julkaisuja. Ne heijastavat myös ongelmia, joita kvanttimenetelmät ovat parhaiten soveltuvia ratkaisemaan.

mallin pakkaus ja ominaisuuden kartoitus

Ai-mallit kasvavat suuremmiksi ja kalliimmiksi kouluttaa. Kvanttitieteelliset menetelmät voivat auttaa vähentämään näiden mallien kokoa ja monimutkaisuutta. Yksi menetelmä on kvantti-ominaisuuden kartoitus, jossa syötedata muunnetaan kvanttipiirien avulla. Nämä muunnokset voivat auttaa erottamaan data-pisteitä, jotka ovat vaikeita luokitella standardimenetelmillä.

Varhaisissa päivissä vuonna 2021 artikkeli Nature Physics -lehdessä tutki, miten kvantti-ytimet voivat parantaa tukivektori-koneoppimismallia, joka on tyyppi koneoppimismallista. Tämä lähestymistapa toimii hyvin korkean dimensionaalisissa tai harvoissa dataseteissä, joissa klassiset mallit kamppailevat.

Portfolion optimointi rahoituksessa

Pankit ja sijoittajat käyttävät usein ai:ta portfolioiden hallinnassa ja riskien arvioinnissa. Nämä tehtävät sisältävät suuren määrän muuttujia ja rajoituksia. Kvantti-algoritmeja, kuten QAOA (Quantum Approximate Optimization Algorithm), on testattu ratkaisemaan nämä ongelmat tehokkaammin.

Citi Innovation Labs ja AWS tutkivat äskettäin kvanttitietokoneiden käyttöä portfolion optimointiin, erityisesti käyttäen QAOA-algoritmiä ja sen suorituskykyä. Yhteistyö osoittaa kasvavaa kiinnostusta ja sijoitusta kvanttilaskentaan työkaluna ratkaisemaan todellisia maailman ongelmia.

Lääkekehitys ja molekyylimallinnus

Lääkekehitys perustuu siihen, miten molekyylit vuorovaikuttavat toistensa kanssa. Ai-mallit voivat auttaa, mutta klassiset simulaatiot ovat rajoittuneita. Kvanttilaskenta on paremmin sovellettavissa mallintamaan kemiallisia järjestelmiä kvantitasolla.

Uusi tutkimus IBM:stä, Clevelandin klinikasta ja Michiganin osavaltion yliopistosta osoitti uuden tavan simuloida monimutkaisia molekyylejä nykyisillä kvanttitietokoneilla, tarjoten toimivan tien eteenpäin kvantti-keskeiselle tieteelliselle laskennalle.

Toimitusketjun optimointi

Toimitusketjut ovat vaikeita hallita niiden koosta ja monimutkaisuudesta johtuen. Ai voi auttaa, mutta tiettyjä tehtäviä, kuten reitin suunnittelua ja varastoinnin hallintaa, on edelleen vaikea optimoida. Kvanttimenetelmiä tutkitaan parantamaan näitä tehtäviä.

Fujitsu yhteistyössä Japanin postin kanssa optimoi viime mailin toimituksen Tokiossa, missä perinteiset reititysalgoritmit eivät ottaneet huomioon dynaamisia muuttujia, kuten liikenteen ruuhkautumista ja pakettimääriä. Kvantti-ai:n käyttöönoton myötä he pystyivät aloittamaan työn joistakin logistiikan perusasioista.

Haasteet ja rajoitukset

Kvanttilaitteet ovat edelleen haaste. Vaikka uusia edistysaskelia nähdään lähes jokaisena päivänä, nykyiset laitteet ovat edelleen herkkä melulle, vaikeita skaalata ja epäluotettavia pitkille laskutoimituksille. Useimmat sovellukset on toimittava näiden rajoitusten puitteissa, käyttäen lyhyempiä ja yksinkertaisempia kvanttipiirejä.

Kvantti-ohjelmistokehitys on myös haasteellista. Kvantti-ohjelmointi vaatii tietoa fysiikasta, matematiikasta ja tietojenkäsittelytieteestä. Harvat tiimit omistavat oikean taitojen yhdistelmän.

Alentamaan tätä esteitä luodaan uusia työkaluja. Nämä sisältävät korkean tason ohjelmistokehyksiä ja automaattisia piirisuunnittelujärjestelmiä. Nämä mahdollistavat ai-kehittäjille testata kvanttimenetelmiä ilman tarvetta kirjoittaa matalan tason kvanttikoodia.

Mitä ai-tiimit voivat tehdä tänään

Kvantti-ai ei ole valmis täydelliseen käyttöönottoon. Kuitenkin eteenpäin suunnittelevat tiimit voivat aloittaa tarvittavien tietojen ja järjestelmien rakentamisen, jotta ne voivat hyödyntää sitä tulevaisuudessa. Tässä on kolme askelta, jotka voidaan harkita:

1. Rakenna monialaiset tiimit – Yhdistä ai-asiantuntijat tutkijoiden kanssa optimoinnissa ja kvanttilaskennassa. Tämä mahdollistaa tiimien tutkia uusia ideoita ja valmistautua tuleviin kykyihin.
2. Kokeile hybridityökaluja – Keskity kapeisiin ongelmiin, joissa kvantti-osat voivat tukea klassisia malleja. Nämä sisältävät ominaisuuden valinnan, otannan tai rajoitettujen optimointitehtävien.
3. Käytä työkaluja, jotka abstrahoi monimutkaisuutta – Omaksu alustoja ja kehyksiä, jotka piilottavat matalan tason kvantti-yksityiskohdat. Nämä työkalut auttavat tiimejä keskittyä sovellukseen, ei laitteeseen.

Kvantti-ai on edelleen kehityksessä. Se ei ole oikotie tai korvike klassiselle ai:lle. Se on kuitenkin kasvava ala, jolla on todellinen potentiaali alueilla, joissa nykyiset mallit epäonnistuvat tai kamppailevat.

Kun kvanttilaitteet paranevat ja ohjelmistot tulevat helpommin saataville, varhaiset käyttäjät ovat paremmin asemoituneet hyödyntämään näitä uusia työkaluja. Tiimille, jotka jo työskentelevät klassisten järjestelmien rajoilla, kvantti-ai saattaa olla seuraava paikka, josta etsiä arvoa.