Demistifikacija kvantne umjetne inteligencije: Što jest, što nije i zašto je sada važna

Umjetna inteligencija ušla je u novu fazu. Više se ne radi samo o izgradnji većih modela ili pristupu većoj količini podataka. Današnja konkurencija usredotočena je na brzinu, učinkovitost i inovacije. Tvrtke traže nove alate koji nude i tehničke i ekonomske prednosti. Za neke, kvantno računarstvo počinje izgledati kao jedan od tih alata.

Kvantna umjetna inteligencija odnosi se na kombinaciju kvantnog računarstva s umjetnom inteligencijom. Nudi novi način rješavanja složenih problema u strojnom učenju, optimizaciji i analizi podataka. Iako je još u razvoju, potencijal privlači ozbiljnu pozornost. Globalni plan za 2024. godinu istraživanje SAS-a  otkrili su da više od 60 posto poslovnih lidera već istražuje ili ulaže u kvantnu umjetnu inteligenciju. Međutim, većina je također rekla da ne razumiju u potpunosti što je tehnologija ili kako bi se mogla koristiti.

Ovaj članak objašnjava što je kvantna umjetna inteligencija, koje probleme bi mogla riješiti i gdje bi mogla imati utjecaj u bliskoj budućnosti.

Zašto timovi za umjetnu inteligenciju razmatraju kvantnu tehnologiju

Treniranje velikih AI modela zahtijeva vrijeme, energiju i novac. Čak i manja poboljšanja učinkovitosti mogu rezultirati značajnim uštedama. Kvantno računarstvo pruža nove metode za rješavanje određenih problema učinkovitije ili točnije od klasičnih strojeva.

Na primjer, kvantna računala mogu istovremeno izvoditi više izračuna, koristeći svojstvo poznato kao superpozicija. To ih čini pogodnima za probleme koji uključuju pretraživanje velikih prostora ili optimizaciju složenih sustava. Ove mogućnosti dobro se slažu s mnogim zadacima u strojnom učenju, kao što su odabir značajki, podešavanje modela i uzorkovanje podataka.

Dok se današnji kvantni strojevi još uvijek razvijaju, istraživači pronalaze načine da ih kombiniraju s klasičnim alatima. Ovi hibridni sustavi omogućuju timovima umjetne inteligencije da testiraju kvantne metode već sada, bez čekanja na potpuno razvijen kvantni hardver.

Što je kvantna umjetna inteligencija, a što nije

Kvantna umjetna inteligencija ne znači zamjenu trenutnih sustava umjetne inteligencije kvantnim verzijama. Ne znači da modeli dubokog učenja moraju biti u potpunosti pokrenuti na kvantnom hardveru.

Umjesto toga, usredotočuje se na korištenje kvantnih algoritama za podršku dijelovima AI cjevovoda. To može uključivati zadatke poput ubrzavanja optimizacije, poboljšanja načina odabira značajki ili poboljšanja uzorkovanja iz distribucija profitabilnosti. U tim slučajevima, kvantna računala ne zamjenjuju postojeće alate; ona ih podržavaju.

Rad je još uvijek eksperimentalan. Većina primjera oslanja se na hibridne metode, u kojima kvantni i klasični dijelovi rade zajedno. Ali ovi sustavi već pokazuju rezultate u uskim slučajevima upotrebe.

Trenutne aplikacije u razvoju

Iako je područje novo, kvantna umjetna inteligencija već se testira u nekoliko industrija. Ovi primjeri koriste stvarne alate i objavljena istraživanja. Oni također odražavaju vrste problema za koje su kvantne metode najbolje prikladne za rješavanje.

Kompresija modela i mapiranje značajki

Modeli umjetne inteligencije postaju sve veći i skuplji za učenje. Kvantne tehnologije mogu pomoći u smanjenju veličine i složenosti ovih modela. Jedna od metoda je kvantno mapiranje značajki, gdje se ulazni podaci transformiraju pomoću kvantnih sklopova. Ove transformacije mogu pomoći u odvajanju podatkovnih točaka koje je teško klasificirati standardnim tehnikama.

U 'ranim' danima 2021. papir unutra Fizika prirode istražili su kako kvantne jezgre mogu poboljšati strojeve potpornih vektora, vrstu modela strojnog učenja. Ovaj pristup dobro funkcionira za visokodimenzionalne ili rijetke skupove podataka, gdje klasični modeli imaju poteškoća.

Optimizacija portfelja u financijama

Banke i upravitelji imovinom često koriste umjetnu inteligenciju za upravljanje portfeljima i procjenu rizika. Ti zadaci uključuju veliki broj varijabli i ograničenja. Kvantni algoritmi poput QAOA (Quantum Approximate Optimization Algorithm) testiraju se kako bi se ti problemi učinkovitije riješili.

Citi Innovation Labs i AWS nedavno je proučavao korištenje kvantnih računala za optimizaciju portfelja, posebno koristeći QAOA algoritam i kako se on ponaša. Suradnja pokazuje rastući interes i ulaganja u kvantno računarstvo kao alat za rješavanje problema iz stvarnog svijeta.

Otkrivanje lijekova i molekularno modeliranje

Razvoj lijekova oslanja se na predviđanje međusobnog djelovanja molekula. Modeli umjetne inteligencije mogu pomoći, ali klasične simulacije imaju ograničenja. Kvantno računarstvo je prikladnije za modeliranje kemijskih sustava na kvantnoj razini.

A Nova studija iz IBM-a, Cleveland Clinic i Michigan State University demonstrirali su novi način simuliranja složenih molekula korištenjem kvantnih računala trenutne generacije, nudeći održiv put naprijed za kvantno-centrično znanstveno računanje.

Optimizacija lanca opskrbe

Lancima opskrbe teško je upravljati zbog njihove veličine i složenosti. Umjetna inteligencija može pomoći, ali određene zadatke, poput planiranja ruta i kontrole zaliha, i dalje je teško optimizirati. Istražuju se kvantne metode za poboljšanje tih zadataka.

Fujitsu je u partnerstvu s Japanskom poštom kako bi optimizirali dostavu na krajnju milju u Tokiju, gdje tradicionalni algoritmi usmjeravanja nisu uspjeli uzeti u obzir dinamičke varijable poput prometnih gužvi i fluktuacija količine paketa. Primjenom kvantne umjetne inteligencije uspjeli su započeti rad na transformaciji nekih od najosnovnijih aspekata logistike.

Izazov i ograničenja

Kvantni hardver ostaje izazov. Iako se čini da svaki dan postoje novi napreci, današnji strojevi su i dalje osjetljivi na šum, teško ih je skalirati i nepouzdani su za duga izračunavanja. Većina aplikacija mora raditi unutar tih ograničenja, koristeći kraće i jednostavnije kvantne sklopove.

Razvoj kvantnog softvera je također težak. Kvantno programiranje zahtijeva znanje iz fizike, matematike i računarstva. Malo timova ima pravu kombinaciju vještina.

Kako bi se smanjila ta barijera, stvaraju se novi alati. To uključuje okvire za programiranje visoke razine i automatizirane sustave za dizajn sklopova. Oni omogućuju programerima umjetne inteligencije testiranje kvantnih metoda bez potrebe za pisanjem kvantnog koda niske razine.

Što AI timovi mogu učiniti danas

Kvantna umjetna inteligencija nije spremna za punu primjenu. Međutim, timovi usmjereni na budućnost mogu početi graditi znanje i sustave potrebne za njezino korištenje u budućnosti. Evo tri koraka koje treba uzeti u obzir:

1. Izgradite međufunkcionalne timove – Kombinirajte stručnjake za umjetnu inteligenciju s istraživačima u optimizaciji i kvantnom računarstvu. To omogućuje timovima da istražuju nove ideje i pripremaju buduće mogućnosti.
2. Eksperimentirajte s hibridnim tijekovima rada – Usredotočite se na uske probleme gdje kvantne komponente mogu podržati klasične modele. To uključuje odabir značajki, uzorkovanje ili ograničenu optimizaciju.
3. Koristite alate koji apstrahiraju složenost – Usvojite platforme i okvire koji skrivaju kvantne detalje niske razine. Ovi alati pomažu timovima da se usredotoče na aplikaciju, a ne na hardver.

Kvantna umjetna inteligencija se još uvijek razvija. Nije prečac niti zamjena za klasičnu umjetnu inteligenciju. Međutim, to je rastuće područje s pravim potencijalom u područjima gdje trenutni modeli zaostaju ili se bore. Najvjerojatniji put naprijed nije iznenadni poremećaj, već stalna integracija.

Kako se kvantni hardver poboljšava, a softver postaje dostupniji, rani korisnici bit će u boljoj poziciji za korištenje ovih novih alata. Za timove koji već rade na granicama klasičnih sustava, kvantna umjetna inteligencija mogla bi biti sljedeće mjesto gdje će pronaći vrijednost.