量子コンピューティング
量子AIの神話を解く: それは何であり、什么ではないのか、そしてなぜ今それが重要なのか
AIは新しい段階に入った。ただ大きいモデルを構築したり、より多くのデータにアクセスしたりすることだけではなくなった。今日の競争は、速度、効率、革新に焦点を当てている。企業は、技術的および経済的利点を提供する新しいツールを探している。何人かのために、量子コンピューティングはそのようなツールの1つとして見えてくる。
量子AIとは、量子コンピューティングと人工知能の組み合わせを指す。機械学習、最適化、データ分析の複雑な問題に新しいアプローチを提供する。まだ開発中であるが、その潜在性は真剣に注目されている。2024年の世界的なSASの調査によると、60パーセント以上のビジネスリーダーがすでに量子AIを探索または投資している。しかし、ほとんどの人はまだ技術が何であるか、またはどのように使用できるかを完全に理解していない。
この記事では、量子AIが何であるか、どのような問題を解決する可能性があるか、そして近い将来どこで影響を与える可能性があるかを説明する。
なぜAIチームは量子を注目しているのか
大きなAIモデルをトレーニングするには時間、エネルギー、金がかかる。わずかな効率の改善でも大きな節約につながる。量子コンピューティングは、特定の問題をより効率的にまたは正確に解決するための新しい方法を提供する。
例えば、量子コンピューターは、重ね合わせという特性を利用して複数の計算を同時に実行できる。これにより、検索空間を検索したり、複雑なシステムを最適化したりするタスクに適している。これらの機能は、特徴選択、モデル調整、データサンプリングなどの多くの機械学習タスクと一致する。
現在の量子マシンはまだ発展途上であるが、研究者はそれらをクラシックツールと組み合わせる方法を見つけてきた。これらのハイブリッドシステムにより、AIチームは完全に開発された量子ハードウェアを待たずに量子メソッドをテストできる。
量子AIとは何か、そして何ではないのか
量子AIは、現在のAIシステムを量子バージョンに置き換えることではない。深層学習モデルを完全に量子ハードウェアで実行することではない。
代わりに、AIパイプラインの部分をサポートするために量子アルゴリズムを使用することに焦点を当てている。これには、最適化を高速化したり、特徴を選択する方法を改善したり、利益分布からのサンプリングを強化したりするタスクが含まれる。こうした場合、量子コンピューターは既存のツールを置き換えるのではなく、サポートする。
この仕事はまだ実験的である。ほとんどの例は、量子とクラシックの部分が協力して機能するハイブリッド方法に依存している。しかし、これらのシステムはすでに狭いユースケースで結果を示している。
開発中の現在のアプリケーション
この分野は新しいが、量子AIはすでにいくつかの業界でテストされている。これらの例は、実際のツールと公表された研究を使用している。また、量子方法が最も適している問題の種類を反映している。
モデル圧縮と特徴マッピング
AIモデルは大きくなり、トレーニングコストが高くなっている。量子テクノロジーは、これらのモデルのサイズと複雑さを削減するのに役立つ。1つの方法は量子特徴マッピングであり、入力データを量子回路を使用して変換する。これらの変換は、標準的なテクニックで分類が難しいデータポイントを区別するのに役立つ。
初期の日々に、2021年のNature Physicsの論文は、量子カーネルがサポートベクターマシン、機械学習モデルの1種類を改善する方法を探索した。このアプローチは、高次元またはスパースなデータセットで機能し、クラシックモデルの苦手な分野で機能する。
金融におけるポートフォリオ最適化
銀行や資産運用会社は、ポートフォリオを管理し、リスクを評価するためにAIを使用する。これらのタスクには、多数の変数と制約が含まれる。量子アルゴリズム、例えばQAOA（量子近似最適化アルゴリズム）は、これらの問題をより効率的に解決するためにテストされている。
Citi Innovation LabsとAWSは最近、ポートフォリオ最適化、特にQAOAアルゴリズムの使用とそのパフォーマンスを研究した。このコラボレーションは、量子コンピューティングへの関心と投資の増加を示している。
薬剤発見と分子モデリング
薬剤開発には、分子が互いにどのように相互作用するかを予測することが含まれる。AIモデルは支援できるが、クラシックシミュレーションには限界がある。量子コンピューティングは、量子レベルでの化学システムのモデリングに適している。
新しい研究は、IBM、クリーブランドクリニック、ミシガン州立大学によって行われ、現在の量子コンピューターを使用して複雑な分子をシミュレートする新しい方法を示した。これは、量子中心の科学計算への実行可能なパスを提供する。
サプライチェーン最適化
サプライチェーンは、その大きさと複雑さにより、管理が難しい。AIは支援できるが、ルートプランニングや在庫管理などの特定のタスクは、最適化が難しい。量子方法は、これらのタスクを改善するために探索されている。
富士通は日本郵政と提携して、東京のラストマイル配送を最適化した。従来のルーティングアルゴリズムは、交通渋滞やパッケージの量の変動などの動的変数を考慮できなかった。量子AIを展開することで、物流の最も基本的な側面のいくつかを変革し始めた。
課題と制限
量子ハードウェアはまだ課題である。毎日新しい進歩が見られるが、現在のマシンはまだノイズに敏感で、スケーラビリティが低く、長時間の計算には信頼性が低い。ほとんどのアプリケーションは、これらの制限内で動作する必要があり、より短くてシンプルな量子回路を使用する必要がある。
量子ソフトウェアの開発も難しい。量子プログラミングには物理学、数学、コンピューターサイエンスの知識が必要である。適切なスキルを持ったチームは少ない。
この障壁を下げるために、新しいツールが作成されている。これには、高レベルプログラミングフレームワークや自動回路設計システムが含まれる。これらのツールにより、AI開発者は低レベルの量子コードを書く必要なく量子メソッドをテストできる。
AIチームが今日できること
量子AIはまだ完全に展開する準備ができていない。しかし、前向きに考えるチームは、将来に備えて必要な知識とシステムを構築し始めることができる。以下は、考慮すべき3つのステップである：
- クロスファンクショナルチームを構築する – AIの専門家と最適化および量子コンピューティングの研究者を組み合わせる。これにより、チームは新しいアイデアを探索し、将来の機能を準備できる。
- ハイブリッドワークフローを実験する – 量子コンポーネントがクラシックモデルをサポートできる狭い問題に焦点を当てる。これには、特徴選択、サンプリング、または制約付き最適化が含まれる。
- 複雑さを抽象化するツールを使用する – 低レベルの量子詳細を隠すプラットフォームやフレームワークを採用する。これらのツールにより、チームはハードウェアではなく、アプリケーションに焦点を当てることができる。
量子AIはまだ開発中である。これは、クラシックAIのショートカットや置き換えではない。しかし、現在のモデルが不足または苦手な分野で潜在的な成長が見られる分野である。最も可能性の高い進化の道は、突然の変化ではなく、徐々に統合されることである。
量子ハードウェアが改善され、ソフトウェアがよりアクセスしやすくなると、早期の採用者はこれらの新しいツールを利用するためにより良い立場にあるだろう。クラシックシステムの限界で働いているチームにとって、量子AIは次に価値を見つける場所になるかもしれない。
