Demystificatie van kwantum-AI: wat het is, wat het niet is en waarom het nu belangrijk is

AI is een nieuwe fase ingegaan. Het gaat niet langer alleen om het bouwen van grotere modellen of het verkrijgen van toegang tot meer data. De concurrentie draait tegenwoordig om snelheid, efficiëntie en innovatie. Bedrijven zijn op zoek naar nieuwe tools die zowel technische als economische voordelen bieden. Voor sommigen begint quantumcomputing op zo'n tool te lijken.

Quantum AI verwijst naar de combinatie van quantum computing met kunstmatige intelligentie. Het biedt een nieuwe manier om complexe problemen op het gebied van machine learning, optimalisatie en data-analyse aan te pakken. Hoewel het nog in ontwikkeling is, trekt het potentieel ervan serieuze aandacht. Een wereldwijd project in 2024 onderzoek door SAS  Uit een onderzoek van de Universiteit van Californië naar quantum-AI bleek dat meer dan 60 procent van de bedrijfsleiders al bezig is met het verkennen of investeren in quantum-AI. De meesten gaven echter ook aan niet volledig te begrijpen wat de technologie inhoudt of hoe deze kan worden gebruikt.

In dit artikel wordt uitgelegd wat Quantum AI is, welke problemen het kan helpen oplossen en op welke gebieden het in de nabije toekomst een impact kan hebben.

Waarom AI-teams naar kwantum kijken

Het trainen van grote AI-modellen kost tijd, energie en geld. Zelfs kleine efficiëntieverbeteringen kunnen aanzienlijke besparingen opleveren. Quantum computing biedt nieuwe methoden om bepaalde problemen efficiënter of nauwkeuriger op te lossen dan klassieke machines.

Quantumcomputers kunnen bijvoorbeeld meerdere berekeningen tegelijk uitvoeren, gebruikmakend van een eigenschap die superpositie heet. Dit maakt ze uitermate geschikt voor problemen waarbij grote ruimtes moeten worden doorzocht of complexe systemen moeten worden geoptimaliseerd. Deze mogelijkheden sluiten goed aan bij veel taken binnen machine learning, zoals kenmerkselectie, modelafstemming en databemonstering.

Hoewel de huidige quantummachines nog in ontwikkeling zijn, vinden onderzoekers manieren om ze te combineren met klassieke tools. Deze hybride systemen stellen AI-teams in staat om nu quantummethoden te testen, zonder te wachten op volledig ontwikkelde quantumhardware.

Wat Quantum AI wel en niet is

Quantum-AI gaat niet over het vervangen van huidige AI-systemen door quantumversies. Het gaat niet over het volledig draaien van deep learning-modellen op quantumhardware.

In plaats daarvan richt het zich op het gebruik van quantumalgoritmen ter ondersteuning van onderdelen van de AI-pijplijn. Dit kan taken omvatten zoals het versnellen van optimalisatie, het verbeteren van de manier waarop functies worden geselecteerd of het verbeteren van de bemonstering van winstgevendheidsverdelingen. In deze gevallen vervangen quantumcomputers bestaande tools niet, maar ondersteunen ze deze.

Het werk is nog experimenteel. De meeste voorbeelden zijn gebaseerd op hybride methoden, waarbij kwantum- en klassieke onderdelen samenwerken. Maar deze systemen laten al resultaten zien in beperkte toepassingsgevallen.

Huidige toepassingen in ontwikkeling

Hoewel het vakgebied nieuw is, wordt quantum-AI al in verschillende sectoren getest. Deze voorbeelden maken gebruik van echte tools en gepubliceerd onderzoek. Ze weerspiegelen ook de soorten problemen die het meest geschikt zijn voor quantum-AI.

Modelcompressie en feature mapping

AI-modellen worden steeds groter en duurder om te trainen. Kwantumtechnologieën kunnen helpen de omvang en complexiteit van deze modellen te verminderen. Een voorbeeld hiervan is kwantumfunctiemapping, waarbij invoergegevens worden getransformeerd met behulp van kwantumcircuits. Deze transformaties kunnen helpen bij het scheiden van datapunten die moeilijk te classificeren zijn met standaardtechnieken.

In de 'vroege' dagen van 2021 papier in Natuurfysica onderzocht hoe kwantumkernen support vector machines, een type machine learning-model, zouden kunnen verbeteren. Deze aanpak werkt goed voor hoogdimensionale of spaarzame datasets, waar klassieke modellen moeite mee hebben.

Portfolio-optimalisatie in de financiële sector

Banken en vermogensbeheerders gebruiken vaak AI om portefeuilles te beheren en risico's te beoordelen. Deze taken omvatten een groot aantal variabelen en beperkingen. Kwantumalgoritmen zoals QAOA (Quantum Approximate Optimization Algorithm) worden getest om deze problemen efficiënter op te lossen.

Citi Innovation Labs en AWS Recentelijk is onderzoek gedaan naar het gebruik van quantumcomputers voor portfolio-optimalisatie, met name de toepassing van het QAOA-algoritme en de prestaties ervan. De samenwerking toont de groeiende interesse en investering in quantumcomputing als hulpmiddel voor het oplossen van echte problemen.

Geneesmiddelenontdekking en moleculaire modellering

Geneesmiddelenontwikkeling is afhankelijk van het voorspellen hoe moleculen met elkaar interacteren. AI-modellen kunnen hierbij helpen, maar klassieke simulaties hebben hun beperkingen. Quantum computing is beter geschikt voor het modelleren van chemische systemen op quantumniveau.

A nieuwe studie van IBM, The Cleveland Clinic en Michigan State University demonstreerden een nieuwe manier om complexe moleculen te simuleren met behulp van quantumcomputers van de huidige generatie, wat een haalbare weg voorwaarts biedt voor quantumcentrisch wetenschappelijk computergebruik.

Optimalisatie van de toeleveringsketen

Supply chains zijn moeilijk te beheren vanwege hun omvang en complexiteit. AI kan helpen, maar bepaalde taken, zoals routeplanning en voorraadbeheer, blijven lastig te optimaliseren. Quantummethoden worden onderzocht om deze taken te verbeteren.

Fujitsu is een partnerschap aangegaan Samen met Japan Post om de bezorging in Tokio te optimaliseren, waar traditionele routeringsalgoritmes geen rekening hielden met dynamische variabelen zoals verkeersopstoppingen en schommelingen in het pakketvolume. Door Quantum AI in te zetten, konden ze aan de slag met het transformeren van enkele van de meest fundamentele aspecten van logistiek.

Uitdaging en beperkingen

Quantumhardware blijft een uitdaging. Hoewel er schijnbaar elke dag nieuwe ontwikkelingen zijn, zijn de huidige machines nog steeds gevoelig voor ruis, moeilijk te schalen en onbetrouwbaar bij lange berekeningen. De meeste toepassingen moeten binnen deze grenzen opereren en maken gebruik van kortere en eenvoudigere quantumcircuits.

Quantumsoftwareontwikkeling is ook moeilijk. Quantumprogrammering vereist kennis van natuurkunde, wiskunde en informatica. Weinig teams beschikken over de juiste mix van vaardigheden.

Om deze barrière te verlagen, worden nieuwe tools ontwikkeld, zoals frameworks voor geavanceerde programmering en geautomatiseerde circuitontwerpsystemen. Deze stellen AI-ontwikkelaars in staat om quantummethoden te testen zonder low-level quantumcode te hoeven schrijven.

Wat AI-teams vandaag de dag kunnen doen

Quantum AI is nog niet klaar voor volledige implementatie. Vooruitstrevende teams kunnen echter beginnen met het opbouwen van de kennis en systemen die nodig zijn om er in de toekomst van te profiteren. Hier zijn drie stappen om te overwegen:

1. Stel cross-functionele teams samen – Combineer AI-experts met onderzoekers in optimalisatie en quantum computing. Zo kunnen teams nieuwe ideeën verkennen en toekomstige mogelijkheden voorbereiden.
2. Experimenteer met hybride workflows – Focus op specifieke problemen waarbij kwantumcomponenten klassieke modellen kunnen ondersteunen. Denk hierbij aan feature-selectie, sampling of beperkte optimalisatie.
3. Gebruik tools die complexiteit abstraheren – Gebruik platforms en frameworks die kwantumdetails op laag niveau verbergen. Deze tools helpen teams zich te concentreren op de applicatie, niet op de hardware.

Quantum-AI is nog in ontwikkeling. Het is geen snelle oplossing of vervanging voor klassieke AI. Het is echter een groeiend veld met reëel potentieel op gebieden waar huidige modellen tekortschieten of moeite hebben. De meest waarschijnlijke weg vooruit is niet plotselinge verstoring, maar gestage integratie.

Naarmate quantumhardware verbetert en software toegankelijker wordt, zullen early adopters beter gepositioneerd zijn om deze nieuwe tools te gebruiken. Voor teams die al op de grenzen van klassieke systemen werken, kan quantum-AI de volgende plek zijn om waarde te vinden.