Het ontdekken van Quantum 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 toegang krijgen tot meer gegevens. De huidige concurrentie draait om snelheid, efficiëntie en innovatie. Bedrijven zoeken naar nieuwe instrumenten die zowel technische als economische voordelen bieden. Voor sommigen begint quantumcomputing eruit te zien als een van die instrumenten.

Quantum AI verwijst naar de combinatie van quantumcomputing met kunstmatige intelligentie. Het biedt een nieuwe manier om complexe problemen in machine learning, optimalisatie en gegevensanalyse aan te pakken. Hoewel het nog in ontwikkeling is, trekt het potentieel serieuze aandacht. Een wereldwijd onderzoek van SAS uit 2024 vond dat meer dan 60 procent van de zakelijke leiders al Quantum AI verkennen of erin investeren. Echter, de meesten zeiden ook dat ze niet volledig begrijpen wat de technologie is of hoe deze mogelijk gebruikt kan worden.

Dit artikel legt uit wat Quantum AI is, welke problemen het mogelijk kan helpen oplossen en waar het in de nabije toekomst impact kan hebben.

Waarom AI-teams naar Quantum kijken

Het trainen van grote AI-modellen kost tijd, energie en geld. Zelfs kleine efficiëntieverbeteringen kunnen leiden tot aanzienlijke besparingen. Quantumcomputing biedt nieuwe methoden voor het oplossen van bepaalde problemen efficiënter of nauwkeuriger dan klassieke machines.

Als voorbeeld kunnen quantumcomputers meerdere berekeningen tegelijk uitvoeren, door gebruik te maken van een eigenschap bekend als superpositie. Dit maakt ze geschikt voor problemen die het doorzoeken van grote ruimtes of het optimaliseren van complexe systemen betreffen. Deze capaciteiten komen goed overeen met veel taken in machine learning, zoals functieselectie, modelafstemming en gegevenssteekproeven.

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

Wat Quantum AI is en niet is

Quantum AI gaat niet over het vervangen van bestaande AI-systemen met quantumversies. Het gaat niet over het uitvoeren van diepe leermodellen geheel op quantumhardware.

In plaats daarvan richt het zich op het gebruik van quantumalgoritmes om onderdelen van de AI-pijplijn te ondersteunen. Dit kunnen taken zijn zoals het versnellen van optimalisatie, het verbeteren van de selectie van functies of het verbeteren van steekproeven uit winstverdelingen. In deze gevallen vervangen quantumcomputers geen bestaande instrumenten; ze ondersteunen ze.

Het werk is nog experimenteel. De meeste voorbeelden zijn afhankelijk van hybride methoden, waarbij quantum- en klassieke onderdelen samenwerken. Maar deze systemen laten al resultaten zien in smalle gebruikscases.

Huidige toepassingen in ontwikkeling

Hoewel het veld nieuw is, wordt Quantum AI al getest in verschillende industrieën. Deze voorbeelden gebruiken echte instrumenten en gepubliceerde onderzoeken. Ze weerspiegelen ook de soorten problemen waarvoor quantummethoden het beste geschikt zijn.

Modelcompressie en functiemapping

AI-modellen worden groter en duurder om te trainen. Quantumtechnologieën kunnen helpen om de grootte en complexiteit van deze modellen te verminderen. Een methode is quantumfunctiemapping, waarbij invoergegevens worden getransformeerd met behulp van quantumcircuits. Deze transformaties kunnen helpen om gegevenspunten te scheiden die moeilijk te classificeren zijn met standaardtechnieken.

In de ‘vroege’ dagen onderzocht een paper in Nature Physics uit 2021 hoe quantumkernels de ondersteuningsvector machines, een type machine learning-model, konden verbeteren. Deze benadering werkt goed voor hoogdimensionale of spaarzame datasets, waar klassieke modellen worstelen.

Portfoliobeheer in financiën

Banken en vermogensbeheerders gebruiken vaak AI om portfoliobeheer en risicobeoordeling uit te voeren. Deze taken omvatten een groot aantal variabelen en beperkingen. Quantumalgoritmes zoals QAOA (Quantum Approximate Optimization Algorithm) worden getest om deze problemen efficiënter op te lossen.

Citi Innovation Labs en AWS onderzochten onlangs het gebruik van quantumcomputers voor portfoliobeheer, met name met behulp van de QAOA-algoritme en hoe het presteerde. De samenwerking toont de groeiende interesse en investeringen in quantumcomputing als instrument voor het oplossen van echte wereldproblemen.

Geneesmiddelenontdekking en moleculair modelleren

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

Een nieuwe studie van IBM, The Cleveland Clinic en Michigan State University toonde een nieuwe manier om complexe moleculen te simuleren met behulp van huidige quantumcomputers, waardoor een haalbare weg voorwaarts wordt geboden voor quantum-georiënteerde wetenschappelijke computing.

Supply Chain-optimalisatie

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

Fujitsu werkte samen met Japan Post om de laatste mijl van de bezorging in Tokio te optimaliseren, waar traditionele routeringsalgoritmes niet konden omgaan met dynamische variabelen zoals verkeerscongestie en pakketvolume fluctuaties. Door Quantum AI in te zetten, konden ze beginnen met het transformeren van enkele van de meest fundamentele aspecten van logistiek.

Uitdagingen en beperkingen

Quantumhardware blijft een uitdaging. Hoewel er elke dag nieuwe vooruitgang is, zijn de huidige machines nog steeds gevoelig voor ruis, moeilijk te schalen en onbetrouwbaar voor lange berekeningen. De meeste toepassingen moeten binnen deze beperkingen werken, door gebruik te maken van kortere en eenvoudigere quantumcircuits.

Quantumsoftwareontwikkeling is ook moeilijk. Quantumprogrammeren vereist kennis van natuurkunde, wiskunde en informatica. Weinig teams hebben de juiste mix van vaardigheden.

Om deze barrière te verlagen, worden nieuwe instrumenten gemaakt. Dit omvat hoge-niveau programmeerframeworks en geautomatiseerde circuitontwerpsystemen. Deze stellen AI-ontwikkelaars in staat om quantummethoden te testen zonder laag-niveau quantumcode te hoeven schrijven.

Wat AI-teams vandaag kunnen doen

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

1. Cross-functionele teams opbouwen – Combineer AI-experts met onderzoekers in optimalisatie en quantumcomputing. Dit stelt teams in staat om nieuwe ideeën te onderzoeken en toekomstige capaciteiten voor te bereiden.
2. Hybride workflows experimenteren – Richt je op smalle problemen waar quantumcomponenten klassieke modellen kunnen ondersteunen. Dit omvat functieselectie, steekproeven of beperkte optimalisatie.
3. Instrumenten gebruiken die complexiteit abstracteren – Neem platforms en frameworks die laag-niveau quantumdetails verbergen. Deze instrumenten helpen teams zich te concentreren op de toepassing, niet op de hardware.

Quantum AI is nog in ontwikkeling. Het is geen shortcut of vervanging voor klassieke AI. Echter, het is een groeiend veld met echt potentieel in gebieden waar huidige modellen tekortschieten of worstelen. De meest waarschijnlijke weg voorwaarts is niet plotselinge verstoring, maar geleidelijke integratie.

Naarmate quantumhardware verbetert en software toegankelijker wordt, zullen vroeg adapters beter gepositioneerd zijn om deze nieuwe instrumenten te gebruiken. Voor teams die al werken aan de limieten van klassieke systemen, kan Quantum AI de volgende plek zijn om waarde te vinden.