Avklarering av kvantum-AI: Hva det er, hva det ikke er og hvorfor det er viktig nå

AI har gått inn i en ny fase. Det handler ikke lenger bare om å bygge større modeller eller få tilgang til mer data. I dag handler konkurransen om hastighet, effisiens og innovasjon. Selskaper søker etter nye verktøy som tilbyr både tekniske og økonomiske fordeler. For noen ser kvantumdatamaskiner ut til å være ett av disse verktøyene.

Kvantum-AI refererer til kombinasjonen av kvantumdatamaskiner og kunstig intelligens. Det tilbyr en ny måte å løse komplekse problemer i maskinlæring, optimering og dataanalyse. Selv om det fortsatt er under utvikling, trekker potensialet stor oppmerksomhet. En global undersøkelse fra 2024 utført av SAS fant at over 60 prosent av næringsledere allerede utforsker eller investerer i Kvantum-AI. Likevel sa de fleste at de ikke fullt ut forstår hva teknologien er eller hvordan den kan brukes.

Denne artikkelen forklarer hva Kvantum-AI er, hvilke problemer det kan hjelpe med å løse og hvor det kan ha en innvirkning i nær fremtid.

Hvorfor AI-team ser på kvantum

Trening av store AI-modeller tar tid, energi og penger. Selv små effisiensforbedringer kan resultere i betydelige besparelser. Kvantumdatamaskiner tilbyr nye metoder for å løse bestemte problemer mer effektivt eller nøyaktig enn klassiske maskiner.

For eksempel kan kvantumdatamaskiner utføre flere beregninger samtidig, ved hjelp av en egenskap kjent som superposisjon. Dette gjør dem godt egnet for problemer som innebærer søking i store rom eller optimering av komplekse systemer. Disse evnene passer godt med mange oppgaver i maskinlæring, som valg av funksjoner, modelljustering og datasampling.

Selv om dagens kvantummaskiner fortsatt er under utvikling, finner forskerne måter å kombinere dem med klassiske verktøy. Disse hybrid-systemene tillater AI-team å teste kvantummetoder nå, uten å vente på fullt utviklede kvantummaskiner.

Hva Kvantum-AI er og ikke er

Kvantum-AI handler ikke om å erstatte nåværende AI-systemer med kvantumversjoner. Det handler ikke om å kjøre dypt læringsmodeller helt på kvantummaskiner.

I stedet fokuserer det på å bruke kvantumalgoritmer til å støtte deler av AI-pipeline. Dette kan inkludere oppgaver som å akselerere optimering, forbedre valg av funksjoner eller forbedre sampling fra lønnsomhetsfordelinger. I disse tilfellene erstatter kvantumdatamaskiner ikke eksisterende verktøy; de støtter dem.

Arbeidet er fortsatt eksperimentelt. De fleste eksemplerer baserer seg på hybridmetoder, der kvantum- og klassiske deler arbeider sammen. Men disse systemene viser allerede resultater i smale bruksområder.

Aktuelle anvendelser under utvikling

Selv om feltet er nytt, testes Kvantum-AI allerede i flere industrier. Disse eksemplene bruker virkelige verktøy og publisert forskning. De reflekterer også de typene problemer kvantummetoder er best egnet til å løse.

Modellkomprimering og funksjonskartlegging

AI-modeller vokser større og mer kostbare å trene. Kvantumteknologier kan hjelpe med å redusere størrelsen og kompleksiteten av disse modellene. En metode er kvantumfunksjonskartlegging, der inndata transformeres ved hjelp av kvantumkretser. Disse transformasjonene kan hjelpe med å skille data punkter som er vanskelige å klassifisere med standardteknikker.

I de tidlige dagene utforsket en artikkel fra 2021 i Nature Physics hvordan kvantumkjerne kunne forbedre støttevektmaskiner, en type maskinlæringsmodell. Denne tilnærmingen fungerer godt for høydimensjonale eller sparsomme datasett, der klassiske modeller sliter.

Porteføljeoptimering i finans

Banker og eiendomsforvaltere bruker ofte AI til å forvalte porteføljer og vurdere risiko. Disse oppgavene innebærer store mengder variabler og begrensninger. Kvantumalgoritmer som QAOA (Quantum Approximate Optimization Algorithm) testes for å løse disse problemene mer effektivt.

Citi Innovation Labs og AWS studerte nylig bruken av kvantumdatamaskiner for porteføljeoptimering, spesielt ved å bruke QAOA-algoritmen og hvordan den fungerte. Samarbeidet viser den økende interessen og investeringen i kvantumdatamaskiner som et verktøy for å løse virkelige problemer.

Legemiddelforskning og molekylmodellering

Legemiddelutvikling avhenger av å forutsi hvordan molekyler samhandler med hverandre. AI-modeller kan assistere, men klassiske simulasjoner har begrensninger. Kvantumdatamaskiner er bedre egnet for å modellere kjemiske systemer på kvantumnivå.

En ny studie fra IBM, The Cleveland Clinic og Michigan State University demonstrerte en ny måte å simulere komplekse molekyler ved hjelp av nåværende kvantumdatamaskiner, og tilbyr en realistisk vei fremover for kvantumbasert vitenskapelig beregning.

Forbedring av forsyningskjeder

Forsyningskjeder er vanskelige å forvalte på grunn av deres størrelse og kompleksitet. AI kan hjelpe, men visse oppgaver, som ruteplanlegging og lagerstyring, er fortsatt vanskelige å optimere. Kvantummetoder utforskes for å forbedre disse oppgavene.

Fujitsu samarbeidet med Japan Post for å optimere siste-mil-levering i Tokyo, der tradisjonelle rutealgoritmer ikke kunne håndtere dynamiske variabler som trafikk og pakkevolum. Ved å deployere Kvantum-AI, kunne de starte arbeidet med å transformere noen av de mest grunnleggende aspektene av logistikk.

Ufordringer og begrensninger

Kvantummaskinvare er fortsatt en utfordring. Selv om det er nye fremgang hver dag, er dagens maskiner fortsatt følsomme for støy, vanskelige å skalerer og upålitelige for lange beregninger. De fleste anvendelser må operere innenfor disse begrensningene, ved å bruke kortere og enklere kvantumkretser.

Kvantumprogramvareutvikling er også vanskelig. Kvantumprogrammering krever kunnskap i fysikk, matematikk og datavitenskap. Få team har den riktige blandingen av ferdigheter.

For å senke denne barrieren, skapes nye verktøy. Disse inkluderer høynivå-programmeringsrammer og automatiske kretsdesignsystemer. Disse tillater AI-utviklere å teste kvantummetoder uten å måtte skrive lavnivå kvantumkode.

Hva AI-team kan gjøre i dag

Kvantum-AI er ikke klar for fullt utrullering. Likevel kan fremtidsrettede team begynne å bygge kunnskapen og systemene som trengs for å dra nytte av det i fremtiden. Her er tre steg å vurdere:

1. Bygg tverrfaglige team – Kombiner AI-eksperter med forskere i optimering og kvantumdatamaskiner. Dette tillater team å utforske nye ideer og forberede fremtidige evner.
2. Eksperimenter med hybrid-arbeidsflyter – Fokus på smale problemer der kvantumkomponenter kan støtte klassiske modeller. Dette inkluderer funksjonsvalg, sampling eller begrensningsoptimering.
3. Bruk verktøy som abstraherer kompleksitet – Adopter plattformer og rammer som skjuler lavnivå kvantumdetaljer. Disse verktøyene hjelper team å fokusere på anvendelsen, ikke maskinvaren.

Kvantum-AI er fortsatt under utvikling. Det er ikke en kortvei eller erstatning for klassisk AI. Likevel er det et voksende felt med reell potensial i områder der nåværende modeller sliter eller har vanskeligheter. Den mest sannsynlige veien fremover er ikke plutselig forstyrrelse, men jevn integrasjon.

Ettersom kvantummaskinvare forbedres og programvare blir mer tilgjengelig, vil tidlige adoptører være bedre posisjonert til å utnytte disse nye verktøyene. For team som allerede arbeider på grensene av klassiske systemer, kan Kvantum-AI være neste sted å finne verdi.