Liderzy myśli
Demistyfikacja sztucznej inteligencji kwantowej: czym jest, czym nie jest i dlaczego ma to teraz znaczenie
Sztuczna inteligencja wkroczyła w nową fazę. Nie chodzi już tylko o budowanie większych modeli czy dostęp do większej ilości danych. Dzisiejsza konkurencja koncentruje się na szybkości, wydajności i innowacyjności. Firmy poszukują nowych narzędzi, które oferują korzyści zarówno techniczne, jak i ekonomiczne. Dla niektórych komputery kwantowe zaczynają wyglądać jak jedno z tych narzędzi.
Kwantowa sztuczna inteligencja (Quantum AI) to połączenie obliczeń kwantowych ze sztuczną inteligencją. Oferuje ona nowy sposób rozwiązywania złożonych problemów w uczeniu maszynowym, optymalizacji i analizie danych. Choć jest wciąż w fazie rozwoju, jej potencjał budzi coraz większe zainteresowanie. Globalny plan na rok 2024 badanie przeprowadzone przez SAS Badania wykazały, że ponad 60% liderów biznesu już bada lub inwestuje w sztuczną inteligencję kwantową. Jednak większość z nich stwierdziła również, że nie do końca rozumie, czym jest ta technologia ani do czego może być wykorzystana.
W tym artykule wyjaśniono, czym jest sztuczna inteligencja kwantowa, jakie problemy może pomóc rozwiązać i jakie obszary może wykorzystać w niedalekiej przyszłości.
Dlaczego zespoły zajmujące się sztuczną inteligencją interesują się technologią kwantową
Szkolenie dużych modeli AI wymaga czasu, energii i pieniędzy. Nawet niewielkie usprawnienia mogą przynieść znaczne oszczędności. Komputery kwantowe oferują nowe metody rozwiązywania niektórych problemów, wydajniejsze i dokładniejsze niż maszyny klasyczne.
Na przykład komputery kwantowe mogą wykonywać wiele obliczeń jednocześnie, wykorzystując właściwość zwaną superpozycją. Dzięki temu doskonale sprawdzają się w rozwiązywaniu problemów związanych z przeszukiwaniem dużych przestrzeni lub optymalizacją złożonych systemów. Możliwości te dobrze wpisują się w wiele zadań uczenia maszynowego, takich jak selekcja cech, dostrajanie modeli i próbkowanie danych.
Chociaż dzisiejsze maszyny kwantowe wciąż ewoluują, naukowcy znajdują sposoby na ich połączenie z klasycznymi narzędziami. Te hybrydowe systemy pozwalają zespołom zajmującym się sztuczną inteligencją testować metody kwantowe już teraz, bez czekania na w pełni rozwinięty sprzęt kwantowy.
Czym jest, a czym nie jest sztuczna inteligencja kwantowa
Sztuczna inteligencja kwantowa nie polega na zastępowaniu obecnych systemów sztucznej inteligencji ich wersjami kwantowymi. Nie polega też na uruchamianiu modeli głębokiego uczenia wyłącznie na sprzęcie kwantowym.
Zamiast tego koncentruje się na wykorzystaniu algorytmów kwantowych do wspierania części procesów sztucznej inteligencji. Mogą one obejmować zadania takie jak przyspieszenie optymalizacji, usprawnienie wyboru cech lub udoskonalenie próbkowania z rozkładów rentowności. W takich przypadkach komputery kwantowe nie zastępują istniejących narzędzi, lecz je wspierają.
Praca wciąż ma charakter eksperymentalny. Większość przykładów opiera się na metodach hybrydowych, w których elementy kwantowe i klasyczne współdziałają ze sobą. Jednak systemy te już teraz przynoszą rezultaty w wąskich zastosowaniach.
Aktualne aplikacje w trakcie rozwoju
Choć ta dziedzina jest nowa, sztuczna inteligencja kwantowa jest już testowana w wielu branżach. Poniższe przykłady wykorzystują rzeczywiste narzędzia i opublikowane badania. Odzwierciedlają one również rodzaje problemów, do których rozwiązania najlepiej nadają się metody kwantowe.
Kompresja modelu i mapowanie cech
Modele sztucznej inteligencji stają się coraz większe i droższe w szkoleniu. Technologie kwantowe mogą pomóc zmniejszyć rozmiar i złożoność tych modeli. Jedną z metod jest mapowanie cech kwantowych, w którym dane wejściowe są transformowane za pomocą obwodów kwantowych. Transformacje te mogą pomóc w oddzieleniu punktów danych, które trudno sklasyfikować standardowymi technikami.
Na „wczesnym” etapie 2021 r. papier w Fizyka przyrody zbadali, w jaki sposób jądra kwantowe mogą udoskonalić maszyny wektorów nośnych, rodzaj modelu uczenia maszynowego. To podejście sprawdza się w przypadku wielowymiarowych lub rzadkich zbiorów danych, w których modele klasyczne mają problemy.
Optymalizacja portfela w finansach
Banki i zarządzający aktywami często wykorzystują sztuczną inteligencję do zarządzania portfelami i oceny ryzyka. Zadania te obejmują dużą liczbę zmiennych i ograniczeń. Algorytmy kwantowe, takie jak QAOA (Quantum Approximate Optimization Algorithm), są testowane w celu efektywniejszego rozwiązywania tych problemów.
Citi Innovation Labs i AWS Niedawno badano wykorzystanie komputerów kwantowych do optymalizacji portfela, w szczególności wykorzystując algorytm QAOA i jego skuteczność. Współpraca ta pokazuje rosnące zainteresowanie i inwestycje w komputery kwantowe jako narzędzie do rozwiązywania rzeczywistych problemów.
Odkrywanie leków i modelowanie molekularne
Rozwój leków opiera się na przewidywaniu interakcji między cząsteczkami. Modele sztucznej inteligencji mogą w tym pomóc, ale klasyczne symulacje mają swoje ograniczenia. Komputery kwantowe lepiej nadają się do modelowania układów chemicznych na poziomie kwantowym.
A Nowe badania z IBM, The Cleveland Clinic i Michigan State University zaprezentowali nową metodę symulacji złożonych cząsteczek przy użyciu komputerów kwantowych obecnej generacji, co wskazuje realną drogę naprzód w dziedzinie naukowych obliczeń kwantowych.
Optymalizacja łańcucha dostaw
Łańcuchy dostaw są trudne w zarządzaniu ze względu na swoją wielkość i złożoność. Sztuczna inteligencja może w tym pomóc, ale niektóre zadania, takie jak planowanie tras i kontrola zapasów, wciąż trudno zoptymalizować. Badane są metody kwantowe, które mogą usprawnić te zadania.
Fujitsu nawiązało współpracę z Pocztą Japońską, aby zoptymalizować dostawę na ostatniej mili w Tokio, gdzie tradycyjne algorytmy trasowania nie uwzględniały zmiennych dynamicznych, takich jak natężenie ruchu i wahania wolumenu przesyłek. Wdrażając sztuczną inteligencję kwantową, firma mogła rozpocząć prace nad transformacją niektórych z najbardziej fundamentalnych aspektów logistyki.
Wyzwanie i ograniczenia
Sprzęt kwantowy pozostaje wyzwaniem. Chociaż nowe postępy pojawiają się niemal każdego dnia, dzisiejsze maszyny są wciąż wrażliwe na szum, trudne do skalowania i zawodne w przypadku długotrwałych obliczeń. Większość aplikacji musi działać w tych granicach, wykorzystując krótsze i prostsze układy kwantowe.
Tworzenie oprogramowania kwantowego jest również trudne. Programowanie kwantowe wymaga znajomości fizyki, matematyki i informatyki. Niewiele zespołów dysponuje odpowiednim połączeniem umiejętności.
Aby obniżyć tę barierę, tworzone są nowe narzędzia. Należą do nich frameworki programowania wysokiego poziomu i systemy automatycznego projektowania obwodów. Umożliwiają one programistom AI testowanie metod kwantowych bez konieczności pisania niskopoziomowego kodu kwantowego.
Co zespoły AI mogą zrobić już dziś
Sztuczna inteligencja kwantowa nie jest jeszcze gotowa do pełnego wdrożenia. Jednak przyszłościowe zespoły mogą zacząć budować wiedzę i systemy potrzebne do wykorzystania jej potencjału w przyszłości. Oto trzy kroki do rozważenia:
- Twórz zespoły interdyscyplinarne – łącz ekspertów AI z badaczami optymalizacji i komputerów kwantowych. Pozwala to zespołom na eksplorowanie nowych pomysłów i przygotowywanie przyszłych możliwości.
- Eksperymentuj z hybrydowymi przepływami pracy – skoncentruj się na wąskich problemach, w których komponenty kwantowe mogą wspierać modele klasyczne. Należą do nich selekcja cech, próbkowanie lub optymalizacja z ograniczeniami.
- Używaj narzędzi, które abstrahują złożoność – stosuj platformy i frameworki, które ukrywają niskopoziomowe szczegóły kwantowe. Te narzędzia pomagają zespołom skupić się na aplikacji, a nie na sprzęcie.
Sztuczna inteligencja kwantowa wciąż się rozwija. Nie jest to droga na skróty ani zamiennik klasycznej sztucznej inteligencji. Jest to jednak rozwijająca się dziedzina z realnym potencjałem w obszarach, w których obecne modele zawodzą lub mają problemy. Najbardziej prawdopodobną drogą naprzód nie jest nagła rewolucja, a stała integracja.
Wraz z udoskonalaniem sprzętu kwantowego i zwiększaniem dostępności oprogramowania, pierwsi użytkownicy będą lepiej przygotowani do korzystania z tych nowych narzędzi. Dla zespołów, które już pracują na granicy możliwości systemów klasycznych, sztuczna inteligencja kwantowa może być kolejnym obszarem, w którym znajdą wartość.
