Tanke ledare
Avmystifiering av kvant-AI: Vad det är, vad det inte är och varför det spelar roll nu
AI har gått in i en ny fas. Det handlar inte längre bara om att bygga större modeller eller få tillgång till mer data. Dagens konkurrens handlar om hastighet, effektivitet och innovation. Företag söker nya verktyg som erbjuder både tekniska och ekonomiska fördelar. För vissa börjar kvantberäkning se ut som ett av dessa verktyg.
Kvant-AI hänvisar till kombinationen av kvantberäkning med artificiell intelligens. Det erbjuder ett nytt sätt att hantera komplexa problem inom maskininlärning, optimering och dataanalys. Även om det fortfarande är under utveckling drar potentialen till sig allvarlig uppmärksamhet. En global 2024-modell undersökning av SAS fann att mer än 60 procent av företagsledarna redan utforskar eller investerar i kvant-AI. De flesta sa dock också att de inte helt förstår vad tekniken är eller hur den kan användas.
Den här artikeln förklarar vad kvant-AI är, vilka problem den kan bidra till att lösa och var den kan göra skillnad inom en snar framtid.
Varför AI-team tittar på kvantmekanik
Att träna stora AI-modeller tar tid, energi och pengar. Även mindre effektivitetsförbättringar kan resultera i betydande besparingar. Kvantberäkningar ger nya metoder för att lösa vissa problem mer effektivt eller exakt än klassiska maskiner.
Till exempel kan kvantdatorer utföra flera beräkningar samtidigt med hjälp av en egenskap som kallas superposition. Detta gör dem väl lämpade för problem som involverar sökning av stora utrymmen eller optimering av komplexa system. Dessa funktioner passar väl ihop med många uppgifter inom maskininlärning, såsom funktionsval, modelljustering och dataprovtagning.
Medan dagens kvantmaskiner fortfarande utvecklas, hittar forskare sätt att kombinera dem med klassiska verktyg. Dessa hybridsystem gör det möjligt för AI-team att testa kvantmetoder nu, utan att vänta på fullt utvecklad kvanthårdvara.
Vad kvant-AI är och inte är
Kvant-AI handlar inte om att ersätta nuvarande AI-system med kvantversioner. Det handlar inte om att köra djupinlärningsmodeller helt på kvanthårdvara.
Istället fokuserar den på att använda kvantalgoritmer för att stödja delar av AI-pipelinen. Dessa kan inkludera uppgifter som att påskynda optimering, förbättra hur funktioner väljs ut eller förbättra urvalet från lönsamhetsfördelningar. I dessa fall ersätter inte kvantdatorer befintliga verktyg; de stöder dem.
Arbetet är fortfarande experimentellt. De flesta exemplen bygger på hybridmetoder, där kvant- och klassiska delar samverkar. Men dessa system visar redan resultat i snäva användningsfall.
Nuvarande applikationer under utveckling
Även om området är nytt testas kvant-AI redan i flera branscher. Dessa exempel använder verkliga verktyg och publicerad forskning. De återspeglar också de typer av problem som kvantmetoder är bäst lämpade att lösa.
Modellkomprimering och funktionsmappning
AI-modeller blir större och dyrare att träna. Kvantteknik kan bidra till att minska storleken och komplexiteten hos dessa modeller. En metod är kvantfunktionskartläggning, där indata transformeras med hjälp av kvantkretsar. Dessa transformationer kan hjälpa till att separera datapunkter som är svåra att klassificera med standardtekniker.
I de "tidiga" dagarna 2021 papper i Naturfysik utforskade hur kvantkärnor skulle kunna förbättra stödvektormaskiner, en typ av maskininlärningsmodell. Denna metod fungerar bra för högdimensionella eller glesa datamängder, där klassiska modeller har svårt.
Portföljoptimering inom finans
Banker och kapitalförvaltare använder ofta AI för att hantera portföljer och bedöma risker. Dessa uppgifter involverar ett stort antal variabler och begränsningar. Kvantalgoritmer som QAOA (Quantum Approximate Optimization Algorithm) testas för att lösa dessa problem mer effektivt.
Citi Innovation Labs och AWS nyligen studerat användningen av kvantdatorer för portföljoptimering, särskilt med QAOA-algoritmen och hur den presterade. Samarbetet visar på det växande intresset för och investeringarna i kvantberäkning som ett verktyg för att lösa verkliga problem.
Läkemedelsupptäckt och molekylär modellering
Läkemedelsutveckling bygger på att förutsäga hur molekyler interagerar med varandra. AI-modeller kan hjälpa till, men klassiska simuleringar har begränsningar. Kvantberäkning är bättre lämpad för att modellera kemiska system på kvantnivå.
A ny studie från IBM, The Cleveland Clinic och Michigan State University demonstrerade ett nytt sätt att simulera komplexa molekyler med hjälp av nuvarande generationens kvantdatorer, vilket erbjuder en gångbar väg framåt för kvantcentrerad vetenskaplig beräkning.
Supply Chain Optimering
Leveranskedjor är svåra att hantera på grund av sin storlek och komplexitet. AI kan hjälpa till, men vissa uppgifter, som ruttplanering och lagerkontroll, är fortfarande svåra att optimera. Kvantmetoder utforskas för att förbättra dessa uppgifter.
Fujitsu samarbetade med Japan Post för att optimera leveranser till sista milen i Tokyo, där traditionella routingalgoritmer inte kunde ta hänsyn till dynamiska variabler som trafikstockningar och fluktuationer i paketvolymer. Genom att använda kvant-AI kunde de påbörja arbetet med att omvandla några av de mest grundläggande aspekterna av logistiken.
Utmaningar och begränsningar
Kvanthårdvara är fortfarande en utmaning. Även om det till synes sker nya framsteg varje dag, är dagens maskiner fortfarande känsliga för brus, svåra att skala upp och opålitliga för långa beräkningar. De flesta applikationer måste fungera inom dessa gränser och använda kortare och enklare kvantkretsar.
Kvantmjukvaruutveckling är också svårt. Kvantprogrammering kräver kunskaper i fysik, matematik och datavetenskap. Få team har rätt blandning av färdigheter.
För att sänka denna barriär skapas nya verktyg. Dessa inkluderar högnivåprogrammeringsramverk och automatiserade kretsdesignsystem. Dessa gör det möjligt för AI-utvecklare att testa kvantmetoder utan att behöva skriva lågnivåkvantkod.
Vad AI-team kan göra idag
Kvant-AI är inte redo för full driftsättning. Framåtblickande team kan dock börja bygga upp den kunskap och de system som behövs för att dra nytta av den i framtiden. Här är tre steg att överväga:
- Bygg tvärfunktionella team – Kombinera AI-experter med forskare inom optimering och kvantberäkning. Detta gör det möjligt för team att utforska nya idéer och förbereda framtida kapacitet.
- Experimentera med hybridarbetsflöden – Fokusera på smala problem där kvantkomponenter kan stödja klassiska modeller. Dessa inkluderar funktionsval, sampling eller begränsad optimering.
- Använd verktyg som abstraherar komplexitet – Anta plattformar och ramverk som döljer kvantmekaniska detaljer på låg nivå. Dessa verktyg hjälper team att fokusera på applikationen, inte hårdvaran.
Kvant-AI är fortfarande under utveckling. Det är inte en genväg eller ersättning för klassisk AI. Det är dock ett växande område med verklig potential inom områden där nuvarande modeller brister eller har problem. Den mest sannolika vägen framåt är inte plötslig störning, utan stadig integration.
I takt med att kvanthårdvara förbättras och programvara blir mer tillgänglig, kommer tidiga användare att vara bättre positionerade att använda dessa nya verktyg. För team som redan arbetar vid gränserna för klassiska system kan kvant-AI vara nästa plats att hitta värde.
