Quantum AI još uvijek je godinama od pravednog vremena za poduzeća

Potencijal kvantnog računanja da revolucionira AI ovisi o rastu razvojnog ekosustava u kojem ima prikladnih alata, vještina i platformi. Da bi se smatrala spremnom za uvođenje proizvodnje u poduzeću, kvantna AI industrija morala bi u najmanju ruku postići sljedeće ključne prekretnice:

  • Pronađite uvjerljivu aplikaciju za koju kvantno računanje ima očitu prednost u odnosu na klasične pristupe izgradnji i treningu AI.
  • Približite se široko prihvaćenom okviru otvorenog koda za izgradnju, obuku i primjenu kvantne AI.
  • Izgradite značajan, vješt ekosustav za programere kvantnih AI aplikacija.

Sve su ove prekretnice još uvijek barem nekoliko godina u budućnosti. Slijedi analiza zrelosti kvantne AI industrije u današnje vrijeme.

Nedostatak uvjerljive AI aplikacije za koju kvantno računanje ima očitu prednost

Quantum AI relativno dobro izvršava ML (strojno učenje), DL (dubinsko učenje) i druge algoritme AI na temelju podataka.

Kao pristup, kvantni AI se pomaknuo daleko dalje od faze dokazivanja koncepta. Međutim, to nije isto kao kad bismo mogli tvrditi da su kvantni pristupi superiorniji od klasičnih pristupa za izvršavanje operacija matrice o kojima ovise opterećenja AI-a za uključivanje i obuku.

Što se tiče AI, ključni je kriterij mogu li kvantne platforme ubrzati ML i DL radna opterećenja brže od računala izgrađenih u potpunosti na klasičnim von Neumannovim arhitekturama. Do sada ne postoji posebna AI aplikacija koju kvantno računalo može izvesti bolje od bilo koje klasične alternative. Da bismo kvantni AI proglasili zrelom tehnologijom poduzeća, trebalo bi postojati barem nekoliko AI aplikacija za koje nudi jasnu prednost - brzinu, točnost, učinkovitost - u odnosu na klasične pristupe obradi tih radnih opterećenja.

Ipak, pioniri kvantne umjetne inteligencije uskladili su svoje algoritme funkcionalne obrade s matematičkim svojstvima kvantnih računskih arhitektura. Trenutno glavni algoritamski pristupi za kvantni AI uključuju:

  • Amplitudno kodiranje: Ovo povezuje amplitude kvantnog stanja s ulazima i izlazima izračuna koji izvode ML i DL algoritmi. Amplitudno kodiranje omogućuje statističke algoritme koji podržavaju eksponencijalno kompaktni prikaz složenih višedimenzionalnih varijabli. Podržava matrične inverzije u kojima se obuka statističkih modela ML svodi na rješavanje linearnih sustava jednadžbi, poput onih u linearnim regresijama s najmanjim kvadratima, verziji strojeva s vektorskim potporom s najmanjim kvadratima i Gaussovim procesima. Često zahtijeva od programera da inicijalizira kvantni sustav u stanju čije amplitude odražavaju značajke cijelog skupa podataka.
  • Pojačanje amplitude : Ovdje se koristi algoritam koji s velikom vjerojatnošću pronalazi jedinstveni ulaz u funkciju crne kutije koja daje određenu izlaznu vrijednost. Pojačanje amplitude pogodno je za one algoritme ML koji se mogu prevesti u nestrukturirani zadatak pretraživanja, poput k-medijana i k-najbližih susjeda. Može se ubrzati algoritmima slučajnog hoda gdje slučajnost dolazi od stohastičkih prijelaza između stanja, poput one svojstvene kvantnoj superpoziciji stanja i kolapsu valnih funkcija zbog mjerenja stanja.
  • Kvantno žarenje : Ovo određuje lokalne minimume i maksimume funkcije strojnog učenja u zadanom skupu funkcija kandidata. Polazi od superpozicije svih mogućih, jednako ponderiranih stanja kvantnog ML sustava. Zatim primjenjuje linearnu, parcijalnu diferencijalnu jednadžbu za vođenje vremenskog razvoja kvantno-mehaničkog sustava. Na kraju daje trenutni operator, poznat kao Hamiltonian, koji odgovara zbroju kinetičkih energija plus potencijalne energije povezane s osnovnim stanjem kvantnog sustava.

Koristeći ove tehnike, neke trenutne implementacije AI koriste kvantne platforme kao koprocesore na odabranim radnim opterećenjima proračuna, kao što su autokoderi, GAN-ovi (generativne kontradiktorne mreže) i agenti za pojačanje.

Kako kvantni AI sazrijeva, trebali bismo očekivati ​​da će ovi i drugi algoritamski pristupi pokazivati ​​jasnu prednost kada se primjenjuju na velike izazove AI-a koji uključuju složene vjerojatnosne izračune koji djeluju na visoko višedimenzionalnim problemskim domenama i multimodalnim skupovima podataka. Primjeri dosad neizlječivih izazova s ​​umjetnom inteligencijom koji mogu doći do kvantno poboljšanih pristupa uključuju neuromorfne kognitivne modele, rasuđivanje pod neizvjesnošću, predstavljanje složenih sustava, zajedničko rješavanje problema, prilagodljivo strojno učenje i paralelizaciju treninga.

No čak i dok se kvantne knjižnice, platforme i alati dokazuju za ove specifične izazove, i dalje će se oslanjati na klasične AI algoritme i funkcije unutar cjevovoda strojnog učenja od kraja do kraja.

Nedostatak široko prihvaćenog okvira za modeliranje i obuku otvorenog koda

Da bi kvantna umjetna inteligencija prerasla u robusnu tehnologiju poduzeća, morat će postojati dominantan okvir za razvoj, obuku i primjenu tih aplikacija. Googleov TensorFlow Quantum omiljen je u tom pogledu. Najavljen prošlog ožujka, TensorFlow Quantum novi je stog namijenjen samo softveru koji proširuje široko prihvaćeni TensorFlow AI knjižnicu i okvir za modeliranje.

TensorFlow Quantum donosi podršku za širok raspon kvantnih računarskih platformi u jedan od dominantnih okvira za modeliranje koji koriste današnji profesionalci AI. Razvijen od strane Googleove X jedinice za istraživanje i razvoj, znanstvenicima omogućuje korištenje Python koda za razvoj kvantnih ML i DL modela putem standardnih Keras funkcija. Također pruža biblioteku simulatora kvantnih sklopova i primitiva kvantnog računanja koji su kompatibilni s postojećim API-ima TensorFlow.

Programeri mogu koristiti TensorFlow Quantum za nadzirano učenje na takvim slučajevima upotrebe AI kao što su kvantna klasifikacija, kvantna kontrola i kvantna približna optimizacija. Oni mogu izvršavati napredne zadatke kvantnog učenja kao što su meta-učenje, Hamiltonovo učenje i uzorkovanje toplinskih stanja. Okvir mogu koristiti za osposobljavanje hibridnih kvantnih / klasičnih modela za rukovanje i diskriminacijskim i generativnim radnim opterećenjima u središtu GAN-ova koji se koriste u dubokim lažnima, 3D ispisu i drugim naprednim AI aplikacijama.

Prepoznavši da kvantno računanje još nije dovoljno zrelo za obradu cijelog niza AI radnih opterećenja s dovoljnom preciznošću, Google je stvorio okvir za podršku mnogim slučajevima korištenja AI jednom nogom u tradicionalnim računalnim arhitekturama. TensorFlow Quantum omogućuje programerima da brzo prototipiraju ML i DL modele koji paralelno hibridiziraju izvršavanje kvantnih i klasičnih procesora na zadacima učenja. Pomoću alata programeri mogu graditi i klasične i kvantne skupove podataka, s klasičnim podacima koje izvorno obrađuje TensorFlow i kvantnim proširenjima koji obrađuju kvantne podatke, koji se sastoje od kvantnih krugova i kvantnih operatora.

Google je dizajnirao TensorFlow Quantum kako bi podržao napredna istraživanja alternativnih arhitektura kvantnog računanja i algoritama za obradu ML modela. To novu ponudu čini prikladnom za informatičare koji eksperimentiraju s različitim kvantnim i hibridnim arhitekturama obrade optimiziranim za ML opterećenja.

U tu svrhu, TensorFlow Quantum uključuje Cirq, Python biblioteku otvorenog koda za programiranje kvantnih računala. Podržava programsko stvaranje, uređivanje i pozivanje kvantnih vrata koja čine kružne krugove bučne srednje skale (NISQ) karakteristične za današnje kvantne sustave. Cirq omogućuje izvršavanje kvantnih izračuna koje određuje programer u simulacijama ili na stvarnom hardveru. To čini pretvaranjem kvantnih izračuna u tenzore za upotrebu unutar računskih grafova TensorFlow. Kao sastavni dio TensorFlow Quantum-a, Cirq omogućuje kvantnu simulaciju kruga i izvršenje skupnog kruga, kao i procjenu automatiziranih očekivanja i kvantnih gradijenata. Također omogućava programerima da izgrade učinkovite kompajlere, planere i druge algoritme za NISQ strojeve.

Uz pružanje cjelovitog AI softverskog snopa u koji se sada može hibridizirati kvantna obrada, Google nastoji proširiti paletu tradicionalnijih arhitektura čipova na kojima TensorFlow Quantum može simulirati kvantni ML. Google je također najavio planove za proširenje asortimana prilagođenih hardverskih platformi za kvantnu simulaciju podržanih alatom tako da uključuje jedinice za obradu grafike različitih dobavljača, kao i vlastite hardverske platforme AI-akceleratora za procesor Tensor.

Googleova najnovija najava stiže na brzo, ali još uvijek nezrelo tržište kvantnih računala. Proširujući najpopularniji okvir za razvoj AI otvorenog koda, Google će gotovo sigurno katalizirati upotrebu TensorFlow Quantuma u širokom spektru inicijativa povezanih s AI.

Međutim, TensorFlow Quantum dolazi na tržište koje već ima nekoliko alata za razvoj i obuku kvantnog AI otvorenog koda. Za razliku od Googleove ponude, ovi suparnički kvantni AI alati dolaze kao dijelovi većih paketa razvojnih okruženja, usluga u oblaku i savjetovanja za rad punih radnih aplikacija. Evo tri kvantne AI ponude s punim slogom:

  •  Azure Quantum, najavljen u studenom 2019., usluga je kvantnog računanja u oblaku. Trenutno u privatnom pregledu i zbog opće dostupnosti kasnije ove godine, Azure Quantum dolazi s Microsoftovim Quantum Development Kit-om otvorenog koda za Microsoftov kvantno orijentirani Q # jezik, kao i Python, C # i druge jezike. Komplet uključuje knjižnice za razvoj kvantnih aplikacija u ML-u, kriptografiju, optimizaciju i druge domene.
  • Amazon Braket, najavljen u prosincu 2019. i još uvijek u pregledu, potpuno je upravljana AWS usluga. Pruža jedinstveno razvojno okruženje za izgradnju kvantnih algoritama, uključujući ML, i njihovo testiranje na simuliranim hibridnim kvantnim / klasičnim računalima. Omogućuje programerima pokretanje ML-a i drugih kvantnih programa na nizu različitih hardverskih arhitektura. Programeri izrađuju kvantne algoritme pomoću alata za razvojne programere Amazon Braket i koriste se poznatim alatima kao što su Jupyterove bilježnice.
  • IBM Quantum Experience je besplatno, javno dostupno okruženje temeljeno na oblaku za timsko istraživanje kvantnih aplikacija. Pruža programerima pristup naprednim kvantnim računalima za učenje, razvoj, obuku i izvođenje AI i drugih kvantnih programa. Uključuje IBM Qiskit, alat za razvojne programere otvorenog koda s bibliotekom kvantnih algoritama više domena za eksperimentiranje s AI, simulaciju, optimizaciju i financijske programe za kvantna računala.

Usvajanje TensorFlow Quantuma ovisi o mjeri u kojoj ga ovi i drugi kvantni AI dobavljači s punim hrpom ugrađuju u svoje portfelje rješenja. To se čini vjerojatnim, s obzirom na opseg u kojem svi ovi dobavljači oblaka već podržavaju TensorFlow u svojim odgovarajućim AI stogovima.

TensorFlow Quantum neće nužno imati kvantno AI SDK polje samo za sebe u budućnosti. Ostali AI okviri otvorenog koda - među kojima je PyTorch koji je razvio Facebook - natječu se s TensorFlowom za srca i umove znanstvenika koji rade s podacima. Očekuje se da će se suparnički okvir proširiti s kvantnim AI knjižnicama i alatima tijekom sljedećih 12 do 18 mjeseci.

Možemo uvid u novonastalu kvantnu industriju umjetnog inteligencije u razvoju uzimajući u obzir pionirskog dobavljača u tom pogledu. Xanaduov PennyLane je okvir za razvoj i osposobljavanje za AI otvorenog koda koji se izvršava na hibridnim kvantnim / klasičnim platformama.

Pokrenut u studenom 2018., PennyLane je Pythonova biblioteka za više platformi za kvantni ML, automatsku diferencijaciju i optimizaciju hibridnih kvantno-klasičnih računalnih platformi. PennyLane omogućuje brzo izradu prototipa i optimizaciju kvantnih sklopova pomoću postojećih AI alata, uključujući TensorFlow, PyTorch i NumPy. Neovisan je o uređaju, što omogućava da se isti model kvantnog kruga pokreće na različitim softverskim i hardverskim pozadinama, uključujući Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK i ProjectQ.

Nedostatak značajnog i vještog ekosustava za programere

Kako ubojite aplikacije i okviri otvorenog koda sazrijevaju, zasigurno će katalizirati robusni ekosustav kvalificiranih kvantnih AI programera koji rade inovativan posao tjerajući ovu tehnologiju u svakodnevne aplikacije.

Sve češće vidimo rast ekosustava za kvantne AI. Svaki od glavnih kvantnih dobavljača AI oblaka (Google, Microsoft, Amazon Web Services i IBM) ulaže velika sredstva u povećanje zajednice programera. Inicijative dobavljača u tom pogledu uključuju sljedeće: