Quantum AI masih bertahun-tahun dari waktu utama perusahaan

Potensi pengkomputeran kuantum untuk merevolusikan AI bergantung pada pertumbuhan ekosistem pemaju di mana alat, kemahiran, dan platform yang sesuai banyak. Untuk dianggap siap untuk penyebaran pengeluaran perusahaan, industri AI kuantum harus, paling tidak, mencapai tonggak utama berikut:

  • Cari aplikasi menarik yang mana pengkomputeran kuantum mempunyai kelebihan yang jelas berbanding pendekatan klasik untuk membina dan melatih AI.
  • Berkumpul pada kerangka sumber terbuka yang banyak digunakan untuk membangun, melatih, dan menggunakan AI kuantum.
  • Bina ekosistem pemaju yang besar dan mahir bagi aplikasi AI kuantum.

Tonggak ini masih ada sekurang-kurangnya beberapa tahun lagi di masa hadapan. Berikut adalah analisis kematangan industri AI kuantum pada masa ini.

Kekurangan aplikasi AI yang menarik untuk mana pengkomputeran kuantum mempunyai kelebihan yang jelas

Quantum AI melaksanakan ML (pembelajaran mesin), DL (pembelajaran dalam), dan algoritma AI berdasarkan data lain dengan cukup baik.

Sebagai pendekatan, kuantum AI telah bergerak jauh di luar tahap bukti konsep. Walau bagaimanapun, itu tidak sama dengan dapat mendakwa bahawa pendekatan kuantum lebih unggul daripada pendekatan klasik untuk melaksanakan operasi matriks yang bergantung pada kesimpulan dan beban kerja latihan AI.

Dari segi AI, kriteria utama adalah sama ada platform kuantum dapat mempercepat beban kerja ML dan DL lebih cepat daripada komputer yang dibina sepenuhnya berdasarkan seni bina von Neumann klasik. Sejauh ini tidak ada aplikasi AI khusus yang dapat dilakukan oleh komputer kuantum lebih baik daripada alternatif klasik. Bagi kita untuk menyatakan AI kuantum sebagai teknologi perusahaan yang matang, perlu ada sekurang-kurangnya beberapa aplikasi AI yang menawarkan kelebihan yang jelas — kelajuan, ketepatan, kecekapan — berbanding pendekatan klasik untuk memproses beban kerja ini.

Walaupun begitu, pelopor kuantum AI telah menyelaraskan algoritma pemprosesan fungsinya dengan sifat matematik seni bina pengkomputeran kuantum. Pada masa ini, pendekatan algoritma utama untuk AI kuantum merangkumi:

  • Pengekodan amplitud: Ini mengaitkan amplitud keadaan kuantum dengan input dan output pengiraan yang dilakukan oleh algoritma ML dan DL. Pengekodan amplitud memungkinkan untuk algoritma statistik yang menyokong perwakilan padat eksponen pemboleh ubah multidimensi yang kompleks. Ia menyokong penyongsangan matriks di mana latihan model ML statistik mengurangkan untuk menyelesaikan sistem persamaan linear, seperti regresi linear kuadrat paling sedikit, mesin vektor sokongan versi paling kecil, dan proses Gauss. Ia sering memerlukan pembangun untuk menginisialisasi sistem kuantum dalam keadaan yang amplitudnya mencerminkan ciri-ciri keseluruhan set data.
  • Amplitud amplification : Ini menggunakan algoritma yang mendapati dengan kebarangkalian tinggi input unik ke fungsi kotak hitam yang menghasilkan nilai output tertentu. Amplitud amplifikasi sesuai untuk algoritma ML yang dapat diterjemahkan ke dalam tugas carian tidak berstruktur, seperti k-median dan k-jiran terdekat. Ia dapat dipercepat melalui algoritma jalan rawak di mana rawak berasal dari peralihan stokastik antara keadaan, seperti keadaan yang melekat pada superposisi keadaan kuantum dan keruntuhan fungsi gelombang kerana pengukuran keadaan.
  • Penyepuhlindapan kuantum : Ini menentukan minima dan maksimum lokal fungsi pembelajaran mesin berbanding sekumpulan fungsi calon tertentu. Ia bermula dari superposisi semua keadaan, sistem berwajaran kuantum ML yang sama. Kemudian menerapkan persamaan pembezaan separa linear untuk membimbing evolusi masa sistem mekanik kuantum. Ia akhirnya menghasilkan pengendali seketika, yang dikenal sebagai Hamiltonian, yang sesuai dengan jumlah tenaga kinetik ditambah dengan tenaga yang berpotensi yang terkait dengan keadaan dasar sistem kuantum.

Dengan memanfaatkan teknik ini, beberapa implementasi AI semasa menggunakan platform kuantum sebagai pemprosesan pada beban kerja pengiraan terpilih, seperti autoencoder, GANs (jaringan musuh generatif), dan agen pembelajaran pengukuhan.

Ketika AI kuantum matang, kita harus menjangkakan bahawa pendekatan ini dan algoritma lain akan menunjukkan kelebihan yang jelas apabila diterapkan pada cabaran besar AI yang melibatkan pengiraan probabilistik kompleks yang beroperasi di atas domain masalah yang sangat multidimensi dan kumpulan data multimodal. Contohnya hingga kini cabaran AI yang sukar ditangani yang dapat menghasilkan pendekatan yang ditingkatkan kuantum termasuk model kognitif neuromorfik, penaakulan di bawah ketidakpastian, perwakilan sistem yang kompleks, penyelesaian masalah kolaboratif, pembelajaran mesin adaptif, dan paralelisasi latihan.

Tetapi walaupun perpustakaan, platform, dan alat kuantum membuktikan diri mereka untuk menghadapi cabaran khusus ini, mereka masih akan bergantung pada algoritma dan fungsi AI klasik dalam saluran pembelajaran mesin ujung ke hujung.

Kurangnya kerangka kerja pemodelan dan latihan sumber terbuka yang banyak digunakan

Agar AI kuantum menjadi teknologi perusahaan yang mantap, perlu ada kerangka yang dominan untuk mengembangkan, melatih, dan menggunakan aplikasi ini. TensorFlow Quantum Google adalah kegemaran luar biasa dalam hal ini. Diumumkan pada bulan Mac yang lalu, TensorFlow Quantum adalah timbunan perisian baru yang memperluas kerangka perpustakaan dan pemodelan AI sumber terbuka TensorFlow.

TensorFlow Quantum membawa sokongan untuk pelbagai platform pengkomputeran kuantum menjadi salah satu kerangka pemodelan dominan yang digunakan oleh profesional AI masa kini. Dibangunkan oleh unit X R&D Google, ia membolehkan para saintis data menggunakan kod Python untuk mengembangkan model ML dan DL kuantum melalui fungsi Keras standard. Ia juga menyediakan perpustakaan simulator litar kuantum dan primitif pengkomputeran kuantum yang serasi dengan API TensorFlow yang ada.

Pembangun boleh menggunakan TensorFlow Quantum untuk pembelajaran yang diawasi pada kes penggunaan AI seperti klasifikasi kuantum, kawalan kuantum, dan pengoptimuman anggaran kuantum. Mereka dapat melaksanakan tugas-tugas pembelajaran kuantum lanjutan seperti meta-pembelajaran, pembelajaran Hamilton, dan pensampelan keadaan termal. Mereka dapat menggunakan kerangka kerja untuk melatih model kuantum / klasik hibrid untuk menangani beban kerja diskriminatif dan generatif di tengah-tengah GAN yang digunakan dalam pemalsuan mendalam, percetakan 3D, dan aplikasi AI canggih lainnya.

Menyedari bahawa pengkomputeran kuantum belum cukup matang untuk memproses pelbagai beban kerja AI dengan ketepatan yang mencukupi, Google merancang rangka untuk menyokong banyak kes penggunaan AI dengan satu kaki dalam seni bina pengkomputeran tradisional. TensorFlow Quantum membolehkan pemaju membuat prototaip model ML dan DL dengan cepat yang meng hibridkan pelaksanaan pemproses kuantum dan klasik secara selari pada tugas pembelajaran. Dengan menggunakan alat ini, pembangun dapat membina kumpulan data klasik dan kuantum, dengan data klasik yang diproses secara asli oleh TensorFlow dan pemprosesan data kuantum yang memperluas data kuantum, yang terdiri daripada litar kuantum dan pengendali kuantum.

Google merancang TensorFlow Quantum untuk menyokong penyelidikan lanjutan mengenai seni bina dan algoritma pengkomputeran kuantum alternatif untuk memproses model ML. Ini menjadikan penawaran baru sesuai untuk saintis komputer yang bereksperimen dengan arkitek pemprosesan kuantum dan hibrid yang berbeza dioptimumkan untuk beban kerja ML.

Untuk tujuan ini, TensorFlow Quantum menggabungkan Cirq, sebuah perpustakaan Python sumber terbuka untuk memprogram komputer kuantum. Ia menyokong penciptaan, penyuntingan, dan penggunaan gerbang kuantum yang membentuk program litar Noisy Intermediate Scale Quantum (NISQ) yang terprogram dari sistem kuantum masa kini. Cirq membolehkan pengiraan kuantum yang ditentukan oleh pemaju dilaksanakan dalam simulasi atau pada perkakasan sebenar. Ia melakukannya dengan menukar pengiraan kuantum menjadi tensor untuk digunakan di dalam grafik pengiraan TensorFlow. Sebagai komponen integral TensorFlow Quantum, Cirq memungkinkan simulasi litar kuantum dan pelaksanaan litar batch, serta perkiraan jangkaan automatik dan kecerunan kuantum. Ia juga membolehkan pembangun membina penyusun, penjadual, dan algoritma lain yang cekap untuk mesin NISQ.

Sebagai tambahan untuk menyediakan setumpuk perisian AI penuh yang mana proses pemprosesan kuantum kini dapat dihibridisasi, Google ingin memperluas rangkaian seni bina cip yang lebih tradisional di mana TensorFlow Quantum dapat mensimulasikan ML kuantum. Google juga mengumumkan rancangan untuk memperluas rangkaian platform perkakasan simulasi kuantum tersuai yang disokong oleh alat tersebut untuk memasukkan unit pemprosesan grafik dari pelbagai vendor serta platform perkakasan Tensor Processing Unit AI-accelerator sendiri.

Pengumuman terbaru Google muncul di pasaran pengkomputeran kuantum yang bergerak pantas tetapi masih belum matang. Dengan memperluas kerangka pengembangan AI sumber terbuka yang paling popular, Google hampir pasti akan menjadi pemangkin penggunaan TensorFlow Quantum dalam pelbagai inisiatif yang berkaitan dengan AI.

Namun, TensorFlow Quantum masuk ke pasaran yang sudah memiliki beberapa alat pengembangan dan latihan kuantum-AI sumber terbuka. Tidak seperti tawaran Google, alat AI kuantum yang bersaing ini hadir sebagai sebahagian daripada pakej persekitaran pembangunan, perkhidmatan awan, dan perundingan yang lebih besar untuk mendapatkan aplikasi yang berfungsi sepenuhnya. Berikut adalah tiga penawaran AI kuantum penuh:

  •  Azure Quantum, yang diumumkan pada bulan November 2019, adalah perkhidmatan awan pengkomputeran kuantum. Pada masa ini dalam pratonton peribadi dan tersedia untuk umum pada akhir tahun ini, Azure Quantum dilengkapi dengan Microsoft Quantum Development Kit sumber terbuka untuk bahasa Q # yang berorientasikan kuantum yang dikembangkan oleh Microsoft serta Python, C #, dan bahasa lain. Kit ini merangkumi perpustakaan untuk pengembangan aplikasi kuantum dalam ML, kriptografi, pengoptimuman, dan domain lain.
  • Amazon Braket, diumumkan pada bulan Disember 2019 dan masih dalam pratonton, adalah perkhidmatan AWS yang diuruskan sepenuhnya. Ini menyediakan persekitaran pengembangan tunggal untuk membangun algoritma kuantum, termasuk ML, dan mengujinya pada komputer kuantum / klasik hibrid yang disimulasikan. Ini membolehkan pemaju menjalankan program ML dan kuantum lain pada pelbagai seni bina perkakasan yang berbeza. Pembangun membuat algoritma kuantum menggunakan kit alat pemaju Braket Amazon dan menggunakan alat yang biasa seperti buku nota Jupyter.
  • IBM Quantum Experience adalah persekitaran berasaskan awan percuma yang tersedia untuk umum untuk penerokaan pasukan kuantum secara berpasukan. Ini memberi para pemaju akses ke komputer kuantum canggih untuk belajar, mengembangkan, melatih, dan menjalankan AI dan program kuantum lain. Ini termasuk IBM Qiskit, alat pembangun sumber terbuka dengan perpustakaan algoritma kuantum rentas domain untuk bereksperimen dengan AI, simulasi, pengoptimuman, dan aplikasi pembiayaan untuk komputer kuantum.

Penerapan TensorFlow Quantum bergantung pada sejauh mana ini dan vendor stack penuh AI kuantum lain memasukkannya ke dalam portfolio penyelesaian mereka. Itu nampaknya mungkin, memandangkan sejauh mana semua vendor awan ini sudah menyokong TensorFlow di tumpukan AI masing-masing.

TensorFlow Quantum tidak semestinya mempunyai medan AI SDK kuantum untuk dirinya sendiri ke hadapan. Kerangka AI sumber terbuka yang lain - terutamanya PyTorch yang dikembangkan oleh Facebook - bersaing dengan TensorFlow untuk hati dan minda para saintis data yang berfungsi. Seseorang menjangka kerangka saingan itu akan diperluas dengan perpustakaan dan alat AI kuantum selama 12 hingga 18 bulan akan datang.

Kita dapat melihat sekilas industri AI kuantum multitool yang baru muncul dengan mempertimbangkan vendor perintis dalam hal ini. Xanadu's PennyLane adalah rangka kerja pengembangan dan latihan sumber terbuka untuk AI, yang menggunakan platform kuantum / klasik hibrid.

Dilancarkan pada bulan November 2018, PennyLane adalah perpustakaan Python lintas platform untuk ML kuantum, pembezaan automatik, dan pengoptimuman platform pengkomputeran klasik kuantum hibrid. PennyLane membolehkan prototaip cepat dan pengoptimuman litar kuantum menggunakan alat AI yang ada, termasuk TensorFlow, PyTorch, dan NumPy. Ia tidak bergantung pada peranti, memungkinkan model litar kuantum yang sama dijalankan pada hujung perisian dan perkakasan yang berbeza, termasuk Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK, dan ProjectQ.

Kekurangan ekosistem pemaju yang besar dan mahir

Apabila aplikasi pembunuh dan kerangka sumber terbuka semakin matang, mereka pasti menjadi pemangkin kepada ekosistem pemaju kuantum-AI yang mahir yang melakukan kerja inovatif yang mendorong teknologi ini menjadi aplikasi seharian.

Semakin meningkat, kita melihat pertumbuhan ekosistem pemaju untuk kuantum AI. Setiap vendor awan AI kuantum utama (Google, Microsoft, Amazon Web Services, dan IBM) banyak membuat pelaburan untuk memperbesar komuniti pemaju. Inisiatif vendor dalam hal ini merangkumi perkara berikut: