Квантовый скачок: новые рубежи машинного обучения

Мы обсудили новые возможности квантовых вычислений, помогающие ускорять работу классических систем искусственного интеллекта, машинного обучения (ML) и цепочек поставок.

Квантовые вычисления становятся востребованными

Квантовые вычисления основаны на принципах квантовой механики, что позволяет выполнять вычисления, которые просто недостижимы на классических компьютерах. Потенциал квантовых компьютеров для решения реальных бизнес-задач – этап, называемый «квантовой полезностью», – теперь доступен. «В настоящее время мы находимся на этапе использования квантовых вычислений», – сказала Гилкс. «Квантовые вычисления уже имеют практическую ценность и решают реальные бизнес-задачи».

Гилкс указывает на то, что квантовые вычисления добиваются успехов в областях, имеющих решающее значение для ведения бизнеса и влияния на общество. «Когда мы говорим о распознавании изображений, – отмечает она, – мы видим, что квантовые вычисления реально помогают при анализе спутниковых данных, что находит широкое применение в обнаружении пожаров, сельском хозяйстве и оценке страховых случаев».

Более того, квантовые вычисления помогают в геномике – дисциплине, имеющей решающее значение для развития персонализированной медицины. Гилкс отмечает, что «Квантовая лаборатория EY активно работает над секвенированием ДНК и другими достижениями в области геномики. Мы находимся на том этапе, когда квантовые вычисления начинают решать огромные проблемы с обработкой данных, присущие этим областям».

Помимо этих областей, оптимизация производительности ИИ является еще одним направлением, на котором квантовые вычисления демонстрируют свой потенциал. «Бурное развитие ИИ привело к возникновению серьезных проблем, особенно в связи с ограниченным пространством на серверах и требованиями к охлаждению. Квантовые алгоритмы в настоящее время используются для оптимизации использования серверов и повышения эффективности моделей искусственного интеллекта, снижая общую необходимую производительность», – сказала Гилкс.

Квантовый импульс для машинного обучения и нейронных сетей

Сочетание квантовых вычислений с ML — движущей силой искусственного интеллекта — открывает захватывающие перспективы. Это требует обработки огромных объемов данных и выполнения сложных алгоритмов. Однако существующие ограничения классических вычислительных систем часто приводят к возникновению узких мест, в основном при обучении больших и сложных моделей. Недавно исследователи из бостонского университета QuEra Computing, физического факультета Гарвардского университета, JILA и физического факультета Университета Колорадо опубликовали статью, в которой представлен масштабируемый алгоритм без градиента, который использует квантовую динамику аналоговых квантовых компьютеров с нейтральными атомами для обработки данных. Это демонстрирует потенциал использования квантовых эффектов.

«Универсальный режим настройки параметров, основанный на знаниях физики, устраняет необходимость в какой-либо оптимизации параметров в квантовой части, что приводит к существенной экономии квантовых ресурсов», – говорится в статье команды QuEra.

Такие алгоритмы могли бы способствовать оптимизации потребления ресурсов и электроэнергии в крупных центрах обработки данных, которые в настоящее время перегружены вычислениями с использованием искусственного интеллекта.

«Способность квантовых вычислений обрабатывать данные в экспоненциально большем объеме по сравнению с классическими компьютерами предлагает потенциальное решение проблемы ресурсных ограничений современных центров обработки данных», – сказал Эстареллас из Quilimanjaro Quantum Tech. Способность квантовых компьютеров относительно легко обрабатывать огромные массивы данных означает, что модели ML могут быть обучены более эффективно, что потенциально может привести к прорывам в таких областях, как обработка естественного языка, компьютерное зрение и разработка лекарств.

Гилкс подкрепил эту точку зрения, заявив: «Мы не собираемся разделять квантовую технику и искусственный интеллект. Абсолютно во всем, что мы делаем в нашей лаборатории, мы сочетаем их. Это слияние важно, поскольку вычислительные требования современных моделей искусственного интеллекта, таких как те, которые используются в чат-ботах, огромны. Квантовые вычисления позволяют удовлетворить эти требования без экспоненциального увеличения инфраструктуры наших центров обработки данных».

Включение квантовых алгоритмов в обучение и внедрение моделей ML может привести к созданию более эффективных систем, позволяющих ИИ решать проблемы, которые ранее считались слишком сложными или ресурсоемкими. Это может ускорить разработку передовых приложений с использованием искусственного интеллекта – от автономных транспортных средств, перемещающихся по хаотичным городским локациям, до персонализированной медицины, адаптированной к генетическим особенностям человека.

Оптимизация цепочки поставок является наглядным примером

Хотя полный потенциал квантовых вычислений еще не раскрыт, они дают практические результаты. Одной из наиболее перспективных областей применения квантовых вычислений является оптимизация цепочки поставок – область, характеризующаяся сложными логистическими задачами с многочисленными переменными и ограничениями.

«Проблемы цепочки поставок с их многочисленными переменными и ограничениями могут быть сопоставлены с задачами оптимизации бинарных ограничений, подходящими для квантовых алгоритмов», – сказал Эстареллас. Квантовые вычисления дают неоспоримые преимущества в отношении эффективности использования ресурсов и снижения затрат. «В военных приложениях квантовые вычисления используются для оптимизации размещения объектов снабжения и снижения уровня запасов», – сказала она. «Это гарантирует доступность компонентов в любое время и в любом месте, что имеет решающее значение для поддержания оперативной готовности».

Проблемы интеграции и квантовые преимущества

Несмотря на значительный прогресс, путь к достижению квантового преимущества, при котором квантовые компьютеры стабильно превосходят классические компьютеры в решении широкого спектра задач, остается сложным. Одним из наиболее значительных препятствий является интеграция квантовых и классических вычислительных систем. Сложность этой задачи заключается в разработке инфраструктуры, позволяющей этим системам беспрепятственно работать вместе, при этом каждая вычислительная среда должна дополнять сильные стороны другой.

«Это непросто», – сказала Эстареллас. «У вас должен быть аппаратный инструментарий, который определяет, какую часть проблемы имеет смысл отправить в QPU [квантовый процессор]». Разработка таких средств имеет решающее значение для обеспечения эффективного взаимодействия квантовых и классических систем. Это позволит компаниям использовать уникальные возможности квантовых вычислений, сохраняя при этом надежность своих классических систем.

«Проблема заключается не только в самой технологии, но и в том, как мы интегрируем ее в существующие бизнес-процессы», – отметила Гилкес. «Необходимо разработать прикладные уровни и инфраструктуру, которые позволят обеспечить бесперебойный поток информации между квантовыми и классическими системами. Мы активно работаем над этим в EY, и мы видим аналогичные усилия в таких местах, как суперкомпьютерный центр Барселоны, интегрирующий квантовые компьютеры в свою существующую систему».

Разработка квантового программного обеспечения так же важна, как и совершенствование квантового аппаратного обеспечения. Квантовые алгоритмы, которые могут эффективно использовать возможности квантовых процессоров, все еще находятся в зачаточном состоянии, и их разработка требует глубокого понимания как квантовой механики, так и ML. «Мы находимся на этапе, когда теория становится реальностью», – сказала Гилкс. «Но настоящая проблема заключается в том, чтобы сделать эту технологию доступной и практичной для повседневного использования в бизнесе».

Несмотря на трудности, потенциал квантовых вычислений в сочетании с ML неоспорим. Поскольку квантовые технологии продолжают развиваться, их влияние на различные отрасли, от финансов до здравоохранения, вероятно, будет трансформирующим фактором. Интеграция квантовых алгоритмов в ML может привести к созданию моделей искусственного интеллекта, способных предсказывать сложные явления, от изменения климата до финансовых рынков, с беспрецедентной точностью.

Однако квантовая революция – это не просто технологический прогресс, это переосмысление подхода к решению проблем. Квантовые вычисления заставляют нас выходить за рамки ограничений классических методов, стимулируя поиск новых алгоритмов и нестандартных подходов к решению давних задач.

Квантовый скачок в будущее

Слияние квантовых вычислений и ML открывает огромные перспективы на будущее. Вместе они могут решать текущие задачи и создавать новые возможности в различных отраслях. По мере развития квантовых технологий мы можем ожидать прорывов в науке, бизнесе и за их пределами. Путь к квантовым преимуществам может быть непростым, но награда того стоит. Будущее искусственного интеллекта и ОД может зависеть от достижений в области квантовых вычислений.

Источник: https://www.eetimes.com/quantum-leap-the-new-frontier-of-machine-learning/