Potenciál kvantovej výpočtovej techniky pre revolúciu v AI závisí od rastu vývojárskeho ekosystému, v ktorom je dostatok vhodných nástrojov, zručností a platforiem. Aby sme boli považovaní za pripravených na nasadenie v podnikovej výrobe, musel by kvantový priemysel AI dosiahnuť prinajmenšom tieto kľúčové míľniky:
- Nájdite pútavú aplikáciu, pre ktorú má kvantové výpočty jednoznačnú výhodu oproti klasickým prístupom k budovaniu a trénovaniu AI.
- Konvergencia v široko prijatom rámci otvoreného zdroja pre budovanie, výcvik a nasadzovanie kvantovej AI.
- Vybudujte podstatný a zručný vývojársky ekosystém kvantových aplikácií AI.
Všetky tieto míľniky sú ešte minimálne niekoľko rokov v budúcnosti. Nasleduje analýza vyspelosti odvetvia kvantovej AI v súčasnosti.
Nedostatok pútavej aplikácie AI, pre ktorú má kvantová výpočtová technika jasnú výhodu
Kvantová AI vykonáva ML (strojové učenie), DL (hlboké učenie) a ďalšie algoritmy AI založené na dátach primerane dobre.
Prístupom sa stalo, že kvantová AI sa posunula ďaleko za fázu overenia koncepcie. To však nie je to isté, ako vedieť tvrdiť, že kvantové prístupy sú nadradené klasickým prístupom k vykonávaniu maticových operácií, od ktorých závisí vyvodzovanie a školenie pracovnej záťaže AI.
Pokiaľ ide o AI, kľúčovým kritériom je, či kvantové platformy môžu urýchliť pracovné zaťaženie ML a DL rýchlejšie ako počítače postavené výlučne na klasických von Neumannovských architektúrach. Zatiaľ neexistuje žiadna konkrétna aplikácia AI, ktorú by kvantový počítač mohol vykonávať lepšie ako ktorákoľvek klasická alternatíva. Aby sme mohli vyhlásiť kvantovú AI za vyspelú podnikovú technológiu, muselo by existovať aspoň niekoľko aplikácií AI, pre ktoré ponúka jasnú výhodu - rýchlosť, presnosť, účinnosť - oproti klasickým prístupom k spracovaniu týchto pracovných záťaží.
Priekopníci kvantovej AI však zosúladili jej algoritmy funkčného spracovania s matematickými vlastnosťami architektúr kvantového výpočtu. V súčasnosti patria medzi hlavné algoritmické prístupy pre kvantovú AI:
- Kódovanie amplitúdy: Týmto sa asociujú amplitúdy kvantového stavu so vstupmi a výstupmi výpočtov vykonaných algoritmami ML a DL. Amplitúdové kódovanie umožňuje štatistické algoritmy, ktoré podporujú exponenciálne kompaktné znázornenie zložitých multidimenzionálnych premenných. Podporuje inverzie matíc, pri ktorých sa výcvik štatistických modelov ML redukuje na riešenie lineárnych systémov rovníc, ako sú napríklad lineárne regresie najmenších štvorcov, verzia podporných vektorových strojov s najmenšími štvorcami a Gaussovské procesy. Často si vyžaduje, aby vývojár inicializoval kvantový systém v stave, ktorého amplitúdy odrážajú vlastnosti celého súboru údajov.
- Amplitúdové zosilnenie: Používa sa algoritmus, ktorý s vysokou pravdepodobnosťou nájde jedinečný vstup do funkcie čiernej skrinky, ktorý vytvorí konkrétnu výstupnú hodnotu. Amplitúdová amplifikácia je vhodná pre tie algoritmy ML, ktoré sa dajú preložiť do úlohy neštruktúrovaného vyhľadávania, napríklad k-mediány a k-najbližší susedia. Môže sa urýchliť pomocou náhodných algoritmov chôdze, kde náhodnosť pochádza zo stochastických prechodov medzi stavmi, ako sú napríklad tie, ktoré sú neodmysliteľné od kvantovej superpozície stavov a kolapsu vlnových funkcií v dôsledku merania stavu.
- Kvantové žíhanie: Toto určuje miestne minimá a maximá funkcie strojového učenia nad danou množinou kandidátskych funkcií. Začína sa to od superpozície všetkých možných, rovnako vážených stavov kvantového systému ML. Potom použije lineárnu parciálnu diferenciálnu rovnicu na usmernenie časového vývoja kvantovo-mechanického systému. Nakoniec poskytne okamžitý operátor, známy ako hamiltonián, ktorý zodpovedá súčtu kinetických energií plus potenciálnych energií spojených so základným stavom kvantového systému.
Niektoré súčasné implementácie AI využívajú tieto techniky a využívajú kvantové platformy ako koprocesory pre vybrané výpočtové pracovné záťaže, ako sú napríklad automatické kódovače, GAN (generatívne kontradiktórne siete) a agenti na podporu výučby.
Keď kvantová AI dozrieva, mali by sme očakávať, že tieto a ďalšie algoritmické prístupy ukážu jasnú výhodu pri aplikácii na veľké výzvy AI, ktoré zahŕňajú zložité pravdepodobnostné výpočty fungujúce na vysoko multidimenzionálnych problémových doménach a multimodálnych súboroch údajov. Medzi príklady doteraz neriešiteľných výziev AI, ktoré môžu priniesť prístupy s kvantovým vylepšením, patria neuromorfné kognitívne modely, uvažovanie pod neistotou, zastúpenie komplexných systémov, spoločné riešenie problémov, adaptívne strojové učenie a paralelizácia školení.
Ale aj keď sa kvantové knižnice, platformy a nástroje osvedčili pri riešení týchto špecifických výziev, budú sa stále spoliehať na klasické algoritmy AI a funkcie v rámci komplexných potrubí strojového učenia.
Chýba široko prijatý rámec pre modelovanie a školenie v oblasti otvoreného zdroja
Na to, aby kvantová AI mohla prerásť do robustnej podnikovej technológie, bude potrebné, aby existoval dominantný rámec pre vývoj, školenie a nasadenie týchto aplikácií. TensorFlow Quantum spoločnosti Google je v tomto ohľade obľúbeným programom. TensorFlow Quantum, ktorý bol predstavený minulý rok v marci, je nový softvérový zásobník, ktorý rozširuje široko prijatú otvorenú knižnicu AI a modelovací rámec TensorFlow.
TensorFlow Quantum prináša podporu pre širokú škálu platforiem kvantového výpočtu do jedného z dominantných modelovacích rámcov používaných dnešnými profesionálmi v oblasti umelej inteligencie. Vyvinutá vývojovou jednotkou spoločnosti Google pre výskum a vývoj, umožňuje dátovým vedcom používať kód Python na vývoj kvantových modelov ML a DL prostredníctvom štandardných funkcií Keras. Poskytuje tiež knižnicu simulátorov kvantových obvodov a kvantových výpočtových primitívov, ktoré sú kompatibilné s existujúcimi API TensorFlow.
Vývojári môžu použiť TensorFlow Quantum na supervizované učenie v takých prípadoch použitia AI, ako je kvantová klasifikácia, kvantová kontrola a kvantová približná optimalizácia. Môžu vykonávať pokročilé úlohy kvantového učenia, ako sú meta-učenie, hamiltonovské učenie a vzorkovanie tepelných stavov. Môžu rámec používať na školenie hybridných kvantových / klasických modelov na zvládnutie diskriminačných aj generatívnych pracovných záťaží v jadre sietí GAN používaných pri falšovaní, 3D tlači a ďalších pokročilých aplikáciách AI.
Spoločnosť Google si uvedomila, že kvantové výpočty ešte nie sú dostatočne zrelé na to, aby mohli s dostatočnou presnosťou spracovať celý rad pracovných záťaží umelej inteligencie, a preto navrhol rámec na podporu mnohých prípadov použitia umelej inteligencie jednou nohou v tradičných počítačových architektúrach. TensorFlow Quantum umožňuje vývojárom rýchlo prototypovať modely ML a DL, ktoré hybridizujú vykonávanie kvantových a klasických procesorov paralelne pri úlohách učenia. Pomocou tohto nástroja môžu vývojári vytvárať klasické aj kvantové dátové súbory, pričom klasické dáta natívne spracúva TensorFlow a kvantové rozšírenia spracovávajú kvantové dáta, ktoré pozostávajú z kvantových obvodov aj kvantových operátorov.
Google navrhol TensorFlow Quantum na podporu pokročilého výskumu alternatívnych architektúr a algoritmov kvantového výpočtu pre spracovanie ML modelov. Vďaka tomu je nová ponuka vhodná pre počítačových vedcov, ktorí experimentujú s rôznymi architektúrami kvantového a hybridného spracovania optimalizovanými pre pracovné zaťaženie ML.
Za týmto účelom TensorFlow Quantum obsahuje Cirq, open source knižnicu Pythonu na programovanie kvantových počítačov. Podporuje programové vytváranie, úpravy a vyvolanie kvantových brán, ktoré tvoria obvody Noisy Intermediate Scale Quantum (NISQ) charakteristické pre dnešné kvantové systémy. Cirq umožňuje vývojárom určené kvantové výpočty vykonávať v simuláciách alebo na skutočnom hardvéri. Robí to tak, že prevádza kvantové výpočty na tenzory na použitie vo výpočtových grafoch TensorFlow. Ako integrálna súčasť TensorFlow Quantum umožňuje Cirq simuláciu kvantových obvodov a vykonávanie dávkových obvodov, ako aj odhad automatizovaného očakávania a kvantových gradientov. Umožňuje vývojárom tiež vytvárať efektívne kompilátory, plánovače a ďalšie algoritmy pre stroje NISQ.
Okrem poskytnutia úplného softvérového balíka AI, do ktorého je možné teraz hybridizovať kvantové spracovanie, sa spoločnosť Google snaží rozšíriť škálu tradičnejších čipových architektúr, na ktorých dokáže TensorFlow Quantum simulovať kvantové ML. Google tiež oznámil plány na rozšírenie spektra vlastných hardvérových platforiem kvantovej simulácie podporovaných týmto nástrojom, aby zahŕňal grafické jednotky od rôznych dodávateľov, ako aj vlastné hardvérové platformy AI-akcelerátora Tensor Processing Unit.
Posledné oznámenie spoločnosti Google sa dostalo na rýchlo sa rozvíjajúci, ale stále nezrelý trh s kvantovými počítačmi. Rozšírením najpopulárnejšieho vývojového rámca umelej inteligencie s otvoreným zdrojovým kódom bude spoločnosť Google takmer určite katalyzovať využitie TensorFlow Quantum v širokej škále iniciatív súvisiacich s umelou inteligenciou.
TensorFlow Quantum však prichádza na trh, ktorý už má niekoľko otvorených nástrojov na vývoj a školenie kvantovej AI. Na rozdiel od ponuky spoločnosti Google, tieto konkurenčné kvantové nástroje umelej inteligencie prichádzajú ako súčasť väčších balíkov vývojových prostredí, cloudových služieb a konzultácií pre zabezpečenie plne funkčných aplikácií. Tu sú tri ponuky kvantovej umelej inteligencie s úplným zásobníkom:
- Azure Quantum, ktorá bola predstavená v novembri 2019, je cloudová služba využívajúca kvantové výpočty. V súčasnej dobe v súkromnom náhľade a kvôli všeobecnej dostupnosti neskôr v tomto roku prichádza Azure Quantum s otvorenou kvantovou vývojovou súpravou Microsoft pre kvantovo orientovaný jazyk Q # vyvinutý spoločnosťou Microsoft, ako aj pre jazyky Python, C # a ďalšie jazyky. Sada obsahuje knižnice na vývoj kvantových aplikácií v ML, kryptografii, optimalizácii a ďalších doménach.
- Amazon Braket, ktorý bol ohlásený v decembri 2019 a stále je v ukážke, je plne spravovaná služba AWS. Poskytuje jediné vývojové prostredie na vytváranie kvantových algoritmov vrátane ML a ich testovanie na simulovaných hybridných kvantových / klasických počítačoch. Umožňuje vývojárom spúšťať ML a ďalšie kvantové programy na rôznych hardvérových architektúrach. Vývojári vytvárajú kvantové algoritmy pomocou vývojárskej sady nástrojov Amazon Braket a používajú známe nástroje, ako sú notebooky Jupyter.
- IBM Quantum Experience je bezplatné, verejne dostupné cloudové prostredie pre tímový prieskum kvantových aplikácií. Poskytuje vývojárom prístup k pokročilým kvantovým počítačom na výučbu, vývoj, školenie a beh AI a ďalších kvantových programov. Zahŕňa IBM Qiskit, otvorený vývojársky nástroj s knižnicou kvantových algoritmov pre rôzne domény na experimentovanie s AI, simulačnými, optimalizačnými a finančnými aplikáciami pre kvantové počítače.
Prijatie TensorFlow Quantum závisí od rozsahu, v akom ho títo a ďalší dodávatelia s plnou zásobou kvantovej AI integrujú do svojich portfólií riešení. Zdá sa to pravdepodobné vzhľadom na to, do akej miery všetci títo predajcovia cloudov už podporujú TensorFlow vo svojich príslušných zásobníkoch AI.
TensorFlow Quantum nemusí mať do budúcnosti nevyhnutne kvantové pole AI SDK. Ostatné otvorené rámce umelej inteligencie - predovšetkým PyTorch vyvinutý spoločnosťou Facebook - bojujú s programom TensorFlow o srdcia a mysle vedcov pracujúcich v oblasti údajov. Očakáva sa rozšírenie konkurenčného rámca o kvantové knižnice a nástroje AI počas nasledujúcich 12 až 18 mesiacov.
Ak v tejto súvislosti zvážime priekopníckeho dodávateľa, môžeme nahliadnuť do rozvíjajúceho sa odvetvia kvantovej AI v oblasti viacerých nástrojov. Xanadu’s PennyLane je open-source vývojový a vzdelávací rámec pre AI, ktorý sa realizuje na hybridných kvantových / klasických platformách.
PennyLane, ktorá bola uvedená na trh v novembri 2018, je multiplatformná knižnica Python pre kvantové ML, automatickú diferenciáciu a optimalizáciu hybridných kvantovo-klasických výpočtových platforiem. PennyLane umožňuje rýchle prototypy a optimalizáciu kvantových obvodov pomocou existujúcich nástrojov umelej inteligencie vrátane TensorFlow, PyTorch a NumPy. Je nezávislý na zariadení, čo umožňuje spustenie rovnakého modelu kvantového obvodu na rôznych back-endoch softvéru a hardvéru, vrátane Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK a ProjectQ.
Nedostatok významného a kvalifikovaného vývojárskeho ekosystému
Keď budú vražedné aplikácie a open source rámce zrelé, určite budú katalyzovať silný ekosystém kvalifikovaných vývojárov kvantovej AI, ktorí robia inovatívnu prácu a využívajú túto technológiu v každodenných aplikáciách.
Stále viac zaznamenávame rast vývojárskeho ekosystému pre kvantovú AI. Každý z hlavných dodávateľov cloudu pre kvantovú AI (Google, Microsoft, Amazon Web Services a IBM) intenzívne investuje do rozširovania vývojárskej komunity. Medzi iniciatívy dodávateľov v tejto súvislosti patria:
