By Asiakkaan kirjoittaja julkaistu 11
"Quantum Particulars" on toimituksellinen vieraskolumni, joka sisältää ainutlaatuisia näkemyksiä ja haastatteluja kvanttitutkijoiden, kehittäjien ja asiantuntijoiden kanssa, jotka tarkastelevat tämän alan keskeisiä haasteita ja prosesseja. Tämän artikkelin, joka keskittyy kvanttiteknologian ja tekoälyn (AI) risteykseen, on kirjoittanut Brian Lenahan, perustaja ja puheenjohtaja Quantum Strategy Institute.
Tekoäly (AI) ja kvanttiteknologiat ovat kaksi huippuluokan alaa, jotka ovat valmiita muuttamaan dynaamisesti jokaista alaa, ja niiden risteyksessä on valtava lupaus laskennan, optimoinnin ja ongelmanratkaisun tulevaisuudelle. Tämän risteyksen ytimessä on potentiaali valjastaa kvanttilaskentatehoa tekoälyalgoritmien parantamiseen ja päinvastoin hybridijärjestelmillä, jotka luovat synergiaa, joka lupaa läpimurtoja esimerkiksi koneoppimisen, kryptografian ja lääkekehityksen aloilla. Tiede ei kuitenkaan ole kaukana vakiintuneesta.
Yksi merkittävä alue, jolla tekoäly ja kvanttiteknologiat risteävät, on kvanttikoneoppiminen (QML). QML pyrkii hyödyntämään kvanttilaskennan ainutlaatuisia ominaisuuksia, kuten superpositiota ja takertumista, parantamaan koneoppimisalgoritmeja. Jotkut uskovat, että kvanttitietokoneiden odotetaan käsittelevän tehokkaasti suuria tietomääriä ja suorittavan monimutkaisia laskelmia, minkä ansiosta tekoälyjärjestelmät voivat analysoida ja oppia laajoista tietojoukoista tehokkaammin.
Lisäksi kvanttilaskennan odotetaan nopeuttavan tekoälyn harjoittelua nopeuttamalla laskentaa eksponentiaalisesti. Tämä nopeus on erityisen hyödyllinen syväoppimismallien koulutuksessa, joka vaatii tyypillisesti laajoja laskentaresursseja ja virrankulutusta. Kvanttialgoritmeja hyödyntämällä tekoälytutkijat voivat mahdollisesti kouluttaa monimutkaisempia malleja ja saavuttaa korkeamman tarkkuuden tehtävissä, kuten kuvantunnistuksessa, luonnollisen kielen käsittelyssä ja autonomisessa ajamisessa.
Lisäksi kvanttitehostetuilla algoritmeilla on mahdollisuus mullistaa optimointiongelmia, jotka ovat yleisiä tekoälysovelluksissa. Kvanttihehkutus, tarjoaa esimerkiksi uudenlaisen lähestymistavan optimointitehtävien ratkaisemiseen hyödyntämällä kvanttiperiaatteita laajojen ratkaisutilojen tehokkaampaan tutkimiseen. Tämä ominaisuus voisi parantaa merkittävästi tekoälyjärjestelmien kykyä löytää optimaalisia ratkaisuja monimutkaisissa skenaarioissa, kuten toimitusketjun hallinnassa, taloudellisen portfolion optimoinnissa ja resurssien allokoinnissa.
Vastakkaiset näkymät
Jotkut sidosryhmät ehdottavat, että tekoälyn (AI) ja kvanttilaskennan välinen keskeinen konvergenssi piilee jälkimmäisen potentiaalissa tehostaa suuria kielimalleja (LLM) ja edistää siten yleisen tekoälyn (AGI) kehitystä. Esimerkiksi Multiverse Computing aikoo alentaa kustannuksia LLM koulutus kvanttivaikutteisen ohjelmiston kautta.
Olivier Ezratty, tunnettu alan tarkkailija kirjoitti äskettäin paperin nimeltä "Kuinka tekoäly, LLM:t ja kvanttitiede voivat vahvistaa toisiaan?”Hänen johtopäätöksensä? "Tässä artikkelissa tutkittu maisema osoittaa epätasapainoisen tilanteen, jossa koneoppiminen auttaa tällä hetkellä kvanttiteknologioita enemmän kuin päinvastoin. Tämän seurauksena "älkää kysykö mitä kvanttilaskenta voi tehdä tekoälylle, vaan kysy mitä tekoäly voi tehdä kvanttitieteelle"?
Joten Ezratty ja muut ovat ehdottaneet, että keskustelu tekoälyn ja kvanttilaskennan yhdistämisestä voisi olla tarkemmin kehystetty koneoppimisen (ML) ja kvanttilaskennan kontekstiin. Tämä uudelleen suuntaaminen on erityisen merkityksellistä, kun otetaan huomioon tehokkuusedut pienempien tietokokonaisuuksien käsittelyssä - alueella, jolla kvanttisimulaattorit ovat tällä hetkellä lupaavia, ja kvanttitietokoneet (QC) voivat laajentaa näitä ominaisuuksia edelleen lähitulevaisuudessa. Tällainen lähestymistapa ei tarjoa vain välitöntä hyötyä, vaan myös vihjaa skaalautuvaan polkuun tulevaa kehitystä varten.
Momentum AI:n kanssa
On ajateltavissa, että QC voisi kartoittaa samanlaisen lentoradan Kenttäohjelmoitavat porttitaulukot (FPGA). Yleiset kirjastot eivät välttämättä toteudu, koska tiettyjen käyttötapausten ja algoritmien mukauttaminen on monimutkaista, minkä lisäksi haasteena on tuottaa konkreettista arvoa, koska klassinen tietojenkäsittely on edelleen perusta. Arvon saaminen näistä algoritmeista edellyttää sisäisiä mestareita eri toimialoilla, joilla on sekä kvanttiosaamista että syvää tietämystä omilla aloillaan. Vaikka toimittajat ja tutkijat voivat tarjota lisätyökaluja, kaupallisen toteutuksen taakka jää suurelta osin näille asiantuntijoille. Kun käyttötapaus tietyllä toimialalla osoittaa merkittävää vaikutusta, vauhti tulee todennäköisesti kasvamaan koko alalla.
Tämä vauhti toteutuu kuitenkin vain, jos perustetaan sovelluskerroksia, joissa kvanttilaskenta integroituu saumattomasti olemassa oleviin sovelluksiin ja työnkulkuihin ilman, että loppukäyttäjän tarvitsee tarttua kubittien monimutkaisuuteen. Lopulta tekniikan pitäisi kehittyä pisteeseen, jossa loppukäyttäjän ei edes tarvitse olla tietoinen taustalla olevasta kvanttimekaniikasta.
Lue lisää kvantti- ja tekoälyn risteyksestä osoitteessa Inside Quantum Technology New Yorkissa lokakuussa 2024.
Brian Lenahan, Quantum Strategy Instituten perustaja ja puheenjohtaja, on seitsemän kertaa julkaistu kirjoittaja tekoälyyn ja kvanttiteknologioihin liittyvistä aiheista ja kolminkertaisesta LinkedIn Quantum Top Voicesta. Hän konsultoi yritys- ja pk-organisaatioita ensisijaisesti kehittäen teknologian tiekarttoja. Brian kirjoittaa laajasti näistä kahdesta aiheesta LinkedIn ja hänen alipinossaan"Quantumin bisnes"
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://www.insidequantumtechnology.com/news-archive/quantum-particulars-guest-column-quantum-plus-ai-an-intersection-to-innovation/
