Programavimas

„Quantum AI“ vis dar yra metai nuo įmonės pagrindinio laiko

Kvantinio skaičiavimo galimybės iš esmės pakeisti dirbtinį intelektą priklauso nuo kūrėjo ekosistemos, kurioje gausu tinkamų įrankių, įgūdžių ir platformų, augimo. Kad kvantinė dirbtinio intelekto pramonė būtų laikoma pasirengusia diegti įmonės gamybą, ji turėtų bent jau pasiekti šiuos pagrindinius etapus:

  • Raskite patrauklią programą, kuriai kvantinis skaičiavimas turi aiškų pranašumą, palyginti su klasikiniu požiūriu į AI kūrimą ir mokymą.
  • Susitelkite į plačiai pritaikytą atvirojo kodo sistemą, skirtą kurti, mokyti ir pritaikyti kvantinį intelektą.
  • Sukurkite didelę, kvalifikuotą kūrėjų ekosistemą apie kvantinio intelekto programas.

Šie etapai vis dar yra bent keleri metai ateityje. Toliau pateikiama kvantinio intelekto pramonės brandos analizė šiuo metu.

Nepakanka patrauklios AI programos, kuriai kvantinis skaičiavimas turi aiškų pranašumą

Kvantinis intelektas gana gerai vykdo ML (mašininis mokymasis), DL (gilus mokymasis) ir kitus duomenimis pagrįstus AI algoritmus.

Kaip požiūris, kvantinis intelektas gerokai peržengė koncepcijos įrodymo etapą. Tačiau tai nėra tas pats, kas teigti, kad kvantiniai metodai yra pranašesni už klasikinius metodus vykdant matricos operacijas, nuo kurių priklauso AI išvados ir mokymo darbo krūviai.

Kalbant apie dirbtinį intelektą, pagrindinis kriterijus yra tai, ar kvantinės platformos gali pagreitinti ML ir DL darbo krūvius greičiau nei kompiuteriai, sukurti tik remiantis klasikinėmis von Neumanno architektūromis. Kol kas nėra specifinės dirbtinio intelekto taikymo, kad kvantinis kompiuteris galėtų veikti geriau nei bet kuri klasikinė alternatyva. Kad galėtume paskelbti, jog kvantinis intelektas yra brandi įmonės technologija, reikės bent keleto intelekto programų, kurioms jis suteikia aiškų pranašumą - greitį, tikslumą, efektyvumą, palyginti su klasikiniu požiūriu į šių darbo krūvių apdorojimą.

Nepaisant to, kvantinio AI pradininkai suderino savo funkcinius apdorojimo algoritmus su kvantinių skaičiavimo architektūrų matematinėmis savybėmis. Šiuo metu pagrindiniai kvantinio AI algoritminiai metodai apima:

  • Amplitudės kodavimas: Tai sieja kvantinės būsenos amplitudes su skaičiavimų, atliktų ML ir DL algoritmais, įvestimis ir išvestimis. Amplitudės kodavimas leidžia naudoti statistinius algoritmus, kurie palaiko eksponentiškai kompaktišką sudėtingų daugiamačių kintamųjų vaizdavimą. Jis palaiko matricų inversijas, kurių metu statistinių ML modelių mokymas sutampa su tiesinių lygčių sistemų sprendimu, pavyzdžiui, ties mažiausių kvadratų tiesinėmis regresijomis, mažiausių kvadratų atramos vektorių mašinų versijomis ir Gauso procesais. Kūrėjui dažnai reikia inicijuoti kvantinę sistemą būsenoje, kurios amplitudės atspindi viso duomenų rinkinio ypatybes.
  • Amplitudės stiprinimas: Tai naudoja algoritmą, kuris labai tikėtina suranda unikalų įvestį į juodosios dėžės funkciją, kuri sukuria tam tikrą išvesties vertę. Amplitudės stiprinimas tinka tiems ML algoritmams, kuriuos galima paversti nestruktūrizuota paieškos užduotimi, pavyzdžiui, k-medianai ir k-artimiausi kaimynai. Tai galima pagreitinti naudojant atsitiktinio ėjimo algoritmus, kai atsitiktinumas atsiranda dėl stochastinių perėjimų tarp būsenų, pavyzdžiui, būdingų kvantinei būsenų superpozicijai ir bangų funkcijų žlugimo dėl būsenos matavimų.
  • Kvantinis atkaitinimas: Tai nustato mašininio mokymosi funkcijos vietinius minimumus ir maksimumus per tam tikrą kandidatų funkcijų rinkinį. Tai prasideda nuo visų galimų, vienodai įvertintų kvantinės ML sistemos būsenų superpozicijos. Tada ji naudoja tiesinę, dalinę diferencialinę lygtį, kad būtų galima nustatyti kvantinės-mechaninės sistemos laiko raidą. Galų gale gaunamas momentinis operatorius, žinomas kaip Hamiltono, kuris atitinka kinetinių energijų ir galimų energijų, susijusių su kvantinės sistemos pagrindine būsena, sumą.

Pasitelkiant šias technikas, kai kurie dabartiniai dirbtinio intelekto diegimo įrankiai naudoja kvantines platformas kaip bendrus procesorius pasirinktoms skaičiavimo darbo apkrovoms, pvz., Autokoderius, GAN (generatyvinius prieštaravimo tinklus) ir mokymosi agentus.

Bręstant kvantiniam intelektui, turėtume tikėtis, kad šie ir kiti algoritminiai metodai parodys aiškų pranašumą, kai bus taikomi AI dideliems iššūkiams, kurie apima sudėtingus tikimybinius skaičiavimus, atliekamus naudojant daugiadimenses problemines sritis ir multimodalinius duomenų rinkinius. Iki šiol neišsprendžiamų AI iššūkių, galinčių pasireikšti taikant kiekybiškai patobulintus metodus, pavyzdžiai yra neuromorfiniai kognityviniai modeliai, samprotavimas dėl neapibrėžtumo, sudėtingų sistemų vaizdavimas, bendradarbiavimo problemų sprendimas, adaptyvus mašininis mokymasis ir mokymo lygiagretumas.

Bet net kai kvantinės bibliotekos, platformos ir įrankiai pasiteisina šiems konkretiems iššūkiams, jie vis tiek pasikliaus klasikiniais dirbtinio intelekto algoritmais ir funkcijomis „nuo galo iki galo“ mašininio mokymosi vamzdynuose.

Trūksta plačiai pritaikytos atvirojo kodo modeliavimo ir mokymo sistemos

Norint, kad kvantinis intelektas taptų tvirta įmonės technologija, reikės sukurti dominuojančią šių programų kūrimo, mokymo ir diegimo sistemą. Šiuo atžvilgiu „Google“ „TensorFlow Quantum“ yra mėgstamiausia. Paskelbta praeitą kovą, „TensorFlow Quantum“ yra nauja tik programinei įrangai skirta rietuvė, kuri praplečia plačiai pritaikytą „TensorFlow“ atvirojo kodo dirbtinio intelekto bibliotekos ir modeliavimo sistemą.

„TensorFlow Quantum“ suteikia paramą daugybei kvantinių skaičiavimo platformų į vieną iš dominuojančių modeliavimo sistemų, kurias naudoja šių dienų dirbtinio intelekto specialistai. Sukurtas „Google“ X tyrimų ir plėtros skyriaus, tai leidžia duomenų mokslininkams naudoti „Python“ kodą kuriant kvantinius ML ir DL modelius naudojant standartines „Keras“ funkcijas. Čia taip pat pateikiama kvantinių grandinių imitatorių ir kvantinių skaičiavimo primityvių biblioteka, suderinama su esamomis „TensorFlow“ API.

Kūrėjai gali naudoti „TensorFlow Quantum“ prižiūrint mokymąsi dėl tokių dirbtinio intelekto naudojimo atvejų kaip kvantinė klasifikacija, kvantinė kontrolė ir apytikslis kvantinis optimizavimas. Jie gali atlikti pažangias kvantinio mokymosi užduotis, tokias kaip metamokymasis, Hamiltono mokymasis ir šiluminių būsenų atranka. Jie gali naudoti sistemą, kad mokytų hibridinius kvantinius / klasikinius modelius, kad būtų galima valdyti tiek diskriminacinį, tiek generinį darbo krūvį GAN, naudojamo giliai padirbinėjant, 3D spausdinant ir kitose pažangiose dirbtinio intelekto programose.

Pripažindama, kad kvantinis skaičiavimas dar nėra pakankamai subrendęs, kad būtų galima pakankamai tiksliai apdoroti visą dirbtinio intelekto krūvių spektrą, „Google“ sukūrė sistemą, kad viena koja palaikytų daugelį dirbtinio intelekto naudojimo atvejų tradicinėse skaičiavimo architektūrose. „TensorFlow Quantum“ leidžia kūrėjams greitai sukurti prototipus ML ir DL modeliams, kurie kartu su mokymosi užduotimis hibridizuoja kvantinių ir klasikinių procesorių vykdymą. Naudodami įrankį kūrėjai gali sukurti tiek klasikinius, tiek kvantinius duomenų rinkinius, klasikinius duomenis natūraliai apdorodami „TensorFlow“ ir kvantinius plėtinius, apdorojančius kvantinius duomenis, kuriuos sudaro tiek kvantinės grandinės, tiek kvantiniai operatoriai.

„Google“ sukūrė „TensorFlow Quantum“, kad palaikytų pažangius alternatyvių kvantinių skaičiavimo architektūrų ir algoritmų, skirtų ML modeliams apdoroti, tyrimus. Todėl naujas pasiūlymas tinka kompiuterių mokslininkams, kurie eksperimentuoja su skirtingomis kvantinio ir hibridinio apdorojimo architektūromis, optimizuotomis ML darbo krūviams.

Tuo tikslu „TensorFlow Quantum“ apima „Cirq“ - atviro kodo „Python“ biblioteką, skirtą programuoti kvantinius kompiuterius. Jis palaiko programinį kvantinių vartų kūrimą, redagavimą ir pasitelkimą, kurie sudaro šiandienos kvantinėms sistemoms būdingas triukšmingo tarpinio skalės kvanto (NISQ) grandines. „Cirq“ leidžia kūrėjo nurodytus kvantinius skaičiavimus atlikti imituojant arba naudojant tikrąją aparatinę įrangą. Tai daro konvertuodamas kvantinius skaičiavimus į tenzorus, skirtus naudoti „TensorFlow“ skaičiavimo grafikuose. Kaip neatskiriamą „TensorFlow Quantum“ komponentą, „Cirq“ leidžia atlikti kvantinės grandinės modeliavimą ir paketinės grandinės vykdymą, taip pat įvertinti automatizuotą laukimą ir kvantinius gradientus. Tai taip pat leidžia kūrėjams kurti efektyvius kompiliatorius, tvarkaraščius ir kitus NISQ mašinų algoritmus.

„Google“ ne tik pateikia visą dirbtinio intelekto programinės įrangos šūsnį, į kurią dabar galima hibridizuoti kvantinį apdorojimą, bet ir „Google“ siekia išplėsti tradicinių mikroschemų architektūrų, kuriose „TensorFlow Quantum“ gali imituoti kvantinį ML, spektrą. „Google“ taip pat paskelbė apie planus išplėsti įrankio palaikomų pritaikytų kvantinės imitacijos aparatinės įrangos platformų asortimentą, įtraukiant įvairių pardavėjų grafikos apdorojimo įrenginius, taip pat savo paties „Tensor Processing Unit“ AI greitintuvo aparatinės įrangos platformas.

Naujausias „Google“ pranešimas patenka į sparčiai besikeičiančią, bet vis dar nebrandžią kvantinių skaičiavimų rinką. Išplėsdama populiariausią atvirojo kodo dirbtinio intelekto kūrimo sistemą, „Google“ beveik neabejotinai paskatins „TensorFlow Quantum“ naudojimą įvairiose su AI susijusiose iniciatyvose.

Tačiau „TensorFlow Quantum“ ateina į rinką, kurioje jau yra keletas atvirojo kodo kvantinio intelekto kūrimo ir mokymo priemonių. Skirtingai nuo „Google“ pasiūlymo, šie konkuruojantys kvantinio intelekto įrankiai yra didesnių kūrimo aplinkų, debesijos paslaugų ir konsultacijų paketai, skirti atsistoti už visas veikiančias programas. Čia yra trys viso šūsnio kvantinio intelekto pasiūlymai:

  •  „Azure Quantum“, paskelbta 2019 m. Lapkričio mėn., Yra kiekybiškai skaičiuojanti debesų paslauga. Šiuo metu yra privati ​​peržiūra ir dėl bendro prieinamumo vėliau šiais metais, „Azure Quantum“ tiekiamas su „Microsoft“ atviro šaltinio „Quantum Development Kit“, skirtu „Microsoft“ sukurtai į kvantą orientuotai Q # kalbai, taip pat „Python“, C # ir kitoms kalboms. Rinkinyje yra bibliotekos, skirtos kurti kvantines programas ML, kriptografijos, optimizavimo ir kitose srityse.
  • „Amazon Braket“, paskelbta 2019 m. Gruodžio mėn. Ir vis dar peržiūrima, yra visiškai valdoma AWS paslauga. Tai suteikia vieną kūrimo aplinką, kad būtų galima sukurti kvantinius algoritmus, įskaitant ML, ir juos išbandyti imituotuose hibridiniuose kvantiniuose / klasikiniuose kompiuteriuose. Tai leidžia kūrėjams paleisti ML ir kitas kvantines programas įvairiomis aparatinės įrangos architektūromis. Kūrėjai kuria kvantinius algoritmus naudodami „Amazon Braket“ kūrėjų įrankių rinkinį ir naudoja žinomus įrankius, tokius kaip „Jupyter“ bloknotai.
  • „IBM Quantum Experience“ yra nemokama, viešai prieinama debesies pagrindu sukurta aplinka, skirta komandai tirti kvantines programas. Tai suteikia kūrėjams prieigą prie pažangių kvantinių kompiuterių, skirtų mokytis, kurti, mokyti ir vykdyti AI bei kitas kvantines programas. Jame yra „IBM Qiskit“ - atvirojo kodo kūrėjų įrankis su kelių sričių kvantinių algoritmų biblioteka, skirta eksperimentuoti su AI, imituoti, optimizuoti ir finansuoti programas kvantiniams kompiuteriams.

„TensorFlow Quantum“ priėmimas priklauso nuo to, kiek šie ir kiti kvantinio intelekto dirbtuvių pardavėjai įtraukia jį į savo sprendimų portfelį. Tai atrodo tikėtina, atsižvelgiant į tai, kiek visi šie debesų pardavėjai jau palaiko „TensorFlow“ savo atitinkamose dirbtinio intelekto paketuose.

„TensorFlow Quantum“ nebūtinai turės kvantinį AI SDK lauką į priekį. Kiti atvirojo kodo dirbtinio intelekto pagrindai, ypač „Facebook“ sukurtas „PyTorch“, kovoja su „TensorFlow“ dėl dirbančių duomenų mokslininkų širdžių ir protų. Tikimasi, kad per ateinančius 12–18 mėnesių ši konkuruojanti sistema bus išplėsta kvantinės dirbtinio intelekto bibliotekomis ir įrankiais.

Mes galime užmesti akį į besikuriančią daugiafunkcinę kvantinio intelekto pramonę, apsvarstydami novatorišką pardavėją šiuo klausimu. „Xanadu“ „PennyLane“ yra atvirojo kodo dirbtinio intelekto kūrimo ir mokymo sistema, vykdanti per hibridines kvantines / klasikines platformas.

2018 m. Lapkričio mėn. Paleista „PennyLane“ yra „cross-platform Python“ biblioteka, skirta kvantinėms ML, automatinei diferenciacijai ir hibridinių kvantinės-klasikinės skaičiavimo platformų optimizavimui. „PennyLane“ leidžia greitai atlikti prototipų sudarymą ir optimizuoti kvantines grandines naudojant esamus dirbtinio intelekto įrankius, įskaitant „TensorFlow“, „PyTorch“ ir „NumPy“. Tai nepriklauso nuo įrenginio, leidžianti tą patį kvantinės grandinės modelį paleisti skirtingais programinės ir aparatinės įrangos galais, įskaitant „Strawberry Fields“, „IBM Q“, „Google Cirq“, „Rigetti Forest SDK“, „Microsoft QDK“ ir „ProjectQ“.

Trūksta didelės ir kvalifikuotų kūrėjų ekosistemos

Bręstant žudikų programoms ir atvirojo kodo sistemoms, jos tikrai paskatins tvirtą kvalifikuotų kvantinių dirbtinių intelektų kūrėjų ekosistemą, kurie daro novatorišką darbą, nukreipdami šią technologiją į kasdienes programas.

Vis dažniau matome kvantinio intelekto kūrėjų ekosistemos augimą. Kiekvienas iš pagrindinių kvantinių dirbtinių intelektinių išteklių debesų pardavėjų („Google“, „Microsoft“, „Amazon Web Services“ ir IBM) daug investuoja į kūrėjų bendruomenės plėtrą. Pardavėjų iniciatyvos šiuo klausimu apima:

$config[zx-auto] not found$config[zx-overlay] not found