Quantum AI все още е години от първоначалното време на предприятието

Потенциалът на квантовите изчисления да революционизира ИИ зависи от растежа на екосистема за разработчици, в която има изобилие от подходящи инструменти, умения и платформи. За да се счита за готова за внедряване на производствено производство, квантовата индустрия на ИИ трябва поне да достигне следните ключови етапи:

  • Намерете убедително приложение, за което квантовите изчисления имат очевидно предимство пред класическите подходи за изграждане и обучение на AI.
  • Сближете се с широко приетата рамка с отворен код за изграждане, обучение и внедряване на квантов AI.
  • Изградете значителна, квалифицирана екосистема за разработчици на квантови приложения за ИИ.

Всички тези етапи са все още поне няколко години в бъдеще. Следва анализ на зрелостта на квантовата ИИ индустрия към настоящия момент.

Липса на убедително приложение за ИИ, за което квантовите изчисления имат явно предимство

Quantum AI изпълнява разумно добре ML (машинно обучение), DL (дълбоко обучение) и други управлявани от данни алгоритми на AI.

Като подход квантовият ИИ се е преместил далеч отвъд етапа на доказване на концепцията. Това обаче не е същото като да можеш да твърдиш, че квантовите подходи превъзхождат класическите подходи за изпълнение на матричните операции, от които зависят натоварванията за интегриране и обучение на AI.

Що се отнася до AI, ключовият критерий е дали квантовите платформи могат да ускорят натоварванията на ML и DL по-бързо от компютрите, изградени изцяло на класическите архитектури на фон Нойман. Досега няма конкретно приложение за изкуствен интелект, което квантовият компютър да може да се представи по-добре от която и да е класическа алтернатива. За да обявим квантовия AI за зряла корпоративна технология, ще трябва да има поне няколко AI приложения, за които той предлага явно предимство - скорост, точност, ефективност - пред класическите подходи за обработка на тези натоварвания.

Независимо от това, пионерите на квантовия ИИ са привели своите алгоритми за функционална обработка с математическите свойства на квантовите изчислителни архитектури. В момента основните алгоритмични подходи за квантовия ИИ включват:

  • Амплитудно кодиране: Това свързва амплитудите на квантовото състояние с входовете и изходите на изчисленията, извършени от ML и DL алгоритми. Амплитудното кодиране позволява статистически алгоритми, които поддържат експоненциално компактно представяне на сложни многомерни променливи. Той поддържа матрични инверсии, при които обучението на статистически модели на ML се свежда до решаване на линейни системи от уравнения, като тези в линейни регресии с най-малки квадрати, версия на поддържащи векторни машини и Гаусови процеси. Често изисква разработчикът да инициализира квантова система в състояние, чиито амплитуди отразяват характеристиките на целия набор от данни.
  • Амплитудно усилване : Това използва алгоритъм, който намира с голяма вероятност уникалния вход към функция на черна кутия, която генерира определена изходна стойност. Амплитудното усилване е подходящо за онези ML алгоритми, които могат да бъдат превърнати в неструктурирана задача за търсене, като k-медиани и k-най-близки съседи. Тя може да се ускори чрез алгоритми за произволно ходене, където произволността идва от стохастични преходи между състояния, като например присъщата на квантовата суперпозиция на състоянията и колапса на вълновите функции поради измерванията на състоянието.
  • Квантово отгряване : Това определя локалните минимуми и максимуми на функция за машинно обучение за даден набор от кандидат-функции. Започва от суперпозиция на всички възможни, еднакво претеглени състояния на квантова ML система. След това прилага линейно, частично диференциално уравнение, което да насочва развитието на времето на квантово-механичната система. В крайна сметка той дава моментален оператор, известен като Хамилтониан, който съответства на сумата от кинетичните енергии плюс потенциалните енергии, свързани с основното състояние на квантовата система.

Използвайки тези техники, някои настоящи внедрения на AI използват квантови платформи като съпроцесори при избрани натоварвания за изчисления, като автокодери, GAN (генеративни състезателни мрежи) и агенти за засилване на обучението.

Докато квантовият AI узрее, трябва да очакваме, че тези и други алгоритмични подходи ще покажат очевидно предимство, когато се прилагат към големите предизвикателства на AI, които включват сложни вероятностни изчисления, работещи върху силно многоизмерни проблемни области и мултимодални набори от данни. Примери за неразрешими досега предизвикателства на изкуствения интелект, които могат да доведат до квантово подобрени подходи, включват невроморфни когнитивни модели, разсъждения при несигурност, представяне на сложни системи, съвместно решаване на проблеми, адаптивно машинно обучение и паралелизация на обучението.

Но въпреки че квантовите библиотеки, платформи и инструменти се доказват за тези специфични предизвикателства, те все още ще разчитат на класическите алгоритми и функции на AI в рамките на тръбопроводи за машинно обучение от край до край.

Липса на широко възприета рамка за моделиране и обучение с отворен код

За да може квантовият ИИ да се превърне в стабилна корпоративна технология, ще трябва да има доминираща рамка за разработване, обучение и внедряване на тези приложения. Google TensorFlow Quantum е фаворит в това отношение. Обявен през март миналата година, TensorFlow Quantum е нов стек само за софтуер, който разширява широко възприетата TensorFlow AI библиотека и рамка за моделиране с отворен код.

TensorFlow Quantum предлага поддръжка за широк спектър от квантови изчислителни платформи в една от доминиращите рамки за моделиране, използвани от съвременните AI професионалисти. Разработено от отдела за научноизследователска и развойна дейност на Google, той дава възможност на изследователите на данни да използват кода на Python за разработване на квантови ML и DL модели чрез стандартни функции на Keras. Той също така предоставя библиотека от симулатори на квантови вериги и примитиви на квантовите изчисления, които са съвместими със съществуващите API на TensorFlow.

Разработчиците могат да използват TensorFlow Quantum за контролирано обучение в такива случаи на използване на AI като квантова класификация, квантов контрол и квантова приблизителна оптимизация. Те могат да изпълняват усъвършенствани задачи за квантово обучение като мета-обучение, хамилтоново обучение и вземане на проби от топлинни състояния. Те могат да използват рамката за обучение на хибридни квантови / класически модели, за да се справят както с дискриминационните, така и с генеративните натоварвания в основата на GAN, използвани при дълбоки фалшификати, 3D печат и други усъвършенствани приложения за AI.

Признавайки, че квантовите изчисления все още не са достатъчно зрели, за да обработват пълната гама натоварвания с изкуствен интелект с достатъчна точност, Google проектира рамката, за да поддържа многото случаи на използване на изкуствен интелект с един крак в традиционните изчислителни архитектури. TensorFlow Quantum позволява на разработчиците бързо да прототипират ML и DL модели, които хибридизират изпълнението на квантови и класически процесори паралелно на учебни задачи. Използвайки инструмента, разработчиците могат да създават както класически, така и квантови набори от данни, като класическите данни се обработват от TensorFlow и квантовите разширения обработват квантови данни, които се състоят както от квантови вериги, така и от квантови оператори.

Google разработи TensorFlow Quantum в подкрепа на разширени изследвания на алтернативни квантови изчислителни архитектури и алгоритми за обработка на ML модели. Това прави новото предложение подходящо за компютърни учени, които експериментират с различни архитектури за квантова и хибридна обработка, оптимизирани за натоварвания на ML.

За тази цел TensorFlow Quantum включва Cirq, Python библиотека с отворен код за програмиране на квантови компютри. Той поддържа програмно създаване, редактиране и извикване на квантовите порти, които съставляват схемите на шумен междинен квант (NISQ), характерни за днешните квантови системи. Cirq позволява квантовите изчисления, определени от разработчика, да се изпълняват в симулации или на реален хардуер. Това се прави чрез преобразуване на квантовите изчисления в тензори за използване в изчислителните графики на TensorFlow. Като неразделен компонент на TensorFlow Quantum, Cirq позволява квантова симулация на вериги и групово изпълнение на вериги, както и оценка на автоматизираните очаквания и квантовите градиенти. Той също така позволява на разработчиците да създават ефективни компилатори, планиращи програми и други алгоритми за NISQ машини.

В допълнение към предоставянето на пълен AI софтуерен стек, в който квантовата обработка вече може да бъде хибридизирана, Google се стреми да разшири обхвата на по-традиционните архитектури на чипове, на които TensorFlow Quantum може да симулира квантова ML. Google също обяви планове за разширяване на гамата от хардуерни платформи за квантова симулация, поддържани от инструмента, за да включи графични процесори от различни доставчици, както и собствените си хардуерни платформи за ускоряване на изкуствения интелект Tensor Processing Unit.

Последното съобщение на Google попада на бързо развиващ се, но все още незрял пазар на квантови изчисления. Разширявайки най-популярната рамка за разработка на AI с отворен код, Google почти сигурно ще катализира използването на TensorFlow Quantum в широк спектър от инициативи, свързани с AI.

Въпреки това, TensorFlow Quantum излиза на пазар, който вече има няколко инструмента за разработка и обучение за квантов AI с отворен код. За разлика от предложението на Google, тези съперничещи квантови инструменти за изкуствен интелект се предлагат като части от по-големи пакети от среди за разработка, облачни услуги и консултации за изправяне на напълно работещи приложения. Ето три квантови предложения за изкуствен интелект с пълен стек:

  •  Azure Quantum, обявен през ноември 2019 г., е облачна услуга за квантови изчисления. Понастоящем в частен преглед и поради обща наличност по-късно тази година, Azure Quantum се предлага с Microsoft Quantum Development Kit с отворен код за разработения от Microsoft квантово ориентиран език Q #, както и Python, C # и други езици. Комплектът включва библиотеки за разработване на квантови приложения в ML, криптография, оптимизация и други домейни.
  • Amazon Braket, обявен през декември 2019 г. и все още в преглед, е напълно управлявана AWS услуга. Той осигурява единна среда за разработка за изграждане на квантови алгоритми, включително ML, и ги тества на симулирани хибридни квантови / класически компютри. Той позволява на разработчиците да стартират ML и други квантови програми на редица различни хардуерни архитектури. Разработчиците създават квантови алгоритми, използвайки инструментариум за разработчици на Amazon Braket и използват познати инструменти като тетрадки Jupyter.
  • IBM Quantum Experience е безплатна, публично достъпна, базирана на облак среда за екипно изследване на квантови приложения. Той предоставя на разработчиците достъп до усъвършенствани квантови компютри за обучение, разработване, обучение и стартиране на AI и други квантови програми. Той включва IBM Qiskit, инструмент за разработчици с отворен код с библиотека междудоменни квантови алгоритми за експериментиране с AI, симулация, оптимизация и финансови приложения за квантови компютри.

Приемането на TensorFlow Quantum зависи от степента, до която тези и други квантови AI доставчици с пълен стек го включват в портфолиото си от решения. Това изглежда вероятно, като се има предвид степента, до която всички тези доставчици на облаци вече поддържат TensorFlow в съответните си AI стекове.

TensorFlow Quantum не е задължително да има квантовото AI SDK поле само за себе си напред. Други рамки за изкуствен интелект с отворен код - най-вече разработената от Facebook PyTorch - се борят с TensorFlow за сърцата и умовете на работещите учени по данни. Човек очаква тази конкурентна рамка да бъде разширена с квантови AI библиотеки и инструменти през следващите 12 до 18 месеца.

Можем да зърнем нововъзникващата индустрия за квантови изкуствени изкуствени интелектуални инструменти, като разгледаме новаторски доставчик в това отношение. PennyLane на Xanadu е рамка за разработка и обучение с отворен код за AI, изпълняваща се на хибридни квантови / класически платформи.

Пуснат на пазара през ноември 2018 г., PennyLane е междуплатформена библиотека на Python за квантова ML, автоматична диференциация и оптимизация на хибридни квантово-класически изчислителни платформи. PennyLane позволява бързо прототипиране и оптимизиране на квантови вериги, използвайки съществуващи инструменти за изкуствен интелект, включително TensorFlow, PyTorch и NumPy. Той е независим от устройството, което позволява да се изпълнява един и същ модел на квантова верига на различни софтуерни и хардуерни задни части, включително Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK и ProjectQ.

Липса на съществена и квалифицирана екосистема за разработчици

Тъй като приложенията-убийци и рамките с отворен код узряват, те със сигурност ще катализират стабилна екосистема от опитни разработчици на квантови AI, които правят иновативна работа, задвижвайки тази технология в ежедневните приложения.

Все по-често наблюдаваме растежа на екосистема за разработчици за квантов AI. Всеки от големите доставчици на квантов AI облак (Google, Microsoft, Amazon Web Services и IBM) инвестира сериозно в разширяване на общността на разработчиците. Инициативите на доставчиците в това отношение включват следното: