Kvantu skaitļošanas potenciāls pārveidot AI ir atkarīgs no izstrādātāja ekosistēmas izaugsmes, kurā ir pietiekami daudz piemērotu rīku, prasmju un platformu. Lai uzskatītu, ka kvantu AI nozarei ir gatava uzņēmuma ražošanas izvēršanai, tai vismaz ir jāsasniedz šādi galvenie starpposma mērķi:
- Atrodiet pievilcīgu lietojumprogrammu, kurā kvantu skaitļošanai ir skaidra priekšrocība salīdzinājumā ar klasisko pieeju AI veidošanai un apmācībai.
- Apvienojieties uz plaši pieņemtu atvērtā koda sistēmu kvantu AI izveidei, apmācībai un izvietošanai.
- Veidojiet ievērojamu, kvalificētu kvantu AI lietojumprogrammu izstrādātāju ekosistēmu.
Šie pagrieziena punkti joprojām ir vismaz dažus gadus nākotnē. Tālāk ir analizēta kvantu AI nozares brieduma pakāpe pašreiz.
Nav pārliecinoša AI lietojuma, kurā kvantu skaitļošanai ir skaidra priekšrocība
Quantum AI samērā labi izpilda ML (mašīnmācīšanās), DL (dziļa mācīšanās) un citus ar datiem pamatotus AI algoritmus.
Tuvojoties kvantu AI, tas ir krietni pārsniedzis koncepcijas pierādīšanas stadiju. Tomēr tas nav tas pats, kas spēt apgalvot, ka kvantu pieejas ir augstākas par klasiskajām pieejām, veicot matricas darbības, no kurām atkarīgs AI secināšanas un apmācības slodzes.
Kas attiecas uz AI, galvenais kritērijs ir tas, vai kvantu platformas var paātrināt ML un DL slodzi ātrāk nekā datori, kas pilnībā uzbūvēti uz klasiskajām fon Neimaņa arhitektūrām. Pagaidām nav īpašas AI lietojumprogrammas, ar kuru kvantu dators varētu darboties labāk nekā jebkura klasiskā alternatīva. Lai mēs kvantu AI pasludinātu par nobriedušu uzņēmuma tehnoloģiju, būtu nepieciešami vismaz daži AI lietojumi, kuriem tā piedāvā skaidru priekšrocību - ātrumu, precizitāti, efektivitāti - salīdzinājumā ar klasisko pieeju šo slodžu apstrādei.
Neskatoties uz to, kvantu AI pionieri ir saskaņojuši tā funkcionālos apstrādes algoritmus ar kvantu skaitļošanas arhitektūru matemātiskajām īpašībām. Pašlaik galvenās kvantu AI algoritmiskās pieejas ietver:
- Amplitūdas kodējums: Tas kvantu stāvokļa amplitūdas saista ar ML un DL algoritmu veikto aprēķinu ievadiem un izvadiem. Amplitūdas kodēšana ļauj izmantot statistikas algoritmus, kas atbalsta eksponenciāli kompaktu kompleksu daudzdimensionālu mainīgo attēlojumu. Tas atbalsta matricu inversijas, kurās ML statistisko modeļu apmācība samazina lineāru vienādojumu sistēmu, piemēram, lineāro regresiju mazāko kvadrātu, atbalsta vektoru mašīnu mazāko kvadrātu versiju, un Gausa procesu risināšanu. Tas bieži prasa izstrādātājam inicializēt kvantu sistēmu stāvoklī, kura amplitūdas atspoguļo visas datu kopas iezīmes.
- Amplitūdas pastiprināšana: Tas izmanto algoritmu, kas ar lielu varbūtību atrod unikālu ievadi melnās kastes funkcijai, kas rada noteiktu izejas vērtību. Amplitūdas pastiprināšana ir piemērota tiem ML algoritmiem, kurus var tulkot nestrukturētā meklēšanas uzdevumā, piemēram, k-mediāniem un k-tuvākajiem kaimiņiem. To var paātrināt, izmantojot nejaušas staigāšanas algoritmus, kur nejaušība rodas no stohastiskām pārejām starp stāvokļiem, piemēram, kas raksturīga stāvokļu kvantu superpozīcijai un viļņu funkciju sabrukumam stāvokļa mērījumu dēļ.
- Kvantu atlaidināšana: Tas nosaka mašīnmācīšanās funkcijas lokālos minimumus un maksimumus virs noteikta kandidātu funkciju kopuma. Tas sākas no visu iespējamo, vienādi svērto kvantu ML sistēmas stāvokļu uzlikšanas. Tad tas izmanto lineāru, daļēju diferenciālvienādojumu, lai vadītu kvantu-mehāniskās sistēmas laika attīstību. Tas galu galā rada momentāno operatoru, kas pazīstams kā Hamiltona, kas atbilst kinētisko enerģiju un potenciālo enerģiju summai, kas saistīta ar kvantu sistēmas pamatstāvokli.
Izmantojot šos paņēmienus, dažās pašreizējās AI realizācijās tiek izmantotas kvantu platformas kā kopprocesori izvēlētajām aprēķina slodzēm, piemēram, autokoderiem, GAN (ģeneratīviem pretrunu tīkliem) un pastiprināšanas mācību aģentiem.
Kad kvantu AI nobriest, mums vajadzētu sagaidīt, ka šīs un citas algoritmiskās pieejas parādīs skaidru priekšrocību, ja tās tiek piemērotas AI galvenajiem izaicinājumiem, kas ietver sarežģītus varbūtības aprēķinus, kas darbojas pār ļoti daudzdimensionāliem problēmu apgabaliem un multimodālām datu kopām. Piemēri līdz šim neatrisināmiem AI izaicinājumiem, kas var izraisīt kvantu uzlabotas pieejas, ir neiromorfiski kognitīvie modeļi, pamatojums nenoteiktībā, sarežģītu sistēmu attēlojums, kopīga problēmu risināšana, adaptīvā mašīnmācīšanās un apmācības paralelizācija.
Bet pat tad, kad kvantu bibliotēkas, platformas un rīki pierāda sevi šo īpašo problēmu risināšanai, viņi joprojām paļausies uz klasiskajiem AI algoritmiem un funkcijām mašīnmācīšanās cauruļvados.
Nav plaši pieņemta atvērtā koda modelēšanas un apmācības ietvara
Lai kvantu AI kļūtu par stabilu uzņēmuma tehnoloģiju, šo lietojumprogrammu izstrādei, apmācībai un izvietošanai būs jābūt dominējošam ietvaram. Google TensorFlow Quantum ir izredžu izredzes šajā ziņā. Paziņots pagājušajā martā, TensorFlow Quantum ir jauns tikai programmatūras skurstenis, kas paplašina plaši pieņemto TensorFlow atvērtā koda AI bibliotēku un modelēšanas ietvaru.
TensorFlow Quantum nodrošina atbalstu daudzām kvantu skaitļošanas platformām vienā no dominējošajiem modelēšanas ietvariem, ko izmanto mūsdienu AI profesionāļi. Izstrādājusi Google X R&D vienība, tas ļauj zinātniekiem izmantot Python kodu, lai izstrādātu kvantu ML un DL modeļus, izmantojot standarta Keras funkcijas. Tas nodrošina arī kvantu ķēžu simulatoru un kvantu skaitļošanas primitīvu bibliotēku, kas ir saderīgi ar esošajām TensorFlow API.
Izstrādātāji var izmantot TensorFlow Quantum uzraudzītām mācībām par tādiem AI lietojuma gadījumiem kā kvantu klasifikācija, kvantu kontrole un aptuvena kvantu optimizācija. Viņi var izpildīt tādus sarežģītus kvantu mācīšanās uzdevumus kā meta-mācīšanās, Hamiltona mācīšanās un termisko stāvokļu paraugu ņemšana. Viņi var izmantot sistēmu, lai apmācītu hibrīdos kvantu / klasiskos modeļus, lai apstrādātu gan diskriminējošās, gan ģeneratīvās slodzes GAN centrā, ko izmanto dziļos viltojumos, 3D drukāšanā un citās uzlabotās AI lietojumprogrammās.
Atzīstot, ka kvantu skaitļošana vēl nav pietiekami nobriedusi, lai pietiekami precīzi apstrādātu visu AI slodžu diapazonu, Google izstrādāja sistēmu, lai tradicionālajās skaitļošanas arhitektūrās atbalstītu daudzus AI izmantošanas gadījumus ar vienu kāju. TensorFlow Quantum ļauj izstrādātājiem ātri prototipēt ML un DL modeļus, kas hibridizē kvantu un klasisko procesoru izpildi paralēli mācību uzdevumiem. Izmantojot rīku, izstrādātāji var veidot gan klasiskās, gan kvantu datu kopas, klasiskos datus dabiski apstrādājot TensorFlow un kvantu paplašinājumus, kas apstrādā kvantu datus, kas sastāv gan no kvantu ķēdēm, gan no kvantu operatoriem.
Google izstrādāja TensorFlow Quantum, lai atbalstītu progresīvu pētījumu par alternatīvām kvantu skaitļošanas arhitektūrām un algoritmiem ML modeļu apstrādei. Tas padara jauno piedāvājumu piemērotu datorzinātniekiem, kuri eksperimentē ar dažādām kvantu un hibrīdu apstrādes arhitektūrām, kas optimizētas ML slodzēm.
Šajā nolūkā TensorFlow Quantum iekļauj Cirq - atvērtā koda Python bibliotēku kvantu datoru programmēšanai. Tas atbalsta programmatisku kvantu vārtu izveidošanu, rediģēšanu un izsaukšanu, kas veido mūsdienu kvantu sistēmām raksturīgās trokšņainās starpposma mēroga kvantu (NISQ) shēmas. Cirq ļauj izstrādātāja norādītos kvantu aprēķinus veikt simulācijās vai reālā aparatūrā. Tas tiek darīts, pārvēršot kvantu aprēķinus par tenzoriem lietošanai TensorFlow skaitļošanas grafikos. Kā neatņemama TensorFlow Quantum sastāvdaļa, Cirq ļauj veikt kvantu ķēdes simulāciju un sērijveida ķēdes izpildi, kā arī novērtēt automātisko gaidību un kvantu gradientus. Tas arī ļauj izstrādātājiem izveidot efektīvus kompilatorus, plānotājus un citus algoritmus NISQ mašīnām.
Papildus pilnīgas AI programmatūras kaudzes nodrošināšanai, kurā tagad var hibridizēt kvantu apstrādi, Google vēlas paplašināt tradicionālāko mikroshēmu arhitektūru klāstu, kurās TensorFlow Quantum var simulēt kvantu ML. Google arī paziņoja par plāniem paplašināt pielāgoto kvantu simulācijas aparatūras platformu klāstu, ko rīks atbalsta, iekļaujot dažādu piegādātāju grafiskās apstrādes vienības, kā arī savas Tensor Processing Unit AI-akseleratora aparatūras platformas.
Google jaunākais paziņojums nonāk strauji mainīgā, bet vēl nenobriedušajā kvantu skaitļošanas tirgū. Paplašinot populārāko atvērtā koda AI izstrādes ietvaru, Google gandrīz noteikti katalizēs TensorFlow Quantum izmantošanu plašā ar AI saistītu iniciatīvu klāstā.
Tomēr TensorFlow Quantum nonāk tirgū, kurā jau ir vairāki atvērtā koda kvantu-AI izstrādes un apmācības rīki. Atšķirībā no Google piedāvājuma, šie konkurējošie kvantu AI rīki ir daļa no lielākiem izstrādes vides, mākoņpakalpojumu un konsultāciju komplektiem, lai pilnībā darbotos lietojumprogrammas. Šeit ir trīs pilnas kaudzes kvantu AI piedāvājumi:
- Azure Quantum, kas paziņots 2019. gada novembrī, ir kvantu skaitļošanas mākoņu pakalpojums. Pašlaik privātajā priekšskatījumā un par vispārēju pieejamību vēlāk šogad Azure Quantum ir aprīkots ar Microsoft atvērtā koda Quantum izstrādes komplektu Microsoft izstrādātajai kvantu orientētajai Q # valodai, kā arī Python, C # un citām valodām. Komplektā ietilpst bibliotēkas kvantu lietotņu izstrādei ML, kriptogrāfijā, optimizācijā un citās jomās.
- Amazon Braket, kas paziņots 2019. gada decembrī un joprojām ir priekšskatījumā, ir pilnībā pārvaldīts AWS pakalpojums. Tas nodrošina vienotu izstrādes vidi, lai izveidotu kvantu algoritmus, ieskaitot ML, un pārbaudītu tos uz simulētiem hibrīdu kvantu / klasiskajiem datoriem. Tas ļauj izstrādātājiem palaist ML un citas kvantu programmas dažādās aparatūras arhitektūrās. Izstrādātāji izstrādā kvantu algoritmus, izmantojot Amazon Braket izstrādātāju rīkkopu, un izmanto pazīstamus rīkus, piemēram, Jupyter piezīmjdatorus.
- IBM Quantum Experience ir bezmaksas, publiski pieejama, uz mākoņiem balstīta vide kvantu lietojumprogrammu izpētei komandā. Tas nodrošina izstrādātājiem piekļuvi uzlabotiem kvantu datoriem AI un citu kvantu programmu mācīšanai, izstrādei, apmācībai un darbināšanai. Tas ietver IBM Qiskit, atvērtā koda izstrādātāja rīku ar starpdomēnu kvantu algoritmu bibliotēku eksperimentēšanai ar AI, simulācijas, optimizācijas un finanšu lietojumiem kvantu datoriem.
TensorFlow Quantum pieņemšana ir atkarīga no tā, cik lielā mērā šie un citi kvantu AI pilnas kaudzes pārdevēji to iekļauj savos risinājumu portfeļos. Tas, šķiet, ir iespējams, ņemot vērā to, cik lielā mērā visi šie mākoņu pārdevēji jau atbalsta TensorFlow attiecīgajos AI krāvumos.
TensorFlow Quantum ne vienmēr būs nepieciešams kvantu AI SDK lauks. Citas atvērtā koda AI ietvarstruktūras, īpaši Facebook izstrādātais PyTorch, ar TensorFlow cīnās par strādājošo datu zinātnieku sirdīm un prātiem. Ir sagaidāms, ka nākamo 12 līdz 18 mēnešu laikā šī konkurējošā sistēma tiks paplašināta ar kvantu AI bibliotēkām un rīkiem.
Mēs varam ieskatīties topošajā daudzfunkcionālo kvantu AI nozarē, apsverot šajā ziņā novatorisku pārdevēju. Xanadu's PennyLane ir atvērtā koda AI izstrādes un apmācības sistēma, kas darbojas vairāk nekā hibrīdās kvantu / klasiskās platformās.
PennyLane, kas tika palaists 2018. gada novembrī, ir starpplatformu Python bibliotēka kvantu ML, automātiskai diferencēšanai un hibrīdu kvantu-klasisko skaitļošanas platformu optimizēšanai. PennyLane ļauj ātri izveidot prototipus un optimizēt kvantu shēmas, izmantojot esošos AI rīkus, tostarp TensorFlow, PyTorch un NumPy. Tas ir neatkarīgs no ierīces, ļaujot vienu un to pašu kvantu shēmas modeli darbināt dažādās programmatūras un aparatūras aizmugurēs, ieskaitot Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK un ProjectQ.
Būtiskas un kvalificētas izstrādātāju ekosistēmas trūkums
Kad slepkavas lietotnes un atvērtā koda ietvari nobriest, tie noteikti katalizēs kvalificētu kvantu-AI izstrādātāju stabilu ekosistēmu, kuri veic novatorisku darbu, virzot šo tehnoloģiju ikdienas lietojumprogrammās.
Arvien vairāk mēs redzam kvantu AI izstrādātāju ekosistēmas izaugsmi. Katrs no galvenajiem kvantu AI mākoņu pārdevējiem (Google, Microsoft, Amazon Web Services un IBM) iegulda lielus līdzekļus izstrādātāju kopienas paplašināšanā. Pārdevēju iniciatīvas šajā sakarā ietver:
