Potencial kvantnega računalništva za revolucijo umetne inteligence je odvisen od rasti razvijalnega ekosistema, v katerem je na voljo dovolj orodij, veščin in platform. Da bi bila industrija kvantne umetne inteligence pripravljena na uvajanje v proizvodnji v podjetju, bi morala vsaj doseči naslednje ključne mejnike:
- Poiščite prepričljivo aplikacijo, za katero ima kvantno računalništvo očitno prednost pred klasičnimi pristopi k gradnji in usposabljanju umetne inteligence.
- Zbližajte se s splošno sprejetim odprtokodnim okvirom za gradnjo, usposabljanje in uvajanje kvantne umetne inteligence.
- Zgradite pomemben, usposobljen razvijalski ekosistem kvantnih aplikacij umetne inteligence.
Vsi ti mejniki so še vsaj nekaj let v prihodnosti. Sledi analiza sedanje zrelosti industrije kvantnih umetnih inteligenc.
Pomanjkanje prepričljive aplikacije umetne inteligence, za katero ima kvantno računanje očitno prednost
Quantum AI razmeroma dobro izvaja algoritme ML (strojno učenje), DL (globoko učenje) in druge algoritme umetne inteligence na osnovi podatkov.
Kot pristop je kvantna umetna inteligenca presegla fazo dokazovanja koncepta. Vendar to ni enako, kot če bi lahko trdili, da so kvantni pristopi boljši od klasičnih pristopov za izvajanje matričnih operacij, od katerih so odvisne delovne obremenitve za vključevanje in usposabljanje AI.
Kar zadeva umetno inteligenco, je ključno merilo, ali lahko kvantne platforme pospešijo delovne obremenitve ML in DL hitreje kot računalniki, zgrajeni v celoti na klasičnih von Neumannovih arhitekturah. Zaenkrat ni nobene posebne aplikacije AI, ki bi jo kvantni računalnik lahko izvajal bolje kot katera koli klasična alternativa. Da bi kvantno inteligenco razglasili za zrelo podjetniško tehnologijo, bi moralo obstajati vsaj nekaj aplikacij umetne inteligence, za katere ponuja očitno prednost - hitrost, natančnost in učinkovitost - pred klasičnimi pristopi k obdelavi teh delovnih obremenitev.
Kljub temu so pionirji kvantne umetne inteligence svoje algoritme funkcionalne obdelave uskladili z matematičnimi lastnostmi kvantnih računalniških arhitektur. Trenutno glavni algoritemski pristopi za kvantno umetno inteligenco vključujejo:
- Kodiranje amplitude: To povezuje amplitude kvantnega stanja z vhodi in izhodi izračunov, ki jih izvajajo algoritmi ML in DL. Amplitudno kodiranje omogoča statistične algoritme, ki podpirajo eksponentno kompaktno predstavitev kompleksnih večdimenzionalnih spremenljivk. Podpira matrične inverzije, pri katerih se usposabljanje statističnih modelov ML zmanjša na reševanje linearnih sistemov enačb, kot so tisti v linearnih regresijah najmanjših kvadratov, različica podpornih vektorskih strojev z najmanjšimi kvadratki in Gaussovi procesi. Razvijalec pogosto zahteva, da kvantni sistem inicializira v stanju, katerega amplitude odražajo značilnosti celotnega nabora podatkov.
- Ojačanje amplitude: Ta uporablja algoritem, ki z veliko verjetnostjo najde edinstveni vhod v funkcijo črnega polja, ki ustvari določeno izhodno vrednost. Ojačevanje amplitude je primerno za tiste algoritme ML, ki jih je mogoče pretvoriti v nestrukturirano nalogo iskanja, kot so k-mediane in k-najbližji sosedje. Lahko ga pospešimo z algoritmi naključnega sprehajanja, kjer naključnost prihaja iz stohastičnih prehodov med stanji, na primer tiste, ki je značilna za kvantno superpozicijo stanj in propad valovnih funkcij zaradi meritev stanja.
- Kvantno žarjenje: Ta določa lokalne minimume in maksimume funkcije strojnega učenja v danem naboru funkcij kandidata. Izhaja iz superpozicije vseh možnih, enako tehtanih stanj kvantnega sistema ML. Nato uporabi linearno, delno diferencialno enačbo za vodenje časovnega razvoja kvantno-mehanskega sistema. Sčasoma dobi trenutni operator, znan kot Hamiltonian, ki ustreza vsoti kinetičnih energij plus potencialnih energij, povezanih s osnovnim stanjem kvantnega sistema.
Izkoristijo te tehnike, nekatere trenutne izvedbe umetne inteligence uporabljajo kvantne platforme kot soprocesorje pri izbranih delovnih obremenitvah, kot so samodejni kodirniki, GAN-i (generativna kontradiktorna omrežja) in ojačevalni učni agenti.
Ko zori kvantna umetna inteligenca, bi morali pričakovati, da bodo ti in drugi algoritemski pristopi pokazali očitno prednost, če se bodo uporabili za velike izzive umetne inteligence, ki vključujejo zapletene verjetnostne izračune, ki delujejo na zelo večdimenzionalnih problemskih domenah in večmodalnih podatkovnih nizih. Primeri do zdaj nerešljivih izzivov umetne inteligence, ki se lahko pojavijo pri kvantno izboljšanih pristopih, vključujejo nevromorfne kognitivne modele, sklepanje pod negotovostjo, predstavitev kompleksnih sistemov, skupno reševanje problemov, prilagodljivo strojno učenje in paralelizacijo treninga.
A čeprav se kvantne knjižnice, platforme in orodja izkažejo za te specifične izzive, se bodo še vedno zanašali na klasične algoritme in funkcije umetne inteligence v celovitih cevovodih strojnega učenja.
Pomanjkanje splošno sprejetega odprtokodnega okvira za modeliranje in usposabljanje
Da bi kvantna umetna inteligenca zrasla v močno podjetniško tehnologijo, bo moral obstajati prevladujoč okvir za razvoj, usposabljanje in uvajanje teh aplikacij. Googlov TensorFlow Quantum je v tem pogledu najljubši. TensorFlow Quantum, objavljen lani marca, je nov sklad samo za programsko opremo, ki razširja splošno sprejeto odprtokodno knjižnico in modeliranje AI TensorFlow.
TensorFlow Quantum prinaša podporo za široko paleto kvantnih računalniških platform v enega izmed prevladujočih okvirov za modeliranje, ki jih uporabljajo današnji strokovnjaki za umetno inteligenco. Razvil ga je Googlov oddelek za raziskave in razvoj X, znanstvenikom podatkov pa omogoča uporabo kode Python za razvoj kvantnih modelov ML in DL prek standardnih funkcij Keras. Ponuja tudi knjižnico simulatorjev kvantnih vezij in primitivov kvantnega računalništva, ki so združljivi z obstoječimi API-ji TensorFlow.
Razvijalci lahko uporabljajo TensorFlow Quantum za nadzorovano učenje v primerih uporabe AI, kot so kvantna klasifikacija, kvantni nadzor in kvantna približna optimizacija. Izvajajo lahko napredne kvantne učne naloge, kot so meta-učenje, Hamiltonovo učenje in vzorčenje termičnih stanj. Okvir lahko uporabijo za usposabljanje hibridnih kvantnih / klasičnih modelov za obvladovanje diskriminacijske in generativne delovne obremenitve v središču GAN-ov, ki se uporabljajo pri globokih ponaredkih, 3D-tiskanju in drugih naprednih aplikacijah AI.
Google je ugotovil, da kvantno računalništvo še ni dovolj zrelo za obdelavo celotnega obsega delovnih obremenitev z umetno inteligenco, in je zasnoval ogrodje za podporo številnim primerom uporabe umetne inteligence z eno nogo v tradicionalnih računalniških arhitekturah. TensorFlow Quantum razvijalcem omogoča hiter prototip modelov ML in DL, ki vzporedno hibridizirajo izvajanje kvantnih in klasičnih procesorjev pri učnih nalogah. Z orodjem lahko razvijalci gradijo tako klasične kot kvantne nabore podatkov s klasičnimi podatki, ki jih TensorFlow izvirno obdeluje, in kvantnimi razširitvami, ki obdelujejo kvantne podatke, ki jih sestavljajo tako kvantna vezja kot kvantni operaterji.
Google je zasnoval TensorFlow Quantum za podporo naprednim raziskavam alternativnih arhitektur kvantnega računalništva in algoritmov za obdelavo modelov ML. Zaradi tega je nova ponudba primerna za računalniške znanstvenike, ki eksperimentirajo z različnimi arhitekturami kvantne in hibridne obdelave, optimiziranimi za delovne obremenitve ML.
V ta namen TensorFlow Quantum vključuje Cirq, odprtokodno knjižnico Python za programiranje kvantnih računalnikov. Podpira programsko ustvarjanje, urejanje in priklic kvantnih vrat, ki tvorijo vezja hrupnega vmesnega merila (NISQ), značilna za današnje kvantne sisteme. Cirq omogoča izvedbo kvantnih izračunov, ki jih določi razvijalec, v simulacijah ali na resnični strojni opremi. To stori s pretvorbo kvantnih izračunov v tenzorje za uporabo znotraj računskih grafov TensorFlow. Kot sestavni del TensorFlow Quantum, Cirq omogoča kvantno simulacijo vezja in serijsko izvedbo vezja ter oceno avtomatiziranih pričakovanj in kvantnih gradientov. Razvijalcem omogoča tudi izdelavo učinkovitih prevajalnikov, načrtovalcev in drugih algoritmov za stroje NISQ.
Poleg zagotavljanja celotnega nabora programske opreme AI, v katerem je zdaj mogoče hibridizirati kvantno obdelavo, Google želi razširiti paleto bolj tradicionalnih arhitektur čipov, na katerih lahko TensorFlow Quantum simulira kvantno ML. Google je napovedal tudi načrte za razširitev nabora strojnih platform za kvantno simulacijo po meri, ki jih podpira orodje, tako da bo vključil enote za obdelavo grafike različnih ponudnikov, pa tudi lastne strojne platforme za pospeševalnik umetne inteligence Tensor Processing Unit.
Googlova najnovejša napoved se znajde na hitro, a še vedno nezrelem trgu kvantnih računalnikov. Z razširitvijo najbolj priljubljenega odprtokodnega okvira za razvoj umetne inteligence bo Google skoraj zagotovo kataliziral uporabo TensorFlow Quantum v številnih pobudah, povezanih z umetno inteligenco.
Vendar pa TensorFlow Quantum prihaja na trg, ki že ima več odprtokodnih orodij za razvoj in usposabljanje za kvantno inteligenco. V nasprotju z Googlovo ponudbo so ta konkurenčna kvantna orodja za umetno inteligenco del večjih paketov razvojnih okolij, storitev v oblaku in svetovanje za polno delujoče aplikacije. Tu so tri ponudbe kvantnih umetnih inteligenc s polnim skladom:
- Azure Quantum, objavljen novembra 2019, je storitev v oblaku za kvantno računalništvo. Trenutno v zasebnem predogledu in zaradi splošne razpoložljivosti pozneje letos, Azure Quantum prihaja z Microsoftovim odprtokodnim kvantnim razvojnim kompletom za Microsoftov kvantno usmerjeni jezik Q #, pa tudi Python, C # in druge jezike. Komplet vključuje knjižnice za razvoj kvantnih aplikacij v ML, kriptografijo, optimizacijo in druge domene.
- Amazon Braket, objavljen decembra 2019 in še vedno v predogledu, je popolnoma vodena storitev AWS. Zagotavlja enotno razvojno okolje za izdelavo kvantnih algoritmov, vključno z ML, in njihovo preizkušanje na simuliranih hibridnih kvantnih / klasičnih računalnikih. Razvijalcem omogoča izvajanje ML in drugih kvantnih programov na številnih različnih arhitekturah strojne opreme. Razvijalci oblikujejo kvantne algoritme z uporabo nabora orodij za razvijalce Amazon Braket in uporabljajo znana orodja, kot so zvezki Jupyter.
- IBM Quantum Experience je brezplačno, javno dostopno okolje v oblaku za skupinsko raziskovanje kvantnih aplikacij. Razvijalcem omogoča dostop do naprednih kvantnih računalnikov za učenje, razvoj, usposabljanje in izvajanje AI in drugih kvantnih programov. Vključuje IBM Qiskit, odprtokodno orodje za razvijalce s knjižnico meddomenskih kvantnih algoritmov za eksperimentiranje z umetno inteligenco, simulacijo, optimizacijo in financiranje aplikacij za kvantne računalnike.
Sprejetje TensorFlow Quantuma je odvisno od tega, v kolikšni meri ga ti in drugi ponudniki kvantnih umetnih inteligenc vključijo v svoj portfelj rešitev. To se zdi verjetno glede na to, v kolikšni meri vsi ti ponudniki oblakov že podpirajo TensorFlow v svojih skladih AI.
TensorFlow Quantum v prihodnosti ne bo nujno imel polja kvantnega AI SDK. Drugi odprtokodni okviri umetne inteligence - predvsem PyTorch, ki ga je razvil Facebook - se s TensorFlowom spopadajo za srca in misli delujočih znanstvenikov. Pričakujemo, da se bo konkurenčni okvir razširil s kvantnimi knjižnicami in orodji umetne inteligence v prihodnjih 12 do 18 mesecih.
Če pogledamo na trg novo nastajajočo kvantno industrijo umetne inteligence, lahko razmislimo o pionirskem prodajalcu v zvezi s tem. Xanadu's PennyLane je odprtokodni okvir za razvoj in usposabljanje za umetno inteligenco, ki deluje na hibridnih kvantnih / klasičnih platformah.
PennyLane, ki je bil predstavljen novembra 2018, je medplatformna knjižnica Python za kvantno ML, samodejno diferenciacijo in optimizacijo hibridnih kvantno-klasičnih računalniških platform. PennyLane omogoča hitro izdelavo prototipov in optimizacijo kvantnih vezij z uporabo obstoječih orodij AI, vključno s TensorFlow, PyTorch in NumPy. Je neodvisen od naprave, kar omogoča izvajanje istega modela kvantnega vezja na različnih programskih in strojnih koncih, vključno s Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK in ProjectQ.
Pomanjkanje bistvenega in usposobljenega ekosistema za razvijalce
Ko so morilske aplikacije in odprtokodni okviri dozoreli, bodo zagotovo katalizirali močan ekosistem usposobljenih razvijalcev kvantnih umetnih inteligenc, ki opravljajo inovativna dela, ki to tehnologijo poganjajo v vsakdanje aplikacije.
Vse bolj opažamo rast razvijalskega ekosistema za kvantno umetno inteligenco. Vsak od največjih ponudnikov kvantnih AI v oblaku (Google, Microsoft, Amazon Web Services in IBM) veliko vlaga v povečanje skupnosti razvijalcev. Pobude prodajalcev v zvezi s tem vključujejo naslednje:
