Programování

Kvantová AI je stále roky od hlavního vysílacího času

Potenciál kvantové výpočetní techniky pro revoluci v AI závisí na růstu vývojářského ekosystému, ve kterém jsou hojné množství vhodných nástrojů, dovedností a platforem. Abychom byli považováni za připravené pro nasazení v podnikové produkci, musel by kvantový průmysl AI přinejmenším dosáhnout následujících klíčových milníků:

  • Najděte přesvědčivou aplikaci, pro kterou má kvantová práce jasnou výhodu oproti klasickým přístupům k budování a trénování AI.
  • Konvergujte na široce přijatém otevřeném rámci pro vytváření, školení a nasazování kvantové AI.
  • Vybudujte podstatný a zkušený vývojový ekosystém kvantových aplikací AI.

Tyto milníky jsou stále ještě alespoň několik let v budoucnosti. Následuje analýza zralosti kvantového odvětví AI v současné době.

Nedostatek přesvědčivé aplikace AI, pro kterou má kvantová práce jasnou výhodu

Kvantová AI provádí ML (strojové učení), DL (hluboké učení) a další algoritmy AI založené na datech poměrně dobře.

Kvantová AI se posunula daleko za fázi testování konceptu. To však není totéž jako schopnost tvrdit, že kvantové přístupy jsou lepší než klasické přístupy k provádění maticových operací, na nichž závisí odvozování a trénink pracovní zátěže AI.

Pokud jde o AI, klíčovým kritériem je, zda kvantové platformy mohou urychlit pracovní vytížení ML a DL rychleji než počítače postavené výhradně na klasických von Neumannovských architekturách. Zatím neexistuje žádná konkrétní aplikace AI, kterou by kvantový počítač mohl fungovat lépe než jakákoli klasická alternativa. Abychom mohli kvantovou AI prohlásit za vyspělou podnikovou technologii, bylo by potřeba alespoň několik aplikací AI, pro které nabízí jasnou výhodu - rychlost, přesnost, účinnost - oproti klasickým přístupům ke zpracování těchto úloh.

Průkopníci kvantové AI nicméně sladili své funkční algoritmy zpracování s matematickými vlastnostmi architektur kvantové výpočetní techniky. V současné době hlavní algoritmické přístupy pro kvantovou AI zahrnují:

  • Kódování amplitudy: To spojuje amplitudy kvantového stavu se vstupy a výstupy výpočtů prováděných algoritmy ML a DL. Amplitudové kódování umožňuje statistické algoritmy, které podporují exponenciálně kompaktní reprezentaci komplexních vícerozměrných proměnných. Podporuje inverze matic, ve kterých se trénink statistických modelů ML redukuje na řešení lineárních systémů rovnic, jako jsou lineární regrese nejmenších čtverců, verze podpůrných vektorových strojů s nejmenšími čtverci a Gaussovy procesy. Často vyžaduje, aby vývojář inicializoval kvantový systém ve stavu, jehož amplitudy odrážejí vlastnosti celé datové sady.
  • Amplitudové zesílení: Toto používá algoritmus, který s vysokou pravděpodobností najde jedinečný vstup do funkce černé skříňky, která vytvoří konkrétní výstupní hodnotu. Amplitudové zesílení je vhodné pro ty algoritmy ML, které lze převést na nestrukturovanou vyhledávací úlohu, například k-mediány a k-nejbližší sousedé. Lze jej zrychlit pomocí náhodných procházkových algoritmů, kde náhodnost pochází ze stochastických přechodů mezi stavy, jako je tomu v případě inherentní kvantové superpozici stavů a ​​zhroucení vlnových funkcí v důsledku měření stavu.
  • Kvantové žíhání: Toto určuje místní minima a maxima funkce strojového učení přes danou sadu kandidátských funkcí. Vychází to ze superpozice všech možných, stejně vážených stavů kvantového ML systému. Poté použije lineární, parciální diferenciální rovnici, která bude řídit časový vývoj kvantově-mechanické soustavy. Nakonec získá okamžitý operátor, známý jako Hamiltonian, který odpovídá součtu kinetických energií plus potenciálních energií spojených se základním stavem kvantové soustavy.

Využití těchto technik využívá některé současné implementace AI kvantové platformy jako koprocesory na vybraných výpočtových úlohách, jako jsou autoencoders, GAN (generativní nepřátelské sítě) a agenti pro posílení učení.

Jak kvantová AI zraje, měli bychom očekávat, že tyto a další algoritmické přístupy ukážou jasnou výhodu při aplikaci na velké výzvy AI, které zahrnují složité pravděpodobnostní výpočty fungující nad vysoce vícerozměrnými problémovými doménami a multimodálními datovými sadami. Mezi příklady dosud neřešitelných výzev AI, které mohou přinést kvantově vylepšené přístupy, patří neuromorfní kognitivní modely, uvažování za nejistoty, reprezentace komplexních systémů, řešení společných problémů, adaptivní strojové učení a paralelizace tréninku.

Ale i když se kvantové knihovny, platformy a nástroje osvědčily pro tyto specifické výzvy, budou se stále spoléhat na klasické algoritmy AI a funkce v rámci komplexních kanálů strojového učení.

Nedostatek široce přijímaného rámce pro modelování a školení v otevřeném zdrojovém kódu

Aby kvantová AI dospěla k robustní podnikové technologii, bude muset existovat dominantní rámec pro vývoj, školení a nasazení těchto aplikací. Google TensorFlow Quantum je v tomto ohledu oblíbený. TensorFlow Quantum, který byl ohlášen letos v březnu, je nový zásobník pouze pro software, který rozšiřuje široce přijímanou otevřenou zdrojovou knihovnu AI pro modelování AI a rámec modelování.

TensorFlow Quantum přináší podporu pro širokou škálu platforem kvantové výpočetní techniky do jednoho z dominantních modelovacích rámců používaných dnešními profesionály v oblasti AI. Vyvinutá jednotkou výzkumu a vývoje X společnosti Google, umožňuje datovým vědcům používat kód Pythonu k vývoji kvantových modelů ML a DL prostřednictvím standardních funkcí Keras. Poskytuje také knihovnu simulátorů kvantových obvodů a kvantových výpočetních primitiv, které jsou kompatibilní se stávajícími API TensorFlow.

Vývojáři mohou použít TensorFlow Quantum pro supervizované učení v takových případech použití AI, jako je kvantová klasifikace, kvantová kontrola a kvantová přibližná optimalizace. Mohou provádět pokročilé úlohy kvantového učení, jako je meta-učení, hamiltonovské učení a vzorkování tepelných stavů. Mohou použít rámec k trénování hybridních kvantových / klasických modelů, aby zvládli diskriminační i generativní pracovní zátěž v srdci GAN používaných v hlubokých padělcích, 3D tisku a dalších pokročilých aplikacích AI.

Google si uvědomil, že kvantové výpočty ještě nejsou dostatečně zralé na to, aby s dostatečnou přesností zpracovali celou škálu pracovních úloh AI, a proto navrhl rámec pro podporu mnoha případů použití AI jednou nohou v tradičních výpočetních architekturách. TensorFlow Quantum umožňuje vývojářům rychle prototypovat modely ML a DL, které hybridizují provádění kvantových a klasických procesorů souběžně s úkoly učení. Pomocí tohoto nástroje mohou vývojáři vytvářet jak klasické, tak kvantové datové soubory, přičemž klasická data jsou nativně zpracovávána pomocí TensorFlow a kvantová rozšíření zpracovávají kvantová data, která se skládají z kvantových obvodů a kvantových operátorů.

Google navrhl TensorFlow Quantum na podporu pokročilého výzkumu alternativních architektur a algoritmů kvantového výpočtu pro zpracování modelů ML. Díky tomu je nová nabídka vhodná pro počítačové vědce, kteří experimentují s různými architekturami kvantového a hybridního zpracování optimalizovanými pro pracovní zátěže ML.

Za tímto účelem zahrnuje TensorFlow Quantum Cirq, otevřenou knihovnu Pythonu pro programování kvantových počítačů. Podporuje programové vytváření, úpravy a vyvolání kvantových bran, které tvoří obvody Noisy Intermediate Scale Quantum (NISQ) charakteristické pro dnešní kvantové systémy. Cirq umožňuje vývojářem specifikované kvantové výpočty provádět v simulacích nebo na reálném hardwaru. Dělá to převodem kvantových výpočtů na tenzory pro použití uvnitř výpočetních grafů TensorFlow. Jako nedílná součást TensorFlow Quantum umožňuje Cirq simulaci kvantových obvodů a provádění dávkových obvodů, stejně jako odhad automatizovaného očekávání a kvantových gradientů. Umožňuje také vývojářům vytvářet efektivní kompilátory, plánovače a další algoritmy pro stroje NISQ.

Kromě poskytnutí úplného softwarového balíku AI, do kterého lze nyní hybridizovat kvantové zpracování, Google hledá rozšíření řady tradičnějších čipových architektur, na kterých může TensorFlow Quantum simulovat kvantové ML. Google také oznámil plány na rozšíření řady vlastních kvantových simulačních hardwarových platforem podporovaných tímto nástrojem, aby zahrnoval grafické procesní jednotky od různých dodavatelů a také vlastní hardwarové platformy pro akcelerátor AI Tensor Processing Unit.

Nejnovější oznámení společnosti Google přistává na rychle se rozvíjejícím, ale stále nezralém trhu kvantové výpočetní techniky. Rozšířením nejpopulárnějšího vývojového rámce pro AI s otevřeným zdrojovým kódem bude Google téměř jistě katalyzovat využití TensorFlow Quantum v široké škále iniciativ souvisejících s AI.

TensorFlow Quantum však přichází na trh, který již má několik otevřených nástrojů pro vývoj a školení kvantové AI. Na rozdíl od nabídky společnosti Google přicházejí tyto konkurenční kvantové nástroje pro umělou inteligenci jako součást větších balíčků vývojových prostředí, cloudových služeb a poradenství pro postavení plně funkčních aplikací. Tady jsou tři full-stack kvantové nabídky AI:

  •  Azure Quantum, která byla oznámena v listopadu 2019, je cloudová služba využívající kvantové výpočty. V současné době v soukromém náhledu a kvůli obecné dostupnosti později v tomto roce, Azure Quantum přichází s otevřenou kvantovou vývojovou sadou Microsoft pro kvantově orientovaný jazyk Q # vyvinutý společností Microsoft a Python, C # a další jazyky. Sada obsahuje knihovny pro vývoj kvantových aplikací v ML, kryptografii, optimalizaci a další domény.
  • Amazon Braket, oznámený v prosinci 2019 a stále v náhledu, je plně spravovaná služba AWS. Poskytuje jediné vývojové prostředí pro vytváření kvantových algoritmů, včetně ML, a jejich testování na simulovaných hybridních kvantových / klasických počítačích. Umožňuje vývojářům spouštět ML a další kvantové programy na řadě různých hardwarových architektur. Vývojáři vytvářejí kvantové algoritmy pomocí vývojářské sady nástrojů Amazon Braket a používají známé nástroje, jako jsou notebooky Jupyter.
  • IBM Quantum Experience je bezplatné, veřejně dostupné cloudové prostředí pro týmový průzkum kvantových aplikací. Poskytuje vývojářům přístup k pokročilým kvantovým počítačům pro učení, vývoj, školení a běh AI a dalších kvantových programů. Zahrnuje IBM Qiskit, vývojový nástroj s otevřeným zdrojovým kódem s knihovnou kvantových algoritmů pro více domén pro experimentování s AI, simulacemi, optimalizací a finančními aplikacemi pro kvantové počítače.

Přijetí TensorFlow Quantum závisí na tom, do jaké míry je tito a další prodejci s plným zásobníkem kvantové AI začleňují do svých portfolií řešení. To se zdá pravděpodobné vzhledem k rozsahu, v jakém všichni tito prodejci cloudů již podporují TensorFlow ve svých příslušných zásobnících AI.

TensorFlow Quantum nemusí nutně mít kvantové pole AI SDK pro sebe do budoucna. Jiné open source AI rámce - především PyTorch vyvinutý Facebookem - bojují s TensorFlow o srdce a mysl vědců pracujících s daty. Očekává se, že konkurenční rámec bude během nadcházejících 12 až 18 měsíců rozšířen o kvantové knihovny a nástroje AI.

Můžeme zahlédnout začínající multitool průmysl kvantové AI tím, že v tomto ohledu zvážíme průkopnického prodejce. Xanadu's PennyLane je open-source vývojový a tréninkový rámec pro AI, který funguje na hybridních kvantových / klasických platformách.

PennyLane, který byl spuštěn v listopadu 2018, je multiplatformní knihovna Python pro kvantové ML, automatickou diferenciaci a optimalizaci hybridních kvantově klasických výpočetních platforem. PennyLane umožňuje rychlé prototypování a optimalizaci kvantových obvodů pomocí stávajících nástrojů AI, včetně TensorFlow, PyTorch a NumPy. Je nezávislý na zařízení, což umožňuje provozovat stejný model kvantového obvodu na různých back-endech softwaru a hardwaru, včetně Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK a ProjectQ.

Nedostatek podstatného a kvalifikovaného vývojářského ekosystému

Jakmile budou zabijácké aplikace a open source rámce zralé, určitě katalyzují robustní ekosystém kvalifikovaných vývojářů kvantové AI, kteří dělají inovativní práci a zavádějí tuto technologii do každodenních aplikací.

Stále více zaznamenáváme růst vývojářského ekosystému pro kvantovou AI. Každý z hlavních dodavatelů cloudu pro kvantovou AI (Google, Microsoft, Amazon Web Services a IBM) investuje velké prostředky do rozšiřování vývojářské komunity. Mezi iniciativy prodejců v tomto ohledu patří: