By کنا هیوز-کستلبری ارسال شده در 23 سپتامبر 2022
وقتی صحبت از فناوریهای نوین نوآورانه میشود، هم هوش مصنوعی و هم محاسبات کوانتومی در صدر فهرست قرار دارند. هوش مصنوعی (AI) یا یادگیری ماشین در حال حاضر به طور گسترده توسط شرکت ها برای کمک به افزایش کارایی یا شناسایی مشکلات استفاده می شود. هوش مصنوعی از داده ها و الگوریتم ها برای شناسایی الگوهای موجود در داده ها و یادگیری به روشی مشابه افراد استفاده می کند. محاسبات کوانتومی، به طور مشابه، مهار می کند الگوریتم برای حل مسائل دشوار بسیار سریعتر از یک کامپیوتر کلاسیک. برای بسیاری از شرکت ها، توانایی ترکیب این دو فناوری می تواند به مزایای قدرتمندی، به ویژه برای محاسبات کوانتومی منجر شود.
چگونه هوش مصنوعی با محاسبات کوانتومی ارتباط برقرار می کند؟
شرکت ها مانند NVIDIA، در بازارهای فناوری هم برای هوش مصنوعی و هم محاسبات کوانتومی پیشرو هستند. در حال حاضر، آنها به دنبال ترکیب این دو در یک فناوری جدید هستند، چیزی که به "یادگیری ماشین کوانتومی" معروف است.QML). در یادگیری ماشین کوانتومی، فرآیندهای اطلاعات کوانتومی مکمل یادگیری ماشین هستند تحلیل برای ارائه نتایج سطح بعدی مطابق با تیم تتر، معاون اجرایی رئیس جمهور، مشاور عمومی، و دبیر NVIDIA: "انتظار می رود مواردی از مزایای کوانتومی دقیق ریاضی در [یادگیری ماشین کوانتومی] وجود داشته باشد. یکی از نمونههای آن در مدلهای مولد کوانتومی است، زیرا نمایش چیزهایی مانند همبستگیهای کوانتومی بهطور کلاسیک دشوار است، رایانههای کوانتومی ممکن است قدرت بیان بیشتری در هنگام استفاده از مدلهای مولد داشته باشند. اینها در برنامه هایی مانند پردازش زبان طبیعی استفاده می شوند."
اخیر Google AI وبلاگ مزایای یادگیری ماشین کوانتومی، به ویژه برای حسگرهای کوانتومی را نشان می دهد. از آنجایی که حسگرهای کوانتومی در اندازهگیریهای با دقت بالا، مانند برای گرانشی امواج، داشتن روشی برای بهبود پایداری و مقیاس پذیری این دستگاه ها می تواند یک تغییر بازی باشد. طبق این وبلاگ، یادگیری ماشین کوانتومی: «خط بین رایانههای کوانتومی و حسگرهای کوانتومی را در بر میگیرد... به جای اندازهگیری حالت کوانتومی، یک رایانه کوانتومی میتواند دادههای کوانتومی را ذخیره کرده و یک الگوریتم QML را برای پردازش دادهها بدون فروپاشی پیادهسازی کند». از آنجایی که رایانه های کوانتومی به ویژه شکننده هستند، استفاده از یادگیری ماشین کوانتومی نه تنها می تواند نویز محیطی را کاهش دهد، بلکه مقیاس پذیری را امکان پذیرتر می کند.
چگونه هوش مصنوعی می تواند به مقیاس پذیری کوانتومی کمک کند
چالش های زیادی برای افزایش مقیاس کامپیوترهای کوانتومی وجود دارد. یکی از بزرگترین آنها کنترل تعداد بیشتر است کیوبیت در یک سیستم کوانتومی بزرگتر خوشبختانه، یادگیری ماشینی می تواند به غلبه بر این چالش کمک کند. تتر توضیح داد: «یادگیری ماشینی واقعاً میتواند به رسیدگی به حوزه بزرگی در آینده کمک کند، یعنی زمانی که سیستمهای کوانتومی به کیوبیتهای بیشتری تبدیل میشوند، مشکل کالیبراسیون و کنترل سیستمهای کوانتومی است. استقرار کامپیوترهای کوانتومی شامل تنظیم و کالیبره کردن تعداد زیادی پارامتر در هر کیوبیت است. امروزه دانشمندان کوانتومی زمان زیادی را صرف انجام این کار به صورت دستی می کنند، اما در آینده، با افزایش سناریوهای استقرار سیستم ها، این البته امکان پذیر نخواهد بود. بنابراین، این یکی از مواردی است که فکر میکنیم پلتفرم NVIDIA برای جفت شدن با محاسبات کوانتومی در یک رویکرد ترکیبی مناسب است.» پلتفرم هیبریدی انویدیا QODA (معماری دستگاه بهینه کوانتومی) محاسبات کلاسیک و کوانتومی را با در دسترس بودن برای افزودن به برنامه های یادگیری ماشین ترکیب می کند.
ایجاد آینده ای متحول کننده
اگرچه پلتفرم QODA NVIDIA تنها یکی از بسیاری از مواردی است که محاسبات کوانتومی و هوش مصنوعی را با هم ترکیب میکند، اما بخشی از روند بزرگتری است که از هر دوی این فناوریهای نوآورانه برای دستیابی به پیشرفتهای جدید استفاده میکند. تتر افزود: «هوش مصنوعی یک فناوری دگرگونکننده است که به طور فزایندهای توسط انواع بخشهای مختلف برای حل مشکلات سختتر از آنچه که بدون هوش مصنوعی قابل حل است، استفاده میشود.» در حالی که محاسبات کوانتومی کمی زودتر از موعد زندگی خود میگذرد، این نوید را میدهد که به طور مشابه برای طیف گستردهای از صنایع در آینده مختل شود.»
کنا هیوز-کستلبری نویسنده کارکنان Inside Quantum Technology و ارتباط دهنده علوم در JILA (شرکتی بین دانشگاه کلرادو بولدر و NIST) است. ضربات نویسندگی او شامل فناوری عمیق، متاورس و فناوری کوانتومی است.