By Kenna Hughes-Castleberry julkaistu 23
Mitä tulee innovatiivisiin uusiin teknologioihin, sekä tekoäly että kvanttilaskenta ovat listan kärjessä. Tekoälyä (AI) tai koneoppimista käytetään jo laajalti yrityksissä tehokkuuden lisäämiseen tai ongelmien havaitsemiseen. Tekoäly käyttää dataa ja algoritmeja tunnistaakseen datassa olevia malleja ja oppiakseen samalla tavalla kuin ihmiset. Kvanttilaskenta, samoin valjaat algoritmit ratkaisemaan vaikeita ongelmia paljon nopeammin kuin klassisella tietokoneella. Monille yrityksille näiden kahden teknologian yhdistäminen voi tuoda merkittäviä etuja erityisesti kvanttilaskentaan.
Miten tekoäly liittyy kvanttilaskentaan?
Tim Teter, NVIDIA:n varatoimitusjohtaja, lakiasiainjohtaja ja sihteeri, puhuu kvanttikoneoppimisesta (QML) (PC NVIDIA.com)
Yritykset pitävät NVIDIA, ovat johtavia teknologiamarkkinoita sekä tekoälyn että kvanttilaskennan alalla. Tällä hetkellä he haluavat yhdistää nämä kaksi uudeksi teknologiaksi, joka tunnetaan nimellä "kvanttikoneoppiminen" (QML). Kvanttikoneoppimisessa kvanttitietoprosessit täydentävät koneoppimista analyysi tarjotakseen seuraavan tason tuloksia. Mukaan Tim Teter, varatoimitusjohtaja, lakiasiainjohtaja ja sihteeri NVIDIA: "On odotettavissa, että [kvanttikoneoppimisessa] tulee olemaan matemaattisesti tiukkoja kvanttietuja. Yksi esimerkki tästä on kvanttigeneratiivisissa malleissa, koska kvanttikorrelaatioiden kaltaisia asioita on vaikea esittää klassisesti, kvanttitietokoneilla voi olla enemmän ilmaisuvoimaa generatiivisia malleja käytettäessä. Näitä käytetään sovelluksissa, kuten luonnollisen kielen käsittelyssä."
Viime Google AI blogi havainnollisti kvanttikoneoppimisen etuja, erityisesti kvanttiantureille. Koska kvanttianturit vaikuttavat korkean tarkkuuden mittauksiin, kuten esim painovoiman aallot, menetelmä parantaa näiden laitteiden vakautta ja skaalautuvuutta olisi pelin muuttaja. Blogin mukaan kvanttikoneoppiminen: "rajattelee kvanttitietokoneiden ja kvanttianturien välistä rajaa... Kvanttitilan mittaamisen sijaan kvanttitietokone voi tallentaa kvanttidataa ja toteuttaa QML-algoritmin tietojen käsittelemiseksi romuttamatta sitä." Koska kvanttitietokoneet ovat erityisen hauraita, kvanttikoneoppimisen avulla voidaan vähentää ympäristömelun lisäksi myös skaalautuvuutta.
Kuinka tekoäly voi auttaa kvanttiskaalautumisessa
Kvanttitietokoneiden skaalaamiseen liittyy monia haasteita. Yksi suurimmista on hallita suurempaa määrää kubittien suuremman kvanttijärjestelmän sisällä. Onneksi koneoppiminen voi auttaa tämän haasteen voittamiseksi. "Koneoppiminen voi auttaa todella käsittelemään suurta aluetta tulevaisuudessa, eli kun kvanttijärjestelmät alkavat skaalata lisää kubitteja, vaikeus tulee olemaan kvanttijärjestelmien kalibroinnissa ja ohjaamisessa", Teter selitti. "Kvanttitietokoneiden käyttöönotto edellyttää suuren määrän parametrien viritystä ja kalibrointia kubittiä kohden. Nykyään kvanttitutkijat käyttävät paljon aikaa manuaalisesti tähän, mutta tulevaisuudessa, kun järjestelmät skaalautuvat käyttöönottoskenaarioihin, tämä ei tietenkään ole mahdollista. Joten se on yksi niistä asioista, joissa mielestämme NVIDIA-alusta sopii erinomaisesti yhdistettäväksi kvanttilaskentaan hybridilähestymistapassa. NVIDIA:n hybridialusta QODA (Quantum Optimized Device Architecture) yhdistää klassisen ja kvanttitietokoneen saatavuuden koneoppimisohjelmiin lisättäväksi.
Muuttuvan tulevaisuuden luominen
Vaikka NVIDIAn QODA-alusta on vain yksi monista kvanttilaskennan ja tekoälyn yhdistävistä ominaisuuksista, se on osa suurempaa trendiä, joka hyödyntää näitä molempia innovatiivisia teknologioita uusien läpimurtojen saavuttamiseksi. "Tekoäly on transformatiivinen tekniikka, jota omaksuvat yhä enemmän kaikenlaiset eri sektorit ratkaisemaan vaikeampia ongelmia kuin mitä voitaisiin ratkaista ilman tekoälyä", Teter lisäsi. "Vaikka kvanttilaskenta on hieman varhaisemmassa elinkaaressaan, se lupaa olla yhtä haitallinen monille toimialoille tulevaisuudessa."
Kenna Hughes-Castleberry on Inside Quantum Technologyn ja JILAn Science Communicatorin (kumppanuus Colorado Boulderin yliopiston ja NISTin välillä) kirjoittaja. Hänen kirjoitustyylinsä sisältävät syväteknologiaa, metaversumia ja kvanttitekniikkaa.
