Kvanttilaskennan mahdollisuudet mullistaa tekoäly riippuu kehittäjien ekosysteemin kasvusta, jossa sopivia työkaluja, taitoja ja alustoja on runsaasti. Jotta kvantti-tekoälyn katsotaan olevan valmis yritystuotannon käyttöönottoon, sen on saavutettava ainakin seuraavat keskeiset virstanpylväät:
- Löydä houkutteleva sovellus, jonka kvanttilaskennalla on selkeä etu perinteisiin tekoälyn rakentamiseen ja kouluttamiseen verrattuna.
- Yhdistä laajasti hyväksytty avoimen lähdekoodin kehys kvantti-AI: n rakentamiseen, kouluttamiseen ja käyttöönottoon.
- Rakenna huomattava, taitava kvantti-AI-sovellusten kehittäjäekosysteemi.
Nämä virstanpylväät ovat kaikki vielä ainakin muutama vuosi tulevaisuudessa. Seuraava on analyysi kvantti-AI-teollisuuden kypsyydestä tällä hetkellä.
Pakottavan AI-sovelluksen puute, jossa kvanttilaskennalla on selkeä etu
Quantum AI suorittaa kohtuullisen hyvin ML (koneoppiminen), DL (syvä oppiminen) ja muut dataohjatut tekoälyn algoritmit.
Lähestymistapana kvantti-AI on siirtynyt selvästi konseptin todistamisen ulkopuolelle. Se ei kuitenkaan ole sama kuin mahdollisuus väittää, että kvanttilähestymistavat ovat parempia kuin klassiset lähestymistavat matriisitoimintojen suorittamiseksi, joista tekoälyn päättely- ja koulutustyömäärät riippuvat.
Tekoälyn osalta keskeinen kriteeri on, voivatko kvanttialustat kiihdyttää ML- ja DL-kuormituksia nopeammin kuin kokonaan klassisiin von Neumannin arkkitehtuureihin rakennetut tietokoneet. Toistaiseksi ei ole olemassa mitään erityistä tekoälysovellusta, jonka avulla kvanttitietokone voisi toimia paremmin kuin mikään klassinen vaihtoehto. Jotta voimme julistaa kvantti-tekoälyn kypsäksi yritysteknologiaksi, tarvitsee olla ainakin muutama tekoälysovellus, joille se tarjoaa selkeän edun - nopeuden, tarkkuuden, tehokkuuden - verrattuna klassisiin lähestymistapoihin näiden kuormitusten käsittelyssä.
Kuitenkin kvantti-AI: n edelläkävijät ovat yhdenmukaistaneet sen toiminnalliset käsittelyalgoritmit kvanttilaskennan arkkitehtuurien matemaattisten ominaisuuksien kanssa. Tällä hetkellä kvantti-AI: n pääalgoritmiset lähestymistavat ovat:
- Amplitudikoodaus: Tämä yhdistää kvanttitilan amplitudit ML- ja DL-algoritmeilla suoritettujen laskelmien tuloihin ja lähtöihin. Amplitudikoodaus mahdollistaa tilastolliset algoritmit, jotka tukevat monimutkaisten moniulotteisten muuttujien eksponentiaalisesti pienikokoista esitystä. Se tukee matriisikääntöjä, joissa tilastollisten ML-mallien opetus pelkistää lineaaristen yhtälöjärjestelmien ratkaisemisen, kuten pienimmän neliösumman lineaariset regressiot, tukivektorikoneiden pienimmän neliösumman versiot ja Gaussin prosessit. Se vaatii usein kehittäjää alustamaan kvanttijärjestelmän tilassa, jonka amplitudit heijastavat koko tietojoukon ominaisuuksia.
- Amplitudin vahvistaminen: Tässä käytetään algoritmia, joka löytää suurella todennäköisyydellä ainutlaatuisen syötteen mustan laatikon toiminnolle, joka tuottaa tietyn lähtöarvon. Amplitudivahvistus sopii niille ML-algoritmeille, jotka voidaan kääntää strukturoimattomaksi hakutehtäväksi, kuten k-mediaanit ja k-lähimmät naapurit. Sitä voidaan kiihdyttää satunnaiskävelyalgoritmeilla, joissa satunnaisuus syntyy tilojen välisestä stokastisesta siirtymästä, kuten tilojen kvanttisuppositiosta ja tilamittausten aiheuttamasta aaltofunktioiden romahduksesta.
- Kvanttihehkutus: Tämä määrittää koneoppimistoiminnon paikalliset minimit ja maksimit tietylle ehdokasfunktioiden joukolle. Se alkaa kvantti-ML-järjestelmän kaikkien mahdollisten, yhtä painotettujen tilojen päällekkäisyydestä. Sitten se käyttää lineaarista, osittaista differentiaaliyhtälöä kvanttimekaanisen järjestelmän aikakehityksen ohjaamiseksi. Lopulta se tuottaa hetkellisen operaattorin, joka tunnetaan nimellä Hamiltonian, joka vastaa kineettisten energioiden ja kvanttijärjestelmän perustilaan liittyvien potentiaalienergioiden summaa.
Näitä tekniikoita hyödyntäen jotkut nykyiset tekoälyn toteutustavat käyttävät kvanttialustoja yhteisprosessoreina valituissa laskentakuormituksissa, kuten autokooderit, GAN: t (generatiiviset kontradiktoriset verkot) ja vahvistuksen oppimisagentit.
Kun kvantti-AI kypsyy, meidän pitäisi odottaa, että nämä ja muut algoritmiset lähestymistavat osoittavat selkeän edun käytettäessä tekoälyn suuriin haasteisiin, joihin liittyy monimutkaisia todennäköisyyslaskelmia, jotka toimivat erittäin moniulotteisten ongelma-alueiden ja multimodaalisten tietojoukkojen yli. Esimerkkejä tähän mennessä käsittelemättömistä tekoälyhaasteista, jotka voivat tuottaa kvanttiparannettuja lähestymistapoja, ovat neuromorfiset kognitiiviset mallit, epävarmuuden perustelut, monimutkaisten järjestelmien esittäminen, yhteistyöhön liittyvä ongelmanratkaisu, mukautuva koneoppiminen ja harjoittelun rinnakkaisuus.
Mutta vaikka kvanttikirjastot, -alustat ja -työkalut todistavat olevansa näissä erityisissä haasteissa, ne luottavat silti klassisiin tekoälyalgoritmeihin ja -toimintoihin päästä päähän -koneoppimisputkistoissa.
Laajasti käytössä olevan avoimen lähdekoodin mallinnus- ja koulutuspuitteiden puuttuminen
Jotta kvantti-tekoäly kypsyy vankaksi yritysteknologiaksi, näiden sovellusten kehittämiseen, kouluttamiseen ja käyttöönottoon on oltava hallitseva kehys. Googlen TensorFlow Quantum on kertoimen suosikki tältä osin. Viime maaliskuussa ilmoitettu TensorFlow Quantum on uusi vain ohjelmistoja sisältävä pino, joka laajentaa laajalti hyväksyttyä avoimen lähdekoodin TensorFlow-tekoälykirjastoa ja mallintamisjärjestelmää.
TensorFlow Quantum tuo tuen monille kvanttilaskennan alustoille yhdeksi hallitsevasta mallintamiskehyksestä, jota nykyiset tekoälyn ammattilaiset käyttävät. Googlen X R & D -yksikön kehittämä data-tutkijat voivat käyttää Python-koodia kvantti-ML- ja DL-mallien kehittämiseen tavallisten Keras-toimintojen avulla. Se tarjoaa myös kirjaston kvanttipiirisimulaattoreista ja kvanttilaskennan primitiivistä, jotka ovat yhteensopivia olemassa olevien TensorFlow-sovellusliittymien kanssa.
Kehittäjät voivat käyttää TensorFlow Quantumia valvotussa oppimisessa sellaisissa tekoälyn käyttötapauksissa, kuten kvanttiluokittelu, kvanttisäätö ja likimääräinen kvanttioptimointi. He voivat suorittaa edistyneitä kvanttioppimistehtäviä, kuten meta-oppimisen, Hamiltonin oppimisen ja lämpötilojen näytteenoton. He voivat käyttää kehystä kouluttamaan hybridikvantti- / klassisia malleja käsittelemään sekä syrjiviä että generatiivisia työmääriä GAN: ien ytimessä, joita käytetään syvissä väärennöksissä, 3D-tulostuksessa ja muissa kehittyneissä tekoälysovelluksissa.
Google tunnusti, että kvanttilaskenta ei ole vielä tarpeeksi kypsää käsittelemään kaikkia tekoälyn työmääriä riittävän tarkasti, ja Google suunnitteli puitteet tukemaan monia tekoälyn käyttötapauksia yhdellä jalalla perinteisissä laskentaarkkitehtuureissa. TensorFlow Quantumin avulla kehittäjät voivat prototyyppittää nopeasti ML- ja DL-mallit, jotka hybridisoivat kvantti- ja klassisten prosessorien suorituksen rinnakkain oppimistehtäviin. Työkalun avulla kehittäjät voivat rakentaa sekä klassisia että kvantti-aineistoja, jolloin TensorFlow natiivisti käsittelee klassista tietoa ja kvanttitietoja käsittelevät kvanttipidennykset, jotka koostuvat sekä kvanttipiireistä että kvanttioperaattoreista.
Google suunnitteli TensorFlow Quantumin tukemaan edistyksellistä tutkimusta vaihtoehtoisista kvanttilaskennan arkkitehtuureista ja algoritmeista ML-mallien käsittelyä varten. Tämä tekee uudesta tarjonnasta sopivan tietojenkäsittelytieteen tutkijoille, jotka kokeilevat erilaisia ML-kuormille optimoituja kvantti- ja hybridikäsittelyarkkitehtuureja.
Tätä varten TensorFlow Quantum sisältää Cirqin, avoimen lähdekoodin Python-kirjaston kvanttitietokoneiden ohjelmointia varten. Se tukee kvanttiporttien ohjelmallista luomista, muokkaamista ja kutsumista, jotka muodostavat NISQ (Noisy Intermediate Scale Quantum) -piirit, jotka ovat tyypillisiä nykypäivän kvanttijärjestelmille. Cirq mahdollistaa kehittäjän määrittelemien kvanttilaskelmien suorittamisen simulaatioissa tai todellisella laitteistolla. Se tekee tämän muuntamalla kvanttilaskennat tensoreiksi käytettäväksi TensorFlow-laskentakaavioissa. TensorFlow Quantumin kiinteänä komponenttina Cirq mahdollistaa kvanttipiirisimulaation ja eräajopiirin suorittamisen sekä arvioida automaattiset odotukset ja kvanttigradientit. Sen avulla kehittäjät voivat myös rakentaa tehokkaita kääntäjiä, ajoituksia ja muita algoritmeja NISQ-koneille.
Sen lisäksi, että Google tarjoaa täyden tekoälyohjelmistopinon, johon kvanttiprosessointi voidaan nyt yhdistää, Google haluaa laajentaa perinteisempien siruarkkitehtuurien valikoimaa, jolla TensorFlow Quantum voi simuloida kvantti-ML: ää. Google ilmoitti myös suunnitelmista laajentaa työkalun tukemien mukautettujen kvanttisimulointilaitteistoalustojen valikoimaa sisällyttämällä grafiikkaprosessointiyksiköitä eri toimittajilta sekä omiin Tensor Processing Unit -tekniikkakiihdyttimien laitteistoalustoihin.
Googlen uusin ilmoitus saapuu nopeasti liikkuvalle, mutta vielä kehittymättömälle kvanttilaskentamarkkinoille. Laajentamalla suosituinta avoimen lähdekoodin tekoälyn kehittämiskehystä Google todennäköisesti varmasti katalysoi TensorFlow Quantumin käyttöä monissa tekoälyyn liittyvissä aloitteissa.
TensorFlow Quantum tulee kuitenkin markkinoille, jolla on jo useita avoimen lähdekoodin kvantti-AI-kehitystyökaluja. Toisin kuin Googlen tarjoama, nämä kilpailevat kvantti-tekoälytyökalut tulevat osaksi suurempia kehitysympäristöpaketteja, pilvipalveluja ja konsultointia täysin toimivien sovellusten seisomiseen. Tässä on kolme täyden pinon kvantti-AI-tarjousta:
- Azure Quantum, joka ilmoitettiin marraskuussa 2019, on kvanttilaskennallinen pilvipalvelu. Tällä hetkellä yksityisessä esikatselussa ja saatavana myöhemmin tänä vuonna, Azure Quantumin mukana toimitetaan Microsoftin avoimen lähdekoodin sisältävä Quantum Development Kit -sarja Microsoftin kehittämälle kvanttikeskeiselle Q # -kielelle sekä Pythonille, C #: lle ja muille kielille. Sarja sisältää kirjastoja kvanttisovellusten kehittämiseksi ML: ssä, salauksessa, optimoinnissa ja muilla aloilla.
- Amazon Braket, joka ilmoitettiin joulukuussa 2019 ja on edelleen esikatselussa, on täysin hallittu AWS-palvelu. Se tarjoaa yhden kehitysympäristön kvanttialgoritmien, mukaan lukien ML, rakentamiseksi ja niiden testaamiseksi simuloiduilla hybridikvantti / klassisilla tietokoneilla. Sen avulla kehittäjät voivat suorittaa ML- ja muita kvanttiohjelmia useilla erilaisilla laitteistoarkkitehtuureilla. Kehittäjät suunnittelevat kvanttialgoritmeja Amazon Braket -kehittäjien työkalupaketin avulla ja käyttävät tuttuja työkaluja, kuten Jupyter-muistikirjoja.
- IBM Quantum Experience on ilmainen, julkisesti saatavilla oleva, pilvipohjainen ympäristö kvanttisovellusten tiimien tutkimiseen. Se tarjoaa kehittäjille pääsyn edistyneisiin kvanttitietokoneisiin tekoälyn ja muiden kvanttiohjelmien oppimiseen, kehittämiseen, harjoittamiseen ja käyttämiseen. Se sisältää IBM Qiskit, avoimen lähdekoodin kehitystyökalun, jossa on kirjasto verkkotunnusten välisiä kvanttialgoritmeja tekoälyn kokeiluun, simulointiin, optimointiin ja rahoitussovelluksiin kvanttitietokoneille.
TensorFlow Quantumin käyttöönotto riippuu siitä, missä määrin nämä ja muut kvantti-AI-täyden pinon toimittajat sisällyttävät sen ratkaisuportfolioihinsa. Tämä tuntuu todennäköiseltä, kun otetaan huomioon, missä määrin kaikki nämä pilvimyyjät jo tukevat TensorFlow'ta tekoälypinoissaan.
TensorFlow Quantumilla ei välttämättä ole kvantti-AI SDK -kenttää itsessään eteenpäin. Muut avoimen lähdekoodin tekoälykehykset - etenkin Facebookin kehittämä PyTorch - kilpailevat TensorFlow'n kanssa työskentelevien datatieteilijöiden sydämille ja mielille. Yksi odottaa, että kilpailevaa kehystä laajennetaan kvantti-AI-kirjastoilla ja työkaluilla seuraavien 12-18 kuukauden aikana.
Voimme vilkaista esiin nousevaa monitoimityökalujen kvantti-AI-teollisuutta harkitsemalla tienraivaajamyyjää tältä osin. Xanadun PennyLane on tekoälyn avoimen lähdekoodin kehitys- ja koulutusjärjestelmä, joka toteuttaa hybridikvantti- / klassisia alustoja.
Marraskuussa 2018 lanseerattu PennyLane on monialustainen Python-kirjasto kvantti-ML: lle, automaattiselle erottelulle ja hybridi-kvantti-klassisten laskentatasojen optimoinnille. PennyLane mahdollistaa nopean prototyyppien tekemisen ja kvanttipiirien optimoinnin olemassa olevilla tekoälytyökaluilla, mukaan lukien TensorFlow, PyTorch ja NumPy. Se on laitteesta riippumaton, mikä mahdollistaa saman kvanttipiirimallin käyttämisen erilaisilla ohjelmisto- ja laitteistopinnoilla, mukaan lukien Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK ja ProjectQ.
Merkittävän ja ammattitaitoisen kehittäjäekosysteemin puute
Kun tappajasovellukset ja avoimen lähdekoodin kehykset kypsyvät, ne varmasti katalysoivat vankan ekosysteemin taitaville kvantti-AI-kehittäjille, jotka tekevät innovatiivista työtä ajamalla tämän tekniikan jokapäiväisiin sovelluksiin.
Näemme yhä enemmän kvantti-AI: n kehittäjäekosysteemin kasvua. Jokainen suurimmista kvantti-AI-pilvimyyjistä (Google, Microsoft, Amazon Web Services ja IBM) investoi voimakkaasti kehittäjäyhteisön laajentamiseen. Toimittajien aloitteet tässä suhteessa sisältävät seuraavat:
