Programmering

Quantum AI er stadig år fra virksomhedens prime time

Quantum computing's potentiale til at revolutionere AI afhænger af væksten i et udviklerøkosystem, hvor passende værktøjer, færdigheder og platforme er i overflod. For at blive betragtet som klar til implementering af virksomhedsproduktion, skulle kvante-AI-industrien i det mindste nå følgende nøgle milepæle:

  • Find en overbevisende applikation, hvor kvantecomputering har en klar fordel i forhold til klassiske tilgange til opbygning og træning af AI.
  • Konverger på en bredt vedlagt open source-ramme til opbygning, træning og implementering af kvante-AI.
  • Byg et omfattende, dygtigt udviklerøkosystem med kvante-AI-applikationer.

Disse milepæle er stadig mindst et par år i fremtiden. Det følgende er en analyse af kvante-AI-industriens modenhed på nuværende tidspunkt.

Mangel på en overbevisende AI-applikation, hvor kvantecomputering har en klar fordel

Quantum AI udfører ML (machine learning), DL (deep learning) og andre datadrevne AI-algoritmer med rimelighed.

Som en tilgang er kvante-AI flyttet langt ud over proof-of-concept-scenen. Det er dog ikke det samme som at være i stand til at hævde, at kvantetilgang er bedre end klassiske tilgange til udførelse af matrixoperationer, som AIs inferens- og træningsarbejdsbelastninger afhænger af.

Hvad AI angår, er nøglekriteriet, om kvanteplatforme kan fremskynde ML- og DL-arbejdsbelastninger hurtigere end computere, der udelukkende er bygget på klassiske von Neumann-arkitekturer. Indtil videre er der ingen specifik AI-applikation, som en kvantecomputer kan udføre bedre end noget klassisk alternativ. For at vi kan erklære kvante-AI som en moden virksomhedsteknologi, skal der være mindst et par AI-applikationer, som det giver en klar fordel - hastighed, nøjagtighed og effektivitet - i forhold til klassiske metoder til behandling af disse arbejdsbelastninger.

Ikke desto mindre har pionerer inden for kvante-AI tilpasset dets funktionelle behandlingsalgoritmer til de matematiske egenskaber ved kvantebearbejdningsarkitekturer. I øjeblikket inkluderer de vigtigste algoritmiske tilgange til kvante AI:

  • Amplitude kodning: Dette forbinder kvantetilstandsamplituder med input og output af beregninger udført af ML- og DL-algoritmer. Amplitude-kodning giver mulighed for statistiske algoritmer, der understøtter eksponentielt kompakt repræsentation af komplekse multidimensionelle variabler. Det understøtter matrixinversioner, hvor træning af statistiske ML-modeller reducerer til løsning af lineære ligningssystemer, såsom dem i lineære regressioner med mindste kvadrater, version med mindste kvadrater af understøttelsesvektormaskiner og Gaussiske processer. Det kræver ofte, at udvikleren initialiserer et kvantesystem i en tilstand, hvis amplituder afspejler funktionerne i hele datasættet.
  • Amplitudeforstærkning: Dette bruger en algoritme, der med stor sandsynlighed finder den unikke input til en sort boksfunktion, der producerer en bestemt outputværdi. Amplitudeforstærkning er velegnet til de ML-algoritmer, der kan oversættes til en ustruktureret søgeopgave, såsom k-medianer og k-nærmeste naboer. Det kan accelereres gennem tilfældige gangalgoritmer, hvor tilfældighed kommer fra stokastiske overgange mellem tilstande, såsom i det, der er forbundet med kvantesuperposition af tilstande og kollaps af bølgefunktioner på grund af tilstandsmålinger.
  • Kvanteudglødning: Dette bestemmer de lokale minima og maxima for en maskinlæringsfunktion over et givet sæt kandidatfunktioner. Det starter fra en overlejring af alle mulige, lige vægtede tilstande i et kvante-ML-system. Den anvender derefter en lineær, delvis differentialligning for at styre tidsudviklingen af ​​det kvantemekaniske system. Det giver til sidst en øjeblikkelig operator, kendt som Hamiltonian, der svarer til summen af ​​de kinetiske energier plus de potentielle energier forbundet med kvantesystemets jordtilstand.

Ved at udnytte disse teknikker bruger nogle nuværende AI-implementeringer kvanteplatforme som coprocessorer på udvalgte beregningsarbejdsbelastninger, såsom autokodere, GAN'er (generative adversarial netværk) og forstærkende læringsagenter.

Når kvante-AI modnes, skal vi forvente, at disse og andre algoritmiske tilgange vil vise en klar fordel, når de anvendes til AI-store udfordringer, der involverer komplekse probabilistiske beregninger, der fungerer over meget multidimensionelle problemdomæner og multimodale datasæt. Eksempler på hidtil uhåndterlige AI-udfordringer, der kan give efter for kvanteforbedrede tilgange, inkluderer neuromorfe kognitive modeller, ræsonnement under usikkerhed, repræsentation af komplekse systemer, problemløsning i samarbejde, adaptiv maskinindlæring og parallelisering af træning.

Men selv når kvantebiblioteker, -platforme og -værktøjer viser sig for disse specifikke udfordringer, vil de stadig stole på klassiske AI-algoritmer og funktioner inden for end-to-end-maskinlæringsrørledninger.

Mangel på en bredt adopteret open source modellering og træningsramme

For at kvante-AI kan modnes til en robust virksomhedsteknologi, skal der være en dominerende ramme for udvikling, uddannelse og implementering af disse applikationer. Googles TensorFlow Quantum er en odds-on-favorit i den henseende. Meddelt i sidste marts er TensorFlow Quantum en ny softwarestak, der udvider det bredt vedtagne TensorFlow open source AI-bibliotek og modelleringsramme.

TensorFlow Quantum bringer støtte til en bred vifte af kvantecomputerplatforme i en af ​​de dominerende modelleringsrammer, der bruges af nutidens AI-fagfolk. Udviklet af Googles X R & D-enhed gør det dataforskere i stand til at bruge Python-kode til at udvikle kvante ML- og DL-modeller gennem standard Keras-funktioner. Det giver også et bibliotek med kvantekredsløbssimulatorer og kvantecomputerprimitiver, der er kompatible med eksisterende TensorFlow API'er.

Udviklere kan bruge TensorFlow Quantum til overvåget læring på sådanne AI-anvendelsessager som kvanteklassificering, kvantekontrol og kvantetilnærmet optimering. De kan udføre avancerede kvanteindlæringsopgaver såsom metalæring, Hamilton-læring og prøvetagning af termiske tilstande. De kan bruge rammen til at træne hybrid kvante / klassiske modeller til at håndtere både de diskriminerende og generative arbejdsbelastninger i hjertet af de GAN'er, der bruges i dybe forfalskninger, 3D-udskrivning og andre avancerede AI-applikationer.

I erkendelse af, at kvantecomputering endnu ikke er moden nok til at behandle hele spektret af AI-arbejdsbelastninger med tilstrækkelig nøjagtighed, designede Google rammen til at understøtte de mange AI-brugssager med en fod i traditionelle databehandlinger. TensorFlow Quantum giver udviklere mulighed for hurtigt at prototype ML- og DL-modeller, der hybridiserer udførelsen af ​​kvante- og klassiske processorer parallelt med læringsopgaver. Ved hjælp af værktøjet kan udviklere opbygge både klassiske og kvante datasæt, hvor de klassiske data er naturligt behandlet af TensorFlow og kvanteudvidelser, der behandler kvantedata, som består af både kvantekredsløb og kvanteoperatorer.

Google designet TensorFlow Quantum til at understøtte avanceret forskning i alternative quantum computing-arkitekturer og algoritmer til behandling af ML-modeller. Dette gør det nye tilbud velegnet til computerforskere, der eksperimenterer med forskellige kvante- og hybridbehandlingsarkitekturer optimeret til ML-arbejdsbelastninger.

Til dette formål inkorporerer TensorFlow Quantum Cirq, et open source Python-bibliotek til programmering af kvantecomputere. Det understøtter programmatisk oprettelse, redigering og påberåbelse af kvanteporte, der udgør de støjende mellemliggende kvantekredsløb (NISQ) kredsløb, der er karakteristiske for nutidens kvantesystemer. Cirq muliggør, at udvikler-specificerede kvanteberegninger udføres i simuleringer eller på ægte hardware. Det gør det ved at konvertere kvanteberegninger til tensorer til brug inde i TensorFlow beregningsdiagrammer. Som en integreret komponent i TensorFlow Quantum muliggør Cirq kvantekredsløbssimulering og batch-udførelse af kredsløb samt estimering af automatiseret forventning og kvantegradienter. Det gør det også muligt for udviklere at opbygge effektive kompilatorer, planlæggere og andre algoritmer til NISQ-maskiner.

Ud over at levere en komplet AI-softwarestak, hvor kvantebehandling nu kan hybridiseres, søger Google at udvide rækkevidden af ​​mere traditionelle chiparkitekturer, hvorpå TensorFlow Quantum kan simulere quantum ML. Google annoncerede også planer om at udvide rækken af ​​brugerdefinerede kvantesimuleringshardwareplatforme, der understøttes af værktøjet til også at omfatte grafikbehandlingsenheder fra forskellige leverandører såvel som dets egne Tensor Processing Unit AI-acceleratorhardwareplatforme.

Googles seneste meddelelse lander på en hurtig, men stadig umoden kvantecomputermarked. Ved at udvide den mest populære open source AI-udviklingsramme vil Google næsten helt sikkert katalysere brugen af ​​TensorFlow Quantum i en bred vifte af AI-relaterede initiativer.

TensorFlow Quantum kommer dog ind på et marked, der allerede har flere open source-kvante-AI-udviklings- og træningsværktøjer. I modsætning til Googles tilbud kommer disse rivaliserende kvante-AI-værktøjer som dele af større pakker med udviklingsmiljøer, skytjenester og rådgivning om oprettelse af fuldt fungerende applikationer. Her er tre full-stack kvante AI-tilbud:

  •  Azure Quantum, der blev annonceret i november 2019, er en kvantecomputerende skytjeneste. I øjeblikket i privat forhåndsvisning og på grund af generel tilgængelighed senere på året leveres Azure Quantum med et Microsoft-open source-kvanteudviklingssæt til det Microsoft-udviklede kvanteorienterede Q # -sprog samt Python, C # og andre sprog. Sættet inkluderer biblioteker til udvikling af kvanteapps i ML, kryptografi, optimering og andre domæner.
  • Amazon Braket, der blev annonceret i december 2019 og stadig er i forhåndsvisning, er en fuldt administreret AWS-tjeneste. Det giver et enkelt udviklingsmiljø til at opbygge kvantealgoritmer, inklusive ML, og teste dem på simulerede hybrid kvante / klassiske computere. Det gør det muligt for udviklere at køre ML og andre kvanteprogrammer på en række forskellige hardwarearkitekturer. Udviklere udarbejder kvantealgoritmer ved hjælp af Amazon Braket-udviklerværktøjssættet og bruger velkendte værktøjer såsom Jupyter-notesbøger.
  • IBM Quantum Experience er et gratis, offentligt tilgængeligt, skybaseret miljø til teamudforskning af kvanteapplikationer. Det giver udviklere adgang til avancerede kvantecomputere til læring, udvikling, træning og kørsel af AI og andre kvanteprogrammer. Det inkluderer IBM Qiskit, et open source-udviklerværktøj med et bibliotek med kvantealgoritmer på tværs af domæner til eksperimentering med AI, simulering, optimering og finansieringsapplikationer til kvantecomputere.

TensorFlow Quantums vedtagelse afhænger af, i hvilket omfang disse og andre quantum AI full-stack-leverandører integrerer det i deres løsningsporteføljer. Det virker sandsynligt i betragtning af i hvilket omfang alle disse cloud-leverandører allerede understøtter TensorFlow i deres respektive AI-stakke.

TensorFlow Quantum har ikke nødvendigvis quantum AI SDK-feltet helt for sig selv fremadrettet. Andre open source AI-rammer - især den Facebook-udviklede PyTorch - kæmper med TensorFlow for hjerter og sind hos arbejdende dataforskere. Man forventer, at den rivaliserende ramme udvides med kvante-AI-biblioteker og -værktøjer i de kommende 12 til 18 måneder.

Vi kan få et glimt af den nye multiverktøjs kvante-AI-industri ved at overveje en banebrydende leverandør i denne henseende. Xanadus PennyLane er en open source-udviklings- og træningsramme for AI, der udføres over hybrid kvante / klassiske platforme.

PennyLane blev lanceret i november 2018 og er et Python-bibliotek på tværs af platforme til kvante-ML, automatisk differentiering og optimering af hybride kvante-klassiske computerplatforme. PennyLane muliggør hurtig prototyping og optimering af kvantekredsløb ved hjælp af eksisterende AI-værktøjer, herunder TensorFlow, PyTorch og NumPy. Det er enhedsuafhængigt, hvilket gør det muligt at køre den samme kvantekredsløbsmodel på forskellige software- og hardwarebagender, herunder Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK og ProjectQ.

Mangel på et betydeligt og dygtigt udviklerøkosystem

Efterhånden som morderapps og open source-rammer modnes, er de sikre på at katalysere et robust økosystem af dygtige kvante-AI-udviklere, der laver innovativt arbejde, der driver denne teknologi til hverdagsapplikationer.

I stigende grad ser vi væksten i et udviklerøkosystem for kvante-AI. Hver af de største kvante-AI-cloud-leverandører (Google, Microsoft, Amazon Web Services og IBM) investerer meget i at udvide udviklerfællesskabet. Leverandørinitiativer i denne henseende inkluderer følgende: