Quantum AI masih bertahun-tahun dari prime time perusahaan

Potensi komputasi kuantum untuk merevolusi AI bergantung pada pertumbuhan ekosistem pengembang di mana alat, keterampilan, dan platform yang sesuai tersedia berlimpah. Agar dianggap siap untuk penerapan produksi perusahaan, industri AI kuantum harus, paling tidak, mencapai tonggak penting berikut:

  • Temukan aplikasi menarik yang komputasi kuantumnya memiliki keunggulan yang jelas dibandingkan pendekatan klasik untuk membangun dan melatih AI.
  • Bergabunglah dalam kerangka kerja sumber terbuka yang diadopsi secara luas untuk membangun, melatih, dan menerapkan AI kuantum.
  • Bangun ekosistem pengembang aplikasi kuantum AI yang substansial dan terampil.

Tonggak-tonggak ini semua masih setidaknya beberapa tahun ke depan. Berikut ini adalah analisis kematangan industri AI kuantum saat ini.

Kurangnya aplikasi AI yang menarik dimana komputasi kuantum memiliki keuntungan yang jelas

Quantum AI menjalankan ML (pembelajaran mesin), DL (pembelajaran mendalam), dan algoritma AI berbasis data lainnya dengan cukup baik.

Sebagai pendekatan, AI kuantum telah bergerak jauh melampaui tahap pembuktian konsep. Namun, itu tidak sama dengan dapat mengklaim bahwa pendekatan kuantum lebih unggul daripada pendekatan klasik untuk menjalankan operasi matriks yang menjadi dasar penarikan kesimpulan dan beban kerja pelatihan AI.

Dalam hal AI, kriteria utamanya adalah apakah platform kuantum dapat mempercepat beban kerja ML dan DL lebih cepat daripada komputer yang dibangun seluruhnya pada arsitektur von Neumann klasik. Sejauh ini tidak ada aplikasi AI khusus yang dapat dilakukan oleh komputer kuantum lebih baik daripada alternatif klasik lainnya. Agar kami dapat menyatakan Quantum AI sebagai teknologi perusahaan yang matang, setidaknya perlu ada beberapa aplikasi AI yang menawarkan keunggulan yang jelas — kecepatan, akurasi, efisiensi — dibandingkan pendekatan klasik untuk memproses beban kerja ini.

Namun demikian, pelopor AI kuantum telah menyelaraskan algoritme pemrosesan fungsionalnya dengan properti matematika dari arsitektur komputasi kuantum. Saat ini, pendekatan algoritmik utama untuk AI kuantum meliputi:

  • Enkode amplitudo: Ini mengaitkan amplitudo status kuantum dengan input dan output komputasi yang dilakukan oleh algoritma ML dan DL. Pengkodean amplitudo memungkinkan algoritme statistik yang mendukung representasi ringkas secara eksponensial dari variabel multidimensi kompleks. Ini mendukung inversi matriks di mana pelatihan model ML statistik mengurangi penyelesaian sistem persamaan linier, seperti yang ada di regresi linier kuadrat-terkecil, versi kuadrat-terkecil dari mesin vektor dukungan, dan proses Gaussian. Seringkali mengharuskan pengembang untuk menginisialisasi sistem kuantum dalam keadaan yang amplitudonya mencerminkan fitur dari seluruh kumpulan data.
  • Amplifikasi amplitudo : Ini menggunakan algoritme yang menemukan dengan probabilitas tinggi masukan unik ke fungsi kotak hitam yang menghasilkan nilai keluaran tertentu. Amplifikasi amplitudo cocok untuk algoritme ML yang dapat diterjemahkan ke dalam tugas penelusuran tidak terstruktur, seperti k-median dan k-neighbours. Ia dapat dipercepat melalui algoritma random walk dimana keacakan berasal dari transisi stokastik antar keadaan, seperti yang melekat pada superposisi keadaan kuantum dan runtuhnya fungsi gelombang karena pengukuran keadaan.
  • Quantum annealing : Ini menentukan minimum dan maksimum lokal dari fungsi pembelajaran mesin pada sekumpulan fungsi kandidat tertentu. Ini dimulai dari superposisi dari semua kemungkinan, keadaan berbobot sama dari sistem ML kuantum. Ini kemudian menerapkan persamaan diferensial parsial linier untuk memandu evolusi waktu dari sistem kuantum-mekanis. Ini akhirnya menghasilkan operator sesaat, yang dikenal sebagai Hamiltonian, yang sesuai dengan jumlah energi kinetik ditambah energi potensial yang terkait dengan keadaan dasar sistem kuantum.

Memanfaatkan teknik ini, beberapa implementasi AI saat ini menggunakan platform kuantum sebagai koprosesor pada beban kerja kalkulasi tertentu, seperti autoencoder, GAN (jaringan adversarial generatif), dan agen pembelajaran penguatan.

Saat AI kuantum semakin matang, kita harus berharap bahwa pendekatan algoritmik ini dan lainnya akan menunjukkan keuntungan yang jelas ketika diterapkan pada tantangan besar AI yang melibatkan perhitungan probabilistik kompleks yang beroperasi pada domain masalah yang sangat multidimensi dan kumpulan data multimodal. Contoh tantangan AI yang sampai sekarang sulit diselesaikan yang dapat menghasilkan pendekatan yang ditingkatkan kuantum termasuk model kognitif neuromorfik, penalaran di bawah ketidakpastian, representasi sistem yang kompleks, pemecahan masalah kolaboratif, pembelajaran mesin adaptif, dan paralelisasi pelatihan.

Tetapi bahkan ketika pustaka, platform, dan alat kuantum membuktikan diri untuk tantangan khusus ini, mereka masih akan mengandalkan algoritme dan fungsi AI klasik dalam pipeline machine learning ujung ke ujung.

Kurangnya kerangka kerja pelatihan dan pemodelan sumber terbuka yang diadopsi secara luas

Agar AI kuantum matang menjadi teknologi perusahaan yang kuat, perlu ada kerangka kerja yang dominan untuk mengembangkan, melatih, dan menerapkan aplikasi ini. Google TensorFlow Quantum adalah favorit peluang dalam hal itu. Diumumkan Maret lalu, TensorFlow Quantum adalah tumpukan khusus software baru yang memperluas library AI sumber terbuka TensorFlow dan framework pemodelan yang diadopsi secara luas.

TensorFlow Quantum menghadirkan dukungan untuk berbagai platform komputasi kuantum ke dalam salah satu framework pemodelan dominan yang digunakan oleh profesional AI saat ini. Dikembangkan oleh unit R&D X Google, ini memungkinkan ilmuwan data menggunakan kode Python untuk mengembangkan model ML dan DL kuantum melalui fungsi Keras standar. Ini juga menyediakan perpustakaan simulator sirkuit kuantum dan komputasi kuantum primitif yang kompatibel dengan API TensorFlow yang ada.

Pengembang dapat menggunakan TensorFlow Quantum untuk pembelajaran yang diawasi pada kasus penggunaan AI seperti klasifikasi kuantum, kontrol kuantum, dan pengoptimalan perkiraan kuantum. Mereka dapat menjalankan tugas pembelajaran kuantum lanjutan seperti pembelajaran meta, pembelajaran Hamiltonian, dan pengambilan sampel status termal. Mereka dapat menggunakan kerangka kerja untuk melatih model kuantum / klasik hibrida untuk menangani beban kerja diskriminatif dan generatif di jantung GAN yang digunakan dalam deep fakes, pencetakan 3D, dan aplikasi AI tingkat lanjut lainnya.

Menyadari bahwa komputasi kuantum belum cukup matang untuk memproses berbagai beban kerja AI dengan akurasi yang memadai, Google merancang kerangka kerja untuk mendukung banyak kasus penggunaan AI dengan satu kaki dalam arsitektur komputasi tradisional. TensorFlow Quantum memungkinkan developer untuk membuat prototipe model ML dan DL dengan cepat yang menggabungkan eksekusi prosesor kuantum dan klasik secara paralel pada tugas pembelajaran. Dengan fitur ini, developer dapat membuat set data klasik dan kuantum, dengan data klasik diproses secara native oleh TensorFlow dan ekstensi kuantum memproses data kuantum, yang terdiri dari sirkuit kuantum dan operator kuantum.

Google merancang TensorFlow Quantum untuk mendukung penelitian lanjutan ke dalam arsitektur komputasi kuantum alternatif dan algoritme untuk memproses model ML. Hal ini membuat penawaran baru sesuai untuk ilmuwan komputer yang bereksperimen dengan arsitektur pemrosesan kuantum dan hybrid berbeda yang dioptimalkan untuk beban kerja ML.

Untuk tujuan ini, TensorFlow Quantum menggabungkan Cirq, pustaka Python open source untuk pemrograman komputer kuantum. Ini mendukung pembuatan programatik, pengeditan, dan pemanggilan gerbang kuantum yang merupakan karakteristik sirkuit Noisy Intermediate Scale Quantum (NISQ) dari sistem kuantum saat ini. Cirq memungkinkan penghitungan kuantum yang ditentukan pengembang untuk dijalankan dalam simulasi atau pada perangkat keras nyata. Ini dilakukan dengan mengonversi komputasi kuantum menjadi tensor untuk digunakan di dalam grafik komputasi TensorFlow. Sebagai komponen integral TensorFlow Quantum, Cirq memungkinkan simulasi rangkaian kuantum dan eksekusi rangkaian batch, serta estimasi ekspektasi otomatis dan gradien kuantum. Ini juga memungkinkan pengembang untuk membangun kompiler, penjadwal, dan algoritma lain yang efisien untuk mesin NISQ.

Selain menyediakan tumpukan perangkat lunak AI lengkap di mana pemrosesan kuantum sekarang dapat dihibridisasi, Google ingin memperluas cakupan arsitektur chip yang lebih tradisional tempat TensorFlow Quantum dapat mensimulasikan ML kuantum. Google juga mengumumkan rencana untuk memperluas jangkauan platform perangkat keras simulasi kuantum khusus yang didukung oleh alat tersebut untuk menyertakan unit pemrosesan grafis dari berbagai vendor serta platform perangkat keras akselerator AI Unit Pemrosesan Sensor sendiri.

Pengumuman terbaru Google mendarat di pasar komputasi kuantum yang bergerak cepat tetapi masih belum matang. Dengan memperluas kerangka kerja pengembangan AI open source yang paling populer, Google hampir pasti akan mengkatalisasi penggunaan TensorFlow Quantum dalam berbagai inisiatif terkait AI.

Namun, TensorFlow Quantum hadir di pasar yang sudah memiliki beberapa alat pengembangan dan pelatihan kuantum AI open source. Tidak seperti penawaran Google, alat AI kuantum saingan ini hadir sebagai bagian dari paket lingkungan pengembangan yang lebih besar, layanan cloud, dan konsultasi untuk mendukung aplikasi yang berfungsi penuh. Berikut adalah tiga penawaran AI kuantum tumpukan penuh:

  •  Azure Quantum, diumumkan pada November 2019, adalah layanan cloud komputasi kuantum. Saat ini dalam pratinjau pribadi dan akan tersedia untuk umum akhir tahun ini, Azure Quantum hadir dengan Kit Pengembangan Kuantum bersumber terbuka Microsoft untuk bahasa Q # berorientasi kuantum yang dikembangkan Microsoft serta Python, C #, dan bahasa lainnya. Kit ini mencakup pustaka untuk pengembangan aplikasi kuantum di ML, kriptografi, pengoptimalan, dan domain lainnya.
  • Amazon Braket, diumumkan pada Desember 2019 dan masih dalam pratinjau, adalah layanan AWS yang terkelola sepenuhnya. Ini menyediakan lingkungan pengembangan tunggal untuk membangun algoritme kuantum, termasuk ML, dan mengujinya pada simulasi komputer kuantum / klasik hybrid. Ini memungkinkan pengembang untuk menjalankan ML dan program kuantum lainnya pada berbagai arsitektur perangkat keras yang berbeda. Pengembang membuat algoritme kuantum menggunakan toolkit pengembang Amazon Braket dan menggunakan alat yang sudah dikenal seperti notebook Jupyter.
  • IBM Quantum Experience adalah lingkungan berbasis cloud gratis yang tersedia untuk umum untuk eksplorasi tim aplikasi kuantum. Ini memberi pengembang akses ke komputer kuantum tingkat lanjut untuk belajar, mengembangkan, melatih, dan menjalankan AI dan program kuantum lainnya. Ini termasuk IBM Qiskit, alat pengembang open source dengan perpustakaan algoritma kuantum lintas domain untuk bereksperimen dengan AI, simulasi, pengoptimalan, dan aplikasi keuangan untuk komputer kuantum.

Adopsi TensorFlow Quantum bergantung pada sejauh mana vendor ini dan vendor full-stack AI kuantum lainnya menggabungkannya ke dalam portofolio solusi mereka. Tampaknya mungkin, mengingat sejauh mana semua vendor cloud ini sudah mendukung TensorFlow di tumpukan AI masing-masing.

TensorFlow Quantum tidak harus memiliki bidang SDK AI kuantum untuk seterusnya. Framework AI open source lainnya — terutama, PyTorch yang dikembangkan Facebook — bersaing dengan TensorFlow untuk mendapatkan hati dan pikiran para ilmuwan data yang bekerja. Orang mengharapkan kerangka kerja saingan itu diperpanjang dengan pustaka dan alat AI kuantum selama 12 hingga 18 bulan mendatang.

Kami dapat melihat sekilas industri AI kuantum multitool yang muncul dengan mempertimbangkan vendor perintis dalam hal ini. PennyLane Xanadu adalah pengembangan open-source dan kerangka kerja pelatihan untuk AI, yang dijalankan melalui platform kuantum / klasik hybrid.

Diluncurkan pada November 2018, PennyLane adalah pustaka Python lintas platform untuk ML kuantum, diferensiasi otomatis, dan pengoptimalan platform komputasi klasik kuantum hybrid. PennyLane memungkinkan pembuatan prototipe cepat dan pengoptimalan sirkuit kuantum menggunakan alat AI yang ada, termasuk TensorFlow, PyTorch, dan NumPy. Ini tidak bergantung pada perangkat, memungkinkan model sirkuit kuantum yang sama untuk dijalankan pada perangkat lunak dan perangkat keras yang berbeda, termasuk Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK, dan ProjectQ.

Kurangnya ekosistem pengembang yang substansial dan terampil

Saat aplikasi pembunuh dan kerangka kerja open source semakin matang, mereka pasti akan mengkatalisasi ekosistem yang kuat dari pengembang kuantum-AI terampil yang melakukan pekerjaan inovatif untuk mendorong teknologi ini ke dalam aplikasi sehari-hari.

Semakin banyak, kami melihat pertumbuhan ekosistem pengembang untuk AI kuantum. Masing-masing vendor cloud AI kuantum utama (Google, Microsoft, Amazon Web Services, dan IBM) berinvestasi besar-besaran dalam memperbesar komunitas pengembang. Inisiatif vendor dalam hal ini meliputi: