Quantum computing's potensial for å revolusjonere AI avhenger av veksten i et utviklerøkosystem der passende verktøy, ferdigheter og plattformer er i overflod. For å bli ansett som klar for distribusjon av bedriftsproduksjon, må kvante-AI-industrien i det minste oppnå følgende viktige milepæler:
- Finn et overbevisende program der kvanteberegning har en klar fordel i forhold til klassiske tilnærminger til å bygge og trene AI.
- Konverger på et allment akseptert open source-rammeverk for å bygge, trene og distribuere kvante-AI.
- Bygg et betydelig, dyktig utviklerøkosystem med kvante AI-applikasjoner.
Disse milepælene er fremdeles minst noen år fremover. Det som følger er en analyse av kvante-AI-industriens modenhet for tiden.
Mangel på en overbevisende AI-applikasjon som kvanteberegning har en klar fordel for
Quantum AI utfører ML (maskinlæring), DL (dyp læring) og andre datadrevne AI-algoritmer rimelig.
Som en tilnærming har kvante-AI beveget seg langt utover proof-of-concept-scenen. Det er imidlertid ikke det samme som å kunne hevde at kvantetilnærminger er bedre enn klassiske tilnærminger for å utføre matriseoperasjonene som AIs inferens- og treningsarbeidsbelastning avhenger av.
Når det gjelder AI, er nøkkelkriteriet om kvanteplattformer kan akselerere ML- og DL-arbeidsbelastninger raskere enn datamaskiner bygget helt på klassiske von Neumann-arkitekturer. Så langt er det ingen spesifikk AI-applikasjon som en kvantecomputer kan prestere bedre enn noe klassisk alternativ. For at vi skal erklære kvante-AI som en moden bedriftsteknologi, må det være minst noen få AI-applikasjoner som det gir en klar fordel for - hastighet, nøyaktighet, effektivitet - i forhold til klassiske tilnærminger til behandling av disse arbeidsmengdene.
Likevel har pionerer for kvante-AI tilpasset sine funksjonelle prosesseringsalgoritmer med de matematiske egenskapene til kvanteberegningsarkitekturer. For tiden inkluderer de viktigste algoritmiske tilnærmingene for kvante-AI:
- Amplitude koding: Dette forbinder kvantestatusamplituder med innganger og utganger av beregninger utført av ML- og DL-algoritmer. Amplitude-koding muliggjør statistiske algoritmer som støtter eksponentielt kompakt representasjon av komplekse flerdimensjonale variabler. Den støtter matriseinversjoner der opplæringen av statistiske ML-modeller reduseres til å løse lineære ligningssystemer, slik som de i minste kvadrater lineære regresjoner, minste kvadraters versjon av støttevektormaskiner og Gaussiske prosesser. Det krever ofte at utvikleren initialiserer et kvantesystem i en tilstand hvis amplituder gjenspeiler funksjonene til hele datasettet.
- Amplitudeforsterkning: Dette bruker en algoritme som med høy sannsynlighet finner den unike inngangen til en svart boks-funksjon som produserer en bestemt utgangsverdi. Amplitudeforsterkning er egnet for ML-algoritmer som kan oversettes til en ustrukturert søkeoppgave, for eksempel k-medianer og k-nærmeste naboer. Det kan akselereres gjennom tilfeldige gangalgoritmer der tilfeldighet kommer fra stokastiske overganger mellom tilstander, for eksempel i den som er iboende til kvantesuperposisjon av stater og kollaps av bølgefunksjoner på grunn av tilstandsmålinger.
- Quantum gløding: Dette bestemmer lokale minima og maksimum for en maskinlæringsfunksjon over et gitt sett med kandidatfunksjoner. Det starter fra en superposisjon av alle mulige, like vektede tilstander til et kvantum-ML-system. Deretter bruker den en lineær, delvis differensialligning for å styre tidsutviklingen til det kvantemekaniske systemet. Det gir til slutt en øyeblikkelig operatør, kjent som Hamiltonian, som tilsvarer summen av de kinetiske energiene pluss de potensielle energiene forbundet med kvantesystemets jordtilstand.
Ved å benytte seg av disse teknikkene bruker noen nåværende AI-implementeringer kvanteplattformer som prosessorer på utvalgte beregningsarbeidsbelastninger, for eksempel autokodere, GAN (generative adversarial nettverk) og læringsagenter for forsterkning.
Når kvante-AI modnes, bør vi forvente at disse og andre algoritmiske tilnærminger vil vise en klar fordel når de brukes på AI-store utfordringer som involverer komplekse sannsynlighetsberegninger som opererer over svært flerdimensjonale problemdomener og multimodale datasett. Eksempler på hittil ukompliserbare AI-utfordringer som kan gi kvantforsterkede tilnærminger inkluderer nevromorfe kognitive modeller, resonnementer under usikkerhet, representasjon av komplekse systemer, samarbeidsproblemløsning, adaptiv maskinlæring og parallellisering av opplæring.
Men selv om kvantebiblioteker, plattformer og verktøy viser seg for disse spesifikke utfordringene, vil de fortsatt stole på klassiske AI-algoritmer og funksjoner innen rørledninger fra maskin til maskinell læring.
Mangel på et vidt adoptert rammeverk for åpen kildekodemodellering og opplæring
For at kvante-AI skal modnes til en robust virksomhetsteknologi, må det være et dominerende rammeverk for utvikling, opplæring og distribusjon av disse applikasjonene. Googles TensorFlow Quantum er en odds-on-favoritt i den forbindelse. TensorFlow Quantum ble kunngjort i mars i fjor, og er en ny kun programvarestabel som utvider det vidt adopterte TensorFlow open source AI-biblioteket og modelleringsrammeverket.
TensorFlow Quantum bringer støtte for et bredt spekter av quantum computing-plattformer i en av de dominerende modelleringsrammer som brukes av dagens AI-fagpersoner. Utviklet av Googles X FoU-enhet, gjør det dataforskere i stand til å bruke Python-kode til å utvikle kvante ML- og DL-modeller gjennom standard Keras-funksjoner. Det gir også et bibliotek med kvantekretssimulatorer og quantum computing primitiver som er kompatible med eksisterende TensorFlow APIer.
Utviklere kan bruke TensorFlow Quantum for veiledet læring på slike AI-brukstilfeller som kvanteklassifisering, kvantekontroll og kvantumtilnærmet optimalisering. De kan utføre avanserte kvantelæringsoppgaver som metalæring, Hamiltonian læring og prøvetaking av termiske tilstander. De kan bruke rammeverket til å trene hybrid kvante / klassiske modeller for å håndtere både diskriminerende og generative arbeidsbelastninger i hjertet av GAN-ene som brukes i dype forfalskninger, 3D-utskrift og andre avanserte AI-applikasjoner.
Google anerkjente at kvantebehandling ennå ikke er moden nok til å behandle hele spekteret av AI-arbeidsbelastninger med tilstrekkelig nøyaktighet, og utformet rammeverket for å støtte de mange AI-tilfellene med en fot i tradisjonelle databearkitekturer. TensorFlow Quantum gjør det mulig for utviklere å raskt prototype ML- og DL-modeller som hybridiserer utførelsen av kvante- og klassiske prosessorer parallelt på læringsoppgaver. Ved hjelp av verktøyet kan utviklere bygge både klassiske og kvante datasett, med de klassiske dataene som er behandlet av TensorFlow og kvanteutvidelsene som behandler kvantedata, som består av både kvantekretser og kvanteoperatorer.
Google designet TensorFlow Quantum for å støtte avansert forskning i alternative kvanteberegningsarkitekturer og algoritmer for behandling av ML-modeller. Dette gjør det nye tilbudet egnet for informatikere som eksperimenterer med forskjellige kvante- og hybridbehandlingsarkitekturer som er optimalisert for ML-belastninger.
For dette formål inneholder TensorFlow Quantum Cirq, et åpen kildekode Python-bibliotek for programmering av kvantedatamaskiner. Den støtter programmatisk opprettelse, redigering og påkalling av kvanteportene som utgjør NISQ-kretsene Noisy Intermediate Scale Quantum (NISQ) som er karakteristiske for dagens kvantesystemer. Cirq gjør det mulig å utføre utvikler-spesifiserte kvanteberegninger i simuleringer eller på ekte maskinvare. Det gjør dette ved å konvertere kvanteberegninger til tensorer for bruk i TensorFlow beregningsdiagrammer. Som en integrert komponent i TensorFlow Quantum muliggjør Cirq kvantekretssimulering og batch-utførelse av krets, samt estimering av automatisert forventning og kvantegradienter. Det gjør det også mulig for utviklere å bygge effektive kompilatorer, planleggere og andre algoritmer for NISQ-maskiner.
I tillegg til å tilby en fullstendig AI-programvarestabel der kvantebehandling nå kan hybridiseres, ønsker Google å utvide utvalget av mer tradisjonelle chiparkitekturer som TensorFlow Quantum kan simulere quantum ML på. Google kunngjorde også planer om å utvide utvalget av tilpassede maskinvareplattformer for kvantesimulering som støttes av verktøyet, til å omfatte grafikkbehandlingsenheter fra forskjellige leverandører, samt egne Tensor Processing Unit AI-akselerator maskinvareplattformer.
Googles siste kunngjøring havner i et raskt, men likevel umodent marked for kvanteberegning. Ved å utvide det mest populære open source AI-utviklingsrammeverket, vil Google nesten helt sikkert katalysere bruken av TensorFlow Quantum i et bredt spekter av AI-relaterte tiltak.
Imidlertid kommer TensorFlow Quantum inn i et marked som allerede har flere open source quantum-AI utviklings- og treningsverktøy. I motsetning til Googles tilbud kommer disse rivaliserende kvante-AI-verktøyene som deler av større pakker med utviklingsmiljøer, skytjenester og rådgivning for å stå opp fullt fungerende applikasjoner. Her er tre full-stack kvante AI-tilbud:
- Azure Quantum, kunngjort i november 2019, er en skytjeneste for kvante-databehandling. For øyeblikket i privat forhåndsvisning og på grunn av generell tilgjengelighet senere i år, kommer Azure Quantum med et Microsoft-åpent Quantum Development Kit for det Microsoft-utviklede kvanteorienterte Q # -språket, samt Python, C # og andre språk. Settet inkluderer biblioteker for utvikling av kvanteapper i ML, kryptografi, optimalisering og andre domener.
- Amazon Braket, kunngjort i desember 2019 og fremdeles i forhåndsvisning, er en fullt administrert AWS-tjeneste. Det gir et enkelt utviklingsmiljø for å bygge kvantealgoritmer, inkludert ML, og teste dem på simulerte hybrid kvante / klassiske datamaskiner. Det gjør det mulig for utviklere å kjøre ML og andre kvanteprogrammer på en rekke forskjellige maskinvarearkitekturer. Utviklere lager kvantealgoritmer ved hjelp av Amazon Braket-utviklerverktøysettet og bruker kjente verktøy som Jupyter-notatbøker.
- IBM Quantum Experience er et gratis, offentlig tilgjengelig, skybasert miljø for teamutforskning av kvanteapplikasjoner. Det gir utviklere tilgang til avanserte kvantecomputere for læring, utvikling, opplæring og kjøring av AI og andre kvanteprogrammer. Det inkluderer IBM Qiskit, et verktøy for åpen kildekodeutvikler med et bibliotek med kvantealgoritmer på tvers av domener for å eksperimentere med AI, simulering, optimalisering og økonomiapplikasjoner for kvantedatamaskiner.
TensorFlow Quantums adopsjon avhenger av i hvilken grad disse og andre quantum AI full-stack-leverandører innlemmer det i sine løsningsporteføljer. Det virker sannsynlig, gitt i hvilken grad alle disse skyleverandørene allerede støtter TensorFlow i sine respektive AI-stabler.
TensorFlow Quantum vil ikke nødvendigvis ha quantum AI SDK-feltet helt for seg selv fremover. Andre open source AI-rammer - spesielt den Facebook-utviklede PyTorch - kjemper med TensorFlow for hjerter og sinn fra forskere som arbeider med data. Man forventer at det rivaliserende rammeverket utvides med kvante AI-biblioteker og verktøy i løpet av de kommende 12 til 18 månedene.
Vi kan få et glimt av den nye multiverktøyet for kvante-AI-industrien ved å vurdere en banebrytende leverandør i denne forbindelse. Xanadus PennyLane er en åpen kildekode-utviklings- og opplæringsramme for AI, som utføres over hybrid kvante / klassiske plattformer.
PennyLane ble lansert i november 2018 og er et plattforms Python-bibliotek for kvante-ML, automatisk differensiering og optimalisering av hybrid kvante-klassiske databehandlingsplattformer. PennyLane muliggjør rask prototyping og optimalisering av kvantekretser ved hjelp av eksisterende AI-verktøy, inkludert TensorFlow, PyTorch og NumPy. Det er enhetsuavhengig, slik at den samme kvantekretsmodellen kan kjøres på forskjellige programvare- og maskinvareendere, inkludert Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK og ProjectQ.
Mangel på et betydelig og dyktig utviklerøkosystem
Etter hvert som killer-apper og open source-rammer modnes, vil de helt sikkert katalysere et robust økosystem av dyktige quantum-AI-utviklere som gjør innovativt arbeid for å drive denne teknologien inn i hverdagsapplikasjoner.
I økende grad ser vi veksten til et utviklerøkosystem for kvante-AI. Hver av de største kvante-AI-skyleverandørene (Google, Microsoft, Amazon Web Services og IBM) investerer mye i å utvide utviklerfellesskapet. Leverandørinitiativer i denne forbindelse inkluderer følgende:
