header-logo

Маркетинговые коммуникации на основе искусственного интеллекта

Отказ от ответственности: приведенный ниже текст был автоматически переведен с другого языка с помощью стороннего инструмента перевода.


Квантовый ИИ по-прежнему лет от предприятия прайм-тайм

Jun 1, 2020 3:01 AM ET

Наибольший потенциал квантовых вычислений для широкого распространения в течение этого десятилетия в искусственном интеллекте

Quantum AI is still years from enterprise prime time

Потенциал квантовых вычислений для революционизации ИИ зависит от роста экосистемы разработчиков, в которой в изобилии находятся подходящие инструменты, навыки и платформы. Чтобы считаться готовым к развертыванию корпоративного производства, квантовая индустрия ИИ должна, по крайней мере, достичь следующих ключевых вех:

  • Найдите привлекательное приложение, для которого квантовые вычисления имеет явное преимущество перед классическими подходами к созданию и обучению ИИ.
  • Сойтись на широко распространенной системе с открытым исходным кодом для создания, обучения и развертывания квантового ИИ.
  • Создайте существенную, квалифицированную экосистему квантовых приложений ИИ.

Эти вехи все еще по крайней мере несколько лет в будущем. Ниже приводится анализ зрелости квантовой индустрии ИИ в настоящее время.

Отсутствие убедительного приложения ИИ, для которого квантовые вычисления имеют явное преимущество

Квантовая ИИ выполняет ML (машинное обучение), DL (глубокое обучение) и другие алгоритмы ИИ, управляемые данными, достаточно хорошо.

В качестве подхода квантовый ИИ вышел далеко за рамки стадии проверки концепции. Однако это не то же самое, что утверждать, что квантовые подходы превосходят классические подходы к выполнением матричных операций, от которых зависят выводы и тренировочные нагрузки ИИ.

 

Что касается ИИ, то ключевым критерием является то, могут ли квантовые платформы ускорять работу ML и DL быстрее, чем компьютеры, построенные исключительно на классических архитектурах фон Неймана. До сих пор нет конкретного приложения ИИ, что квантовый компьютер может работать лучше, чем любая классическая альтернатива. Для того чтобы объявить квантовый ИИ зрелой корпоративной технологией, необходимо, чтобы было по крайней мере несколько приложений ИИ, для которых он предлагает явное преимущество – скорость, точность, эффективность – по сравнению с классическими подходами к обработке этих рабочих нагрузок.

Тем не менее, пионеры квантового ИИ согласовали его алгоритмы функциональной обработки с математическими свойствами архитектур квантовых вычислений. В настоящее время главные алгоритмические подходы к квантовому ИИ включают:

  • Амплитуда кодирования: Это асоциирует амплитуда квантово-состояния с входными путями и выходами вычислений, выполняемых алгоритмами ML и DL. Кодирование amplitude позволяет использовать статистические алгоритмы, поддерживающие экспоненциально компактное представление сложных многомерных переменных. Он поддерживает матричные инверсии, в которых обучение статистических моделей ML сводится к решению линейных систем уравнений, таких как линейные регрессии наименьших квадратов, версия наименьших квадратов векторных машин поддержки и гауссийские процессы. Это часто требует от разработчика инициализации квантовой системы в состоянии, амплитуды которого отражают особенности всего набора данных.
  • Усиливание amplitude: При этом используется алгоритм, который с высокой вероятностью находит уникальный вход в функцию черного ящика, который производит определенное значение вывода. Усилие амплитуд подходит для тех алгоритмов ML, которые могут быть переведены в неструктурированную задачу поиска, такие как k-medians и k-ближайшие соседи. Его можно ускорить с помощью алгоритмов случайных прогулок, где случайность происходит от стохастических переходов между состояниями, например, в том, что присуще квантовой суперпозиции состояний и краха волновых функций из-за измерения состояния.
  • Квантовая аннулирование: Это определяет локальные минимумы и максимы функции машинного обучения над заданный набор функций кандидата. Она начинается с суперпозиции всех возможных, одинаково взвешенных состояний квантовой системы ML. Затем он применяет линейное, частичное дифференциальное уравнение для руководства эволюцией времени квантово-механической системы. В конечном итоге он дает мгновенного оператора, известного как Гамильтон, что соответствует сумме кинетических энергий плюс потенциальные энергии, связанные с наземным состоянием квантовой системы.

Используя эти методы, некоторые текущие реализации ИИ используют квантовые платформы в качестве сопроцессоров на некоторых рабочих нагрузках расчета, таких как аутокодизаторы, GAN (генеративные состязательные сети) и агенты по обучению усилению.

По мере развития квантового ИИ следует ожидать, что эти и другие алгоритмические подходы покажут явное преимущество при применении к грандиозным вызовам ИИ, которые включают сложные вероятностные вычисления, работающие над высокомерными проблемными доменами и мультимодальными наборами данных. Примеры до этого неразрешимые проблемы ИИ, которые могут уступить кквантовым улучшенным подходам, включают нейроморфные когнитивные модели, рассуждения в условиях неопределенности, представление сложных систем, совместное решение проблем, адаптивное машинное обучениеи обучение параллелизации.

Но даже в то время как квантовые библиотеки, платформы и инструменты зарекомендовали себя для решения этих конкретных задач, они по-прежнему будут опираться на классические алгоритмы и функции ИИ в рамках сквозных конвейеров машинного обучения.

Отсутствие широко распространенной системы моделирования и обучения с открытым исходным кодом

Для того чтобы квантовый ИИ превратился в надежную корпоративную технологию, необходимо будет создать доминирующую основу для разработки, обучения и развертывания этих приложений. Google В TensorFlow Квантовая является шансы на фаворита в этом отношении. Объявленный в марте этого года, TensorFlow Квантовая является новым программным только стек, который расширяет широко ехрант the TensorFlow библиотеки ИИ с открытым исходным кодом и моделирования инфраструктуры.

TensorFlow Квантовая приносит поддержку для широкого спектра квантовых вычислительных платформ в одной из доминирующих платформ моделирования, используемых сегодняшними профессионалами ИИ. Разработанный подразделением Google X r и D, он позволяет специалистам по обработке данных использовать код Python для разработки квантовых моделей ML и DL с помощью стандартных функций Keras. Он также предоставляет библиотеку квантовых симуляторов цепи и примитивов квантовых вычислений, которые совместимы с существующими AIS TensorFlow.

Разработчики могут использовать TensorFlow Квантовая для контролируемого обучения по таким случаям использования ИИ, как квантовая классификация, квантовый контроль и квантовая приблизительная оптимизация. Они могут выполнять передовые задачи квантового обучения, такие как мета-обучение, обучение Гамильтона и отбор проб тепловых состояний. Они могут использовать рамки для обучения гибридных квантовых/классических моделей для обработки как дискриминационных, так и генеративных рабочих нагрузок в сердце GAN, используемых в глубоких подделках, 3D-печати и других передовых приложениях ИИ.

сп;

Киберхотен Окар i свиригецградский ох frekvens. Эр лёгет хоппласт?

Признавая, что квантовые вычисления еще не достаточно зрелы, чтобы обрабатывать весь спектр рабочих нагрузок ИИ с достаточной точностью, Google разработала платформу для поддержки многих случаев использования ИИ одной ногой в традиционных вычислительных архитектурах. TensorFlow Квантовая позволяет разработчикам быстро прототип ML и DL модели, которые гибридизируют выполнение квантовых и классических процессоров параллельно на обучение задач. Используя инструмент, разработчики могут создавать как классические, так и квантовые наборы данных, при этом классические данные, нативно обработанные TensorFlow, и квантовые расширения, обрабатывающие квантовые данные, которые состоят как из квантовых схем, так и из квантовых операторов.

Компания Google разработала проект TensorFlow Квантовая для поддержки передовых исследований альтернативных квантовых вычислительных архитектур и алгоритмов обработки моделей ML. Это делает новое предложение подходящим для компьютерных ученых, которые экспериментируют с различными квантовыми и гибридными архитектурами обработки, оптимизированными для рабочих нагрузок ML.

С этой целью, TensorFlow Квантовая включает Cirq, библиотеку Python с открытым исходным кодом для программирования квантовых компьютеров. Он поддерживает программное создание, редактирование и высвобойку квантовых ворот, которые составляют шумные промежуточные квантовые схемы (НИСЗ), характерные для современных квантовых систем. Cirq позволяет выполнять квантовые вычисления, указанные разработчиками, в симуляциях или на реальном оборудовании. Он делает это путем преобразования квантовых вычислений в тензоры для использования внутри вычислительных графиков TensorFlow. В качестве неотъемлемого компонента TensorFlow Квантовая, Cirq позволяет квантовое моделирование цепи и пакетного исполнения схемы, а также оценку автоматизированных ожиданий и квантовых градиентов. Он также позволяет разработчикам создавать эффективные компиляторы, планировщики и другие алгоритмы для машин NIS.

В дополнение к предоставлению полного стек программного обеспечения ИИ, в котором квантовая обработка теперь может быть гибридизирована, Google стремится расширить спектр более традиционных архитектур чипов, на которых TensorFlow Квантовая может имитировать квантовый ML. Google также объявила о планах по расширению спектра пользовательских квантовых платформ моделирования, поддерживаемых инструментом, чтобы включить графические процессоры от различных поставщиков, а также свои собственные платформы Tensor Processing Unit AI-акселератор.

Последнее объявление Google земли в быстро движущихся, но все еще незрелых квантовых вычислений рынке. Расширяя самую популярную платформу разработки ИИ с открытым исходным кодом, Google почти наверняка будет стимулировать использование TensorFlow Квантовая в широком диапазоне инициатив, связанных с ИИ.

Тем не менее, TensorFlow Квантовая выходит на рынок, который уже имеет несколько инструментов разработки и обучения с открытым исходным кодом. В отличие от предложений Google, эти конкурирующие квантовые инструменты ИИ являются частью более крупных пакетов сред разработки, облачных сервисов и консалтинга для полноценного работы приложений. Вот три полностек квантовых квантовых предложения ИИ:

  • Azure Квантовая, анонсированная в ноябре 2019 года, является квантовым вычислением облачного сервиса. В настоящее время в частном предварительном просмотре и из-за общей доступности в конце этого года, Azure Квантовая поставляется с Microsoft с открытым исходным кодом Квантовая разработка Kit для Microsoft-разработанный квантовой ориентированный язык, а также Python, C и другие языки. Комплект включает в себя библиотеки для разработки квантовых приложений в ML, криптографии, оптимизации и других областях.
  • Amazon Braket, анонсированный в декабре 2019 года и до сих пор в предварительном просмотре, является полностью управляемым сервисом AWS. Он обеспечивает единую среду разработки для создания квантовых алгоритмов, включая ML, и тестирования их на смоделированных гибридных квантовых/классических компьютерах. Это позволяет разработчикам запускать ML и другие квантовые программы на различных аппаратных архитектурах. Разработчики изготавливали квантовые алгоритмы, используя набор инструментов для разработчиков Amazon Braket, и использовали знакомые инструменты, такие как ноутбуки Jupyter.
  • IBM Квантовая Опыт является свободной, общедоступной, облачной среды для командного исследования квантовых приложений. Она предоставляет разработчикам доступ к передовым квантовым компьютерам для обучения, разработки, обучения и управления ИИ и других квантовых программ. Она включает в себя IBM Qiskit, инструмент разработчика с открытым исходным кодом с библиотекой кросс-домен квантовых алгоритмов для экспериментов с ИИ, моделирования, оптимизации и финансирования приложений для квантовых компьютеров.

Принятие TensorFlow Квантовая зависит от того, в какой степени эти и другие квантовые поставщики Полного стека ИИ включают его в свои портфели решений. Это представляется вероятным, учитывая степень, в которой все эти поставщики облачных технологий уже поддерживают TensorFlow в соответствующих стеках ИИ.

TensorFlow Квантовая не обязательно будет иметь квантовое поле AI SDK все к себе идти вперед. Другие платформы ИИ с открытым исходным кодом, в первую очередь, разработанный на Facebook PyTorch, борются с TensorFlow за сердца и умы работающих ученых по обработке данных. Можно ожидать, что конкурирующая структура будет расширена с помощью квантовых библиотек ИИ и инструментов в течение ближайших 12-18 месяцев.

Мы можем мельком увидеть новые мультиинструмент квантовой индустрии ИИ, рассматривая новаторский поставщик в этом отношении. Компания Xanadu PennyLane представляет собой систему разработки и обучения с открытым исходным кодом для ИИ, которая занимается разработкой гибридных квантовых/классических платформ.

Запущенная в ноябре 2018 года, PennyLane представляет собой кроссплатформенный Python-библиотеку для квантового ML, автоматической дифференциации и оптимизации гибридных квантовых классических вычислительных платформ. PennyLane обеспечивает быстрое прототипирование и оптимизацию квантовых схем с использованием существующих инструментов ИИ, включая TensorFlow, PyTorch и NumPy. Это устройство-независимой, что позволяет той же модели квантовой цепи, которые будут работать на различных программного обеспечения и аппаратного обеспечения задних концов, в том числе клубника поля, IBM , Google Cirq, Rigetti Forest SDK, Microsoft ,,и проект.

Отсутствие существенной и квалифицированной экосистемы разработчиков

По мере того как приложения-убийцы и платформы с открытым исходным кодом созревают, они уверены, что катализатором являются надежная экосистема квалифицированных разработчиков квантовых ИИ, которые делают инновационную работу, вовлекая эту технологию в повседневные приложения.

Все чаще мы наблюдаем рост экосистемы разработчиков для квантового ИИ. Каждый из основных поставщиков квантовых облаков ИИ (Google, Microsoft, Amazon Web Services и IBM) инвестирует значительные средства в расширение сообщества разработчиков. Инициативы поставщиков в этой связи включают в себя следующее:

  • Корпорация Майкрософт планирует интегрировать свой КДК с инструментами разработки и Visual Studio, чтобы они могли использоваться для создания квантовых программ для квантовых аппаратных платформ от Honeywell, Ion, QCI и других, а также для имитации производительности программ на этих и других платформах.
  • Предложение AWS позволяет ученым, исследователям и разработчикам начать экспериментировать с компьютерами от поставщиков квантового оборудования (включая D-Wave, Ion и Rigetti) в одном месте. Это позволяет пользователям исследовать, оценивать и экспериментировать с qua

ntum вычислительного оборудования для получения опыта в доме, как они планируют на будущее.

  • IBM недавно объявила о расширении сети, ее трехлетний квантовой экосистемы разработчика, в соответствии с которой более 200000 пользователей работают сотни миллиардов казней на IBM квантовых систем и симуляторов через IBM Квантовая опыт. Участники сети имеют доступ к qiskit, к квантовому опыту и ресурсам IBM, а также к облачному доступу к Центру квантовых вычислений IBM. Многие из рабочих нагрузок, запускаемых включают ИИ, а также моделирование в реальном времени квантовых вычислительных архитектур.

Кроме того, предприятия квантовых вычислительных отраслей поставщиков, таких как D-Wave, Baidu, AmberFlux, CogniFrame, и Honeywell, как правило, консалтинговые предложения, направленные на создание экосистемы развития партнеров и клиентов.

В разработке инструмент- и платформы-агностик квантовой экосистемы разработчиков ИИ, Creative Destruction Lab является ключевым катализатором. Его квантовый инкубатор ный поток объединяет предпринимателей, инвесторов, ученых в области квантовых технологий и поставщиков квантового оборудования для создания предприятий в зарождающейся области квантовых вычислений, ML, оптимизации, зондирования и других применений квантовых технологий. Она предоставляет квантовые вычислительные ресурсы от D-Wave Systems (доступ к новейшим системам D-Wave и библиотекам программного обеспечения), IBM (доступ и практическая техническая поддержка для общедоступных систем IBM и инструмента Зискит), Rigetti (ригеттский лес программирования среды, с доступом к облачным сверхпроводящим сверхпроводящим квантовым процессорам и квантовой виртуальной машине) и Xanadu (Клубника Поля, библиотека с открытым исходным кодом для фотонных квантовых вычислений, с набором тренажеров для выполнения на процессоре /GPU, и доступ к облачным квантовым фотоническим чипам Xanadu).

Рекомендации

Квантовый рынок ИИ остается далек от развертывания прайм-тайма предприятия, но он начал подниматься, что кривая зрелости.

По крайней мере, квантовая индустрия ИИ должна будет достичь вех, отмеченных выше, чтобы считаться полностью зрелым: консенсус-привлекательное приложение, широко принятая среда разработки с открытым исходным кодом и широкая экосистема развития. Эти вехи зрелости уже были достигнуты ведущими инструментами ИИ, которые поддерживают моделирование и обучение чисто классическим вычислительным архитектурам. Мы ожидаем, что рынок гибридного квантового/классического ИИ созреет к этому моменту в течение ближайших трех-пяти лет.

 

Незрелость рынка квантовых ИИ не должна удерживать ученых,изучающих данные, и других разработчиков от изучения современных технологий для доказательства концепции, пилотных проектов и даже некоторых производственных развертываний. В этой связи мы предоставляем следующие стратегические рекомендации.

Чтобы опередить квантовую ИИ, разработчики приложений и специалисты по обработке данных должны принять решения, использующие гибридные квантовые/классические вычислительные платформы. Они должны развертывать квантовые платформы в качестве сопроцессоров, а не как откровененную замену для обработки конкретных рабочих нагрузок ИИ, таких как аутокодкодеры, GAN и агенты по обучению подкрепления. Кроме того, они должны интегрировать инвестиции в квантовые инструменты ИИ с устаревшими платформами моделирования ИИ и обучения. Они также должны применять квантовые инструменты ИИ для нейроморфных когнитивных моделей, адаптивного машинного обучения, обучения параллелизации и других передовых проектов для определения рабочих нагрузок, на которых эти решения предлагают явное преимущество перед классическими вычислительными платформами.

Чтобы позиционировать себя для этой растущей возможности, Поставщики ИТ-решений должны расширить свои профессиональные услуги и партнерские отношения, с тем чтобы обучить экосистему развития следующего поколения для квантового ИИ. Они должны интегрировать свои квантовые среды разработки ИИ с широко принятыми платформами ИИ с открытым исходным кодом, в первую очередь TensorFlow (особенно новый TensorFlow Квантовая) и PyTorch. Кроме того, они должны создавать более автоматизированные функции ML в свои квантовые инструменты ИИ для упрощения и ускорения подготовки данных, разработки моделей, обучения и развертывания квантовых приложений ИИ. Они должны согласовывать свои квантовые библиотеки ИИ, программное обеспечение и услуги с ведущими технологиями управления конвейерами, разработчиками и многооблачными средами, чтобы проложить путь для будущего развертывания квантовых приложений ИИ с квантовым расширением.

Рыночные инвесторы должны делать ставки с любыми поставщиками квантовых решений ИИ, которые строят инструменты для широкого корпоративного развертывания этих возможностей в течение следующих нескольких лет. В частности, приоритет должен быть на финансирование стартапов, которые следуют примеру Xanadu в предоставлении рамочно-агностиковых библиотек Python для быстрого прототипирования квантовых приложений ИИ для запуска на различных программном и аппаратном обеспечении задних концах.

Contact Information:

James Kobielus
Tags:   Russian, United States, Wire