Квантовый скачок: новый рубеж машинного обучения

Поскольку квантовые вычисления развиваются стремительно, EE Times удалось поговорить с Кристен Гилкс, лидером отдела глобальных квантовых инноваций компании EY, а также гендиректором Quilimanjaro Quantum Tech. Мартой Эстареллас. Обсуждались новые возможности квантовых вычислений, помогающие ускорить классические системы ИИ, машинного обучения (ML) и управления цепочками поставок.

Появление квантовой полезности

Квантовые вычисления действуют на основе принципов квантовой механики, делая возможными скорости вычисления, которые просто недостижимы для классических компьютеров. Потенциал квантовых компьютеров в решении реальных бизнес-задач почти достиг этапа «квантовой полезности». «Мы прямо сейчас на этапе квантовой полезности», — сказала Гилкс. «Квантовые вычисления уже обеспечивают практическую ценность и решают реальные бизнес-задачи».

Кристин Гилкс (источник: EY)

Гилкс подчёркивает, что квантовые вычисления помогают достичь прогресса в областях, критичных для бизнес-операций и воздействия на общество. «Если говорить о распознавании изображений, то можно увидеть, что квантовые вычисления действительно улучшают анализ данных со спутников. Это значимо в области обнаружения пожаров, сельском хозяйстве и оценке страховых случаев», — отмечает она.

Кроме того, «квантовая полезность» помогает и в геномике, дисциплине, критичной для достижений в прецизионной медицине. Гилкс напоминает, что «квантовая лаборатория EY активно работает над расшифровкой последовательностей ДНК и делает успехи в геномике. Мы в той точке, когда квантовые вычисления начинают решать серьёзные проблемы, связанные с обработкой данных в этих областях».

Наряду с этим, оптимизация возможностей ИИ — следующая передовая область, где квантовые вычисления показывают свой потенциал. «Взрывной рост ИИ привёл к значительным сложностям, особенно с ограниченным серверным пространством и требованиями к охлаждению. Теперь квантовые алгоритмы используются для оптимизации использования серверов и повышения эффективности ИИ-моделей, снижая общую необходимую мощность», — сказала Гилкс.

Квантовое ускорение для машинного обучения и нейронных сетей

Ещё один волнующий рубеж — это объединение квантовых вычислений и машинного обучения (ML), являющегося движущей силой ИИ. Это требует обработки огромных объёмов данных и исполнения сложных алгоритмов. Однако нынешние ограничения в классических вычислительных системах часто приводят к возникновению «узких мест», в основном при обучении больших и запутанных моделей.

Исследователи из бостонской QuEra Computing, а также физического факультета Гарвардского университета, JILA и физического факультета Университета Колорадо опубликовали недавно статью, в которой представили масштабируемый безградиентный алгоритм, использующий квантовую динамику нейтральных атомов при аналоговых квантовых вычислениях. Это демонстрирует возможность использования для улучшения ML тех квантовых эффектов, которыми обычные компьютеры не могут управлять.

«Режим универсального параметра, основанный на знании физики, устраняет необходимость какой-либо оптимизации параметров в квантовой части, приводя к существенному сбережению квантового ресурса», — заявила в статье команда QuEra.

Такие алгоритмы могут облегчить оптимизацию использования энергии и ресурсов в крупных дата-центрах, перегруженных ИИ-вычислениями.

Марта Эстареллас (источник: Quilimanjaro Quantum Tech)

«Способность квантовых компьютеров обрабатывать данные в объёмах экспоненциально больших, чем обычно, предлагает потенциальное решение проблемы ограниченных ресурсов нынешних дата-центров», — сказала Эстареллас из Quilimanjaro Quantum Tech. Способность квантовых компьютеров относительно легко обрабатывать огромные объёмы данных означает, что ML-модели могут эффективнее обучаться. Потенциально это ведёт к прорывам в области обработки естественного языка, компьютерного зрения и открытия лекарственных средств.

Гилкс поддержала её, заявив: «Разделения квантовых вычислений и ИИ не будет. Мы сочетаем их абсолютно во всём, что делаем в нашей лаборатории. Это слияние важно, т.к. текущие вычислительные требования существующих ИИ-моделей, таких как чат-боты, громадны. Квантовые вычисления предлагают путь удовлетворения этих требований без экспоненциального наращивания инфраструктуры дата-центров». Включение квантовых алгоритмов в обучение и внедрение ML-моделей может привести к созданию более эффективных систем, позволяющих ИИ решать задачи, считавшиеся ранее слишком сложными или ресурсоёмкими. Это может ускорить разработку продвинутых ИИ-приложений, от управления транспортом в городском хаосе до прецизионной медицины, настроенной на индивидуальный генетический профиль».

Оптимизация цепочки поставок служит наглядным примером

Хотя потенциал квантовых компьютеров всё ещё не раскрыт, они эффективно работают на практике. Одной из многообещающих сфер применения квантовых вычислений является оптимизация цепочек поставок — направление, характеризующееся целым комплексом логистических задач с многочисленными переменными и ограничениями.

«Проблемы цепочек поставок могут рассматриваться как задачи оптимизации бинарных ограничений, подходящие для квантовых алгоритмов», — сказала Эстареллас. Возможно, квантовому компьютеру понадобиться значительно увеличить скорость по сравнению с классическими вычислениями при решении этих задач, но он даёт неоспоримые преимущества в том, что касается эффективности ресурсов и снижения затрат.

«[В компании EY] мы работали над оптимизацией грузовиков, — отмечает Гилкс, — конкретно мусоровозов, на небольшом острове в небольшой стране».

Этот проект — лишь один пример того, как квантовые алгоритмы могут упростить логистику, сократить операционные расходы и повысить эффективность. Применение квантовых вычислений в этой области показывает их способность решать проблемы реального мира даже в небольших масштабах.

«В военных операциях квантовые вычисления используются для оптимизации размещения поставок и сокращения складов», — сказала она. «Это гарантирует, что компоненты будут доступны тогда и там, где это необходимо для обеспечения оперативной готовности».

Задачи интеграции и квантовое преимущество

Несмотря на значительный прогресс, путь к достижению квантового преимущества, когда квантовые компьютеры стабильно превосходят обычные компьютеры в широком спектре задач, остается непростым. Одной из значительных преград является интеграция квантовых и классических вычислительных систем. Сложность этой задачи лежит в разработке инфраструктуры, позволяющей этим системам работать вместе без сбоев, чтобы каждая вычислительная среда дополняла сильные стороны другой.

«Это нелегко», — сказала Эстареллас. «У вас должен быть аппаратный оркестратор, определяющий, какую часть задачи имеет смысл отправить на QPU (квантовый процессор)». Разработка таких оркестраторов имеет решающее значение в обеспечении эффективного взаимодействия квантовых и классических систем.

Это позволит бизнесу использовать уникальные возможности квантовых вычислений, сохранив при этом надежность классических систем. «Сложности не только в самой технологии, но и в её интеграции с существующими бизнес-процессами», — подчёркивает Гилкс. «Необходимо создавать разноуровневые программы и инфраструктуру, позволяющие объединить потоки информации квантовых и классических систем. В компании EY мы активно работаем над этим, наблюдая похожие усилия, например, в Barcelona Supercomputing Center, где интегрируют квантовый компьютер в существующую систему».

Кроме того, разработка квантового программного обеспечения важна не менее, чем продвижение квантового оборудования. Квантовые алгоритмы, могущие эффективно использовать мощь квантовых процессоров, всё ещё в зачаточном состоянии. Их развитие требует глубоко понимания и квантовой механики, и ML. «Мы на этапе, когда теория становится реальностью», — сказала Гилкс. «Но действительная задача заключается в том, чтобы сделать эту технологию доступной и обыденной для бизнеса».

Несмотря на сложности, потенциал квантовых вычислений в сочетании с ML неоспорим. Так как квантовая технология развивается, ее влияние на отрасли промышленности, начиная с финансов до здравоохранения, скорее всего, будет преобразующим. Интеграция квантовых алгоритмов с машинным обучением может создать ИИ-модели, способные с беспрецедентной точностью прогнозировать сложные явления, от изменений климата до финансовых рынков.

Впрочем, квантовая революция — это не только технический прогресс, но и переосмысление самого подхода к решению проблем. Квантовые вычисления призывают нас мыслить вне ограничений классических методов, поощряя исследование новых алгоритмов и новаторских подходов к давним проблемам.

Как выразилась Гилкс: «Различия между квантовыми вычислениями и ИИ не будет. Мы объединяем их абсолютно во всем, что делаем в нашей лаборатории их». Это мнение заключает в себе дух, движущий нынешнюю волну квантовых исследований. Дух, опирающийся на веру в то, что квантовые и классические вычисления будут не только сосуществовать, но и работать совместно для решения наиболее неотложных мировых проблем.

Квантовый скачок в будущее

Слияние квантовых вычислений и ML даёт будущему огромный потенциал. Вместе они могут обратиться к текущим проблемам, а также создавать новые возможности в различных отраслях. Мы можем ожидать прорывов в науке, бизнесе и за их пределами по мере прогресса квантовых технологий. Путь к квантовому преимуществу может быть непростым, но награда стоит того. Будущее ИИ и ML будет зависеть от достижений в области квантовых вычислений.