Künstliches Quantum Intelligence
Quantencomputing und künstliche Intelligenz sind beides transformative Technologien, und für signifikante Fortschritte bei der künstlichen Intelligenz ist wahrscheinlich Quantencomputing erforderlich.
Obwohl künstliche Intelligenz auf klassischen Computern funktionale Anwendungen hervorbringt, ist sie durch deren Rechenleistung begrenzt. Quantencomputing kann die Rechenleistung künstlicher Intelligenz deutlich steigern und ihr so ermöglichen, komplexere Probleme anzugehen und eine allgemeine allgemeine Intelligenz (AGI) zu entwickeln.
Was ist Quanten-KI?
Quanten-KI bezeichnet die Anwendung von Quantencomputern zur Berechnung von Algorithmen des maschinellen Lernens. Dank der Rechenvorteile von Quantencomputern kann Quanten-KI Ergebnisse erzielen, die mit klassischen Computern nicht möglich sind.
Was ist Quantencomputing?
Die Quantenmechanik ist ein universelles Modell, dessen Prinzipien sich von denen des Alltags unterscheiden. Für die Datenverarbeitung mit Quantencomputern ist ein Quantenmodell der Daten erforderlich. Hybride quantenklassische Modelle sind ebenfalls notwendig, unter anderem für die Fehlerkorrektur und die einwandfreie Funktion des Quantencomputers.
- Quantendaten: Quantendaten sind Datenpakete, die in Qubits für Berechnungen gespeichert werden. Die Beobachtung und Speicherung von Quantendaten ist jedoch aufgrund ihrer wertvollen Eigenschaften – Superposition und Verschränkung – eine Herausforderung. Zudem sind Quantendaten verrauscht; daher ist der Einsatz von maschinellem Lernen bei der Analyse und Interpretation dieser Daten unerlässlich.
- Hybride quantenklassische Modelle: Bei der Erzeugung von Quantendaten mit Quantenprozessoren besteht die Gefahr, dass sinnlose Daten entstehen. Daher kommt ein Hybridmodell zum Einsatz, das auf schnellen Datenverarbeitungsmechanismen wie CPUs und GPUs basiert, welche in klassischen Computern weit verbreitet sind.
- Quantenalgorithmen: Ein Algorithmus ist eine Folge von Schritten, die zur Lösung eines Problems führt. Um diese Schritte auf einem Gerät auszuführen, müssen die vom Gerät unterstützten Befehlssätze verwendet werden. Quantencomputer verwenden Befehlssätze, die auf einem grundlegend anderen Ausführungsmodell als klassische Computer basieren. Ziel von Quantenalgorithmen ist es, Quanteneffekte wie Superposition und Verschränkung zu nutzen, um schneller Lösungen zu finden.
Für weitere Informationen lesen Sie gerne unseren ausführlichen Artikel über Quantencomputing .
Warum ist das wichtig?
Obwohl die KI in den letzten zehn Jahren rasante Fortschritte gemacht hat, sind technologische Grenzen noch nicht überwunden. Dank der einzigartigen Eigenschaften des Quantencomputings lassen sich die Hindernisse für die Entwicklung einer AGI (Artificial General Intelligence) beseitigen. Quantencomputing kann für das schnelle Training von Modellen des maschinellen Lernens und die Erstellung optimierter Algorithmen eingesetzt werden.
Eine optimierte, stabile KI, ermöglicht durch Quantencomputing, kann jahrelange Analysen in kurzer Zeit durchführen und so den technologischen Fortschritt vorantreiben. Neuromorphe kognitive Modelle, adaptives maschinelles Lernen und das Schließen unter Unsicherheit zählen zu den grundlegenden Herausforderungen der heutigen KI. Quanten-KI ist eine der vielversprechendsten Lösungen für die KI der nächsten Generation.
Durchbrüche in der Quanten-KI
Quanten-Maschinenlernen nähert sich der Praxistauglichkeit
Forscher von CSIRO und der Universität Melbourne haben entdeckt, dass Quanten-Maschinenlernen keine vollständige Fehlerkorrektur benötigt. Eine partielle Fehlerkorrektur ist in Quantenanwendungen ausreichend. Dieser Ansatz reduziert die Hardwareanforderungen erheblich und ermöglicht es, Quanten-Maschinenlernen bereits in naher Zukunft – und nicht erst in Jahrzehnten – in realen Anwendungen einzusetzen. 1
IonQ erzielt praktischen Quantenvorteil für KI
IonQ und Ansys führten eine Simulation eines medizinischen Geräts auf dem 36-Qubit-Computer von IonQ durch, die die Leistung klassischer Hochleistungsrechner um 12 % übertraf. 2
Quantum + NVIDIA Partnerschaft für generative Quanten-KI
Quantinuum hat sich mit NVIDIA zusammengetan, um die Kombination von Quantencomputing und generativer KI über NVQLink zu beschleunigen. Zu den ersten Testern gehören Amgen (Erforschung von hybriden Quanten-Maschinenlernverfahren für Biologika) und BMW (Brennstoffzellenforschung). 3
Wie funktioniert Quanten-KI?
TensorFlow Quantum (TFQ) von Google, eine Open-Source-Bibliothek für Quanten-Maschinelles Lernen, ist ein Beispiel für eine Sammlung von Werkzeugen, die Quantenmodellierung und Techniken des maschinellen Lernens kombiniert. Ziel von TFQ ist es, die notwendigen Werkzeuge zur Steuerung und Modellierung natürlicher oder künstlicher Quantensysteme bereitzustellen.
So funktioniert es:
- Quantendaten in einen Quantendatensatz umwandeln: Quantendaten lassen sich als mehrdimensionales Zahlenarray, sogenannte Quantentensoren, darstellen . TensorFlow verarbeitet diese Tensoren, um einen Datensatz für die weitere Verwendung zu erstellen.
- Auswahl von Quanten-Neuronalnetzmodellen: Basierend auf dem Wissen über die Quantendatenstruktur werden Quanten-Neuronalnetzmodelle ausgewählt. Ziel ist die Quantenverarbeitung, um in einem verschränkten Zustand verborgene Informationen zu extrahieren.
- Stichprobe oder Mittelwert : Die Messung von Quantenzuständen extrahiert klassische Informationen in Form von Stichproben aus der klassischen Verteilung. Die Werte werden direkt aus dem Quantenzustand gewonnen. TFQ bietet Methoden zur Mittelwertbildung über mehrere Messreihen, die die Schritte (1) und (2) umfassen.
- Evaluierung eines klassischen neuronalen Netzwerkmodells – Da Quantendaten nun in klassische Daten umgewandelt werden, werden Deep-Learning-Techniken verwendet, um Korrelationen in den Daten zu lernen.
Die weiteren Schritte der Auswertung der Kostenfunktion und der Gradienten sowie der Aktualisierung der Parameter sind klassische Schritte des Deep Learning. Diese Schritte gewährleisten die Erstellung eines effektiven Modells für unüberwachte Aufgaben.
Welche Möglichkeiten bietet der Einsatz von Quantencomputing im Bereich der KI?
Das kurzfristige realistische Ziel der Forscher im Bereich der Quanten-KI ist die Entwicklung von Quantenalgorithmen, die klassische Algorithmen übertreffen, und deren Implementierung.
Quantenalgorithmen zum Lernen
Die Entwicklung von Quantenalgorithmen zur Quantenverallgemeinerung klassischer Lernmodelle kann zu Beschleunigungen und anderen Verbesserungen im Trainingsprozess von Deep Learning führen. Der Beitrag des Quantencomputings zum klassischen maschinellen Lernen besteht darin, schnell die optimalen Gewichte für künstliche neuronale Netze bereitzustellen.
Quantenalgorithmen für Entscheidungsprobleme
Klassische Entscheidungsprobleme werden als Entscheidungsbäume formuliert. Eine Methode, um die Lösungsmenge zu erreichen, besteht darin, von bestimmten Punkten aus Zweige zu erstellen. Ist ein Problem jedoch zu komplex, um es durch wiederholtes Halbieren zu lösen, sinkt die Effizienz dieser Methode. Quantenalgorithmen, die auf der Hamiltonschen Zeitentwicklung basieren, können Probleme, die durch eine Anzahl von Entscheidungsbäumen dargestellt werden, schneller lösen als Zufallspfade.
Quantensuche
Die meisten Suchalgorithmen sind für klassische Computer konzipiert. Klassische Computer sind bei Suchproblemen dem Menschen überlegen. Lov Grover hingegen entwickelte seinen Grover-Algorithmus und behauptete, dass Quantencomputer dieses Problem sogar noch schneller lösen können als klassische Computer. Künstliche Intelligenz, die auf Quantencomputern basiert, ist vielversprechend für kurzfristige Anwendungen wie die Verschlüsselung.
Quantenspieltheorie
Die klassische Spieltheorie ist ein in KI-Anwendungen weit verbreiteter Modellierungsansatz. Die Erweiterung dieser Theorie auf den Quantenbereich ist die Quantenspieltheorie. Sie stellt ein vielversprechendes Werkzeug dar, um kritische Probleme in der Quantenkommunikation zu lösen und Quanten-KI zu implementieren.
Was sind die entscheidenden Meilensteine für Quanten-KI?
Obwohl Quanten-KI noch eine unausgereifte Technologie ist, gibt es Fortschritte im Quantencomputing, die ihr Potenzial erhöhen. Die Quanten-KI-Branche benötigt jedoch entscheidende Meilensteine, um sich zu einer ausgereifteren Technologie zu entwickeln. Diese Meilensteine lassen sich wie folgt zusammenfassen:
- Weniger fehleranfällige und leistungsfähigere Quantencomputersysteme
- Weit verbreitete Open-Source-Modellierungs- und Trainingsframeworks
- Umfangreiches und qualifiziertes Entwickler-Ökosystem
- Überzeugende KI-Anwendungen, die klassisches Rechnen mit Quantencomputing übertreffen.
Diese entscheidenden Schritte würden die Weiterentwicklung der Quanten-KI ermöglichen.
KI für Quantencomputer
Ein Artikel in Nature Communications hob hervor, wie KI das Quantencomputing über die gesamte Wertschöpfungskette hinweg vorantreibt:
- Hardware-Design : KI optimiert Qubit-Layouts und Chiparchitektur
- Kalibrierung : Maschinelles Lernen automatisiert die Kalibrierung von Quantensystemen
- Fehlerkorrektur : KI-gestützte Decoder sind derzeit die präzisesten zur Identifizierung und Behebung von Quantenfehlern.
- Schaltungskompilation : KI entwirft intelligentere Transpiler, die Algorithmen effizient in Quantenhardware übersetzen. 4
Lesen Sie gerne mehr über Quantencomputing:
Referenzlinks
Kommentare 1
Teilen Sie Ihre Gedanken
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich.
Thank you. Where may I study this further?
Quantum Computing vendors are publishing quite some material. We will also be publishing other research on this topic.