A computação quântica e a inteligência artificial são tecnologias transformadoras, e é provável que a inteligência artificial precise da computação quântica para alcançar um progresso significativo.
Embora a inteligência artificial produza aplicações funcionais em computadores clássicos, ela é limitada pela capacidade computacional destes. A computação quântica pode impulsionar a inteligência artificial, permitindo que ela lide com problemas mais complexos e com a Inteligência Artificial Geral (IAG) .
O que é IA quântica?
A IA quântica consiste na utilização da computação quântica para executar algoritmos de aprendizado de máquina. Graças às vantagens computacionais da computação quântica, a IA quântica pode alcançar resultados impossíveis de serem obtidos com computadores clássicos.
O que é computação quântica?
A mecânica quântica é um modelo universal baseado em princípios diferentes daqueles observados no dia a dia. Um modelo quântico de dados é necessário para processar dados com computação quântica. Modelos híbridos quântico-clássicos também são necessários para a computação quântica, inclusive para a correção de erros e o funcionamento adequado do computador quântico.
- Dados quânticos: Dados quânticos são pacotes de dados armazenados em qubits para computação. No entanto, observar e armazenar dados quânticos é um desafio devido às características que os tornam valiosos, como a superposição e o emaranhamento . Além disso, os dados quânticos são ruidosos; é necessário aplicar aprendizado de máquina na etapa de análise e interpretação correta desses dados.
- Modelos híbridos quântico-clássicos: É altamente possível obter dados sem significado apenas quando se utilizam processadores quânticos para gerar dados quânticos. Por essa razão, surge um modelo híbrido, impulsionado por mecanismos de processamento de dados rápidos, como CPUs e GPUs, amplamente utilizados em computadores clássicos.
- Algoritmos quânticos: Um algoritmo é uma sequência de passos que leva à solução de um problema. Para executar esses passos em um dispositivo, é necessário usar conjuntos de instruções que o dispositivo suporta. A computação quântica introduz conjuntos de instruções baseados em um modelo de execução fundamentalmente diferente em comparação com a computação clássica. O objetivo dos algoritmos quânticos é aproveitar efeitos quânticos, como superposição e emaranhamento, para obter soluções mais rapidamente.
Para mais informações, leia nosso artigo detalhado sobre computação quântica .
Por que isso é importante?
Embora a IA tenha progredido rapidamente na última década, ainda não superou as limitações tecnológicas. Com as características únicas da computação quântica, os obstáculos para alcançar a IAG (Inteligência Artificial Geral) podem ser eliminados. A computação quântica pode ser usada para o treinamento rápido de modelos de aprendizado de máquina e para a criação de algoritmos otimizados.
Uma IA otimizada e estável, viabilizada pela computação quântica, pode realizar anos de análise em pouco tempo, impulsionando o avanço tecnológico. Modelos cognitivos neuromórficos, aprendizado de máquina adaptativo e raciocínio sob incerteza estão entre os desafios fundamentais da IA atual. A IA quântica é uma das soluções mais promissoras para a IA de próxima geração.
Avanços na IA Quântica
Aprendizado de máquina quântico se aproxima da praticidade
Pesquisadores da CSIRO e da Universidade de Melbourne descobriram que o aprendizado de máquina quântico não exige correção total de erros. A correção parcial de erros pode ser usada em aplicações quânticas. Essa abordagem reduz significativamente os requisitos de hardware, permitindo que o aprendizado de máquina quântico impulsione aplicações do mundo real em um futuro próximo, em vez de daqui a décadas. 1
IonQ alcança vantagem quântica prática para IA
A IonQ e a Ansys executaram uma simulação de dispositivo médico no computador de 36 qubits da IonQ, que superou a computação clássica de alto desempenho em 12%. 2
Parceria Quantinuum + NVIDIA para IA Quântica Generativa
A Quantinuum fez uma parceria com a NVIDIA para acelerar a combinação da computação quântica e da IA generativa por meio do NVQLink. Os primeiros testadores incluem a Amgen (explorando o aprendizado híbrido quântico-máquina para produtos biológicos) e a BMW (pesquisa de células de combustível). 3
Como funciona a IA quântica?
O TensorFlow Quantum (TFQ) de Google, uma biblioteca de código aberto para aprendizado de máquina quântico, é um exemplo de um conjunto de ferramentas que combina técnicas de modelagem quântica e aprendizado de máquina. O objetivo do TFQ é fornecer as ferramentas necessárias para controlar e modelar sistemas quânticos naturais ou artificiais.
Funciona assim:
- Converter dados quânticos em um conjunto de dados quânticos: Os dados quânticos podem ser representados como uma matriz multidimensional de números, chamada de tensores quânticos. O TensorFlow processa esses tensores para criar um conjunto de dados para uso posterior.
- Escolha de modelos de redes neurais quânticas: Com base no conhecimento da estrutura de dados quânticos, são selecionados modelos de redes neurais quânticas. O objetivo é realizar o processamento quântico para extrair informações ocultas em um estado emaranhado.
- Amostra ou Média : A medição de estados quânticos extrai informações clássicas na forma de amostras da distribuição clássica. Os valores são obtidos diretamente do estado quântico. O TFQ fornece métodos para calcular a média em várias execuções que envolvem as etapas (1) e (2).
- Avaliar um modelo de rede neural clássica – Como os dados quânticos agora são convertidos em dados clássicos, técnicas de aprendizado profundo são usadas para aprender correlações nos dados.
As demais etapas de avaliação da função de custo, gradientes e atualização de parâmetros são etapas clássicas de aprendizado profundo. Essas etapas garantem a criação de um modelo eficaz para tarefas não supervisionadas.
Quais são as possibilidades de aplicação da computação quântica em IA?
O objetivo realista a curto prazo dos pesquisadores para a IA quântica é desenvolver algoritmos quânticos que superem os algoritmos clássicos e implementá-los.
Algoritmos quânticos para aprendizado
Desenvolvimento de algoritmos quânticos para generalizações quânticas de modelos de aprendizado clássicos. Isso pode proporcionar possíveis acelerações ou outras melhorias no processo de treinamento de aprendizado profundo. A contribuição da computação quântica para o aprendizado de máquina clássico pode ser alcançada fornecendo rapidamente o conjunto de pesos ideal para redes neurais artificiais.
Algoritmos quânticos para problemas de decisão
Problemas clássicos de decisão são formulados como árvores de decisão. Um método para alcançar o conjunto de soluções é criar ramificações a partir de certos pontos. No entanto, quando cada problema é complexo demais para ser resolvido dividindo-o repetidamente ao meio, a eficiência desse método diminui. Algoritmos quânticos baseados na evolução temporal hamiltoniana podem resolver problemas representados por diversas árvores de decisão mais rapidamente do que caminhadas aleatórias.
Busca quântica
A maioria dos algoritmos de busca são projetados para computação clássica. A computação clássica supera os humanos em problemas de busca. Por outro lado, Lov Grover apresentou seu algoritmo de Grover e afirmou que os computadores quânticos podem resolver esse problema ainda mais rapidamente do que os computadores clássicos. A inteligência artificial impulsionada pela computação quântica pode ser promissora para aplicações de curto prazo, como criptografia.
teoria quântica dos jogos
A teoria dos jogos clássica é uma abordagem de modelagem amplamente utilizada em aplicações de IA. A extensão dessa teoria para o campo quântico é a teoria dos jogos quântica. Ela pode ser uma ferramenta promissora para superar problemas críticos na comunicação quântica e para implementar inteligência artificial quântica.
Quais são os marcos críticos para a IA quântica?
Embora a IA quântica seja uma tecnologia ainda em desenvolvimento, existem avanços na computação quântica que aumentam seu potencial. No entanto, a indústria de IA quântica precisa atingir marcos críticos para se tornar uma tecnologia mais madura. Esses marcos podem ser resumidos da seguinte forma:
- Sistemas de computação quântica menos propensos a erros e mais poderosos
- Estruturas de modelagem e treinamento de código aberto amplamente adotadas
- Ecossistema de desenvolvedores substancial e qualificado
- Aplicações de IA inovadoras que superam a computação clássica com a computação quântica.
Essas etapas cruciais permitiriam o desenvolvimento futuro da IA quântica.
Inteligência Artificial para Computação Quântica
Uma análise da Nature Communications destacou como a IA está impulsionando a computação quântica em toda a sua extensão:
- Design de hardware : a IA otimiza o layout dos qubits e a arquitetura do chip.
- Calibração : Aprendizado de máquina automatiza a calibração de sistemas quânticos
- Correção de erros : decodificadores com inteligência artificial são agora os mais precisos para identificar e corrigir erros quânticos.
- Compilação de circuitos : a IA projeta transpiladores mais inteligentes que traduzem algoritmos de forma eficiente para hardware quântico. 4
Sinta-se à vontade para ler mais sobre computação quântica:
Links de referência
Comentários 1
Compartilhe suas ideias
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios.
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.