Quantum AI ist noch Jahre von der Hauptsendezeit des Unternehmens entfernt

Das Potenzial von Quantum Computing, die KI zu revolutionieren, hängt vom Wachstum eines Entwickler-Ökosystems ab, in dem geeignete Tools, Fähigkeiten und Plattformen im Überfluss vorhanden sind. Um als bereit für die Bereitstellung in der Unternehmensproduktion zu gelten, müsste die Quanten-KI-Industrie zumindest die folgenden wichtigen Meilensteine ​​erreichen:

  • Finden Sie eine überzeugende Anwendung, für die Quantencomputer einen klaren Vorteil gegenüber klassischen Ansätzen zum Aufbau und Training von KI haben.
  • Konvergieren Sie auf einem weit verbreiteten Open-Source-Framework zum Erstellen, Trainieren und Bereitstellen von Quanten-KI.
  • Bauen Sie ein umfangreiches, qualifiziertes Entwickler-Ökosystem für Quanten-KI-Anwendungen auf.

Diese Meilensteine ​​liegen alle noch mindestens einige Jahre in der Zukunft. Was folgt, ist eine Analyse der Reife der Quanten-KI-Industrie zum gegenwärtigen Zeitpunkt.

Fehlen einer überzeugenden KI-Anwendung, für die Quantencomputer einen klaren Vorteil haben

Quantum AI führt ML (maschinelles Lernen), DL (Deep Learning) und andere datengesteuerte AI-Algorithmen ziemlich gut aus.

Als Ansatz ist die Quanten-KI weit über die Proof-of-Concept-Phase hinausgegangen. Dies ist jedoch nicht gleichbedeutend mit der Behauptung, dass Quantenansätze den klassischen Ansätzen zur Ausführung der Matrixoperationen überlegen sind, von denen die Inferenz- und Trainingsarbeitslasten der KI abhängen.

In Bezug auf KI ist das Hauptkriterium, ob Quantenplattformen ML- und DL-Workloads schneller beschleunigen können als Computer, die vollständig auf klassischen von Neumann-Architekturen basieren. Bisher gibt es keine spezifische KI-Anwendung, die ein Quantencomputer besser als jede klassische Alternative ausführen kann. Damit wir die Quanten-KI als ausgereifte Unternehmenstechnologie deklarieren können, müssten mindestens einige KI-Anwendungen vorhanden sein, für die sie einen klaren Vorteil bietet - Geschwindigkeit, Genauigkeit, Effizienz - gegenüber klassischen Ansätzen zur Verarbeitung dieser Workloads.

Dennoch haben Pioniere der Quanten-KI ihre funktionalen Verarbeitungsalgorithmen an den mathematischen Eigenschaften von Quantencomputer-Architekturen ausgerichtet. Derzeit umfassen die wichtigsten algorithmischen Ansätze für die Quanten-KI:

  • Amplitudencodierung: Hiermit werden Quantenzustandsamplituden mit den Ein- und Ausgängen von Berechnungen verknüpft, die von ML- und DL-Algorithmen durchgeführt werden. Die Amplitudencodierung ermöglicht statistische Algorithmen, die eine exponentiell kompakte Darstellung komplexer mehrdimensionaler Variablen unterstützen. Es unterstützt Matrixinversionen, bei denen das Training statistischer ML-Modelle auf das Lösen linearer Gleichungssysteme reduziert wird, z. B. in linearen Regressionen der kleinsten Quadrate, der Version der Unterstützungsvektormaschinen der kleinsten Quadrate und Gaußschen Prozessen. Der Entwickler muss häufig ein Quantensystem in einem Zustand initialisieren, dessen Amplituden die Merkmale des gesamten Datensatzes widerspiegeln.
  • Amplitudenverstärkung : Hierbei wird ein Algorithmus verwendet, der mit hoher Wahrscheinlichkeit die eindeutige Eingabe für eine Black-Box-Funktion findet, die einen bestimmten Ausgabewert erzeugt. Die Amplitudenverstärkung eignet sich für ML-Algorithmen, die in eine unstrukturierte Suchaufgabe übersetzt werden können, z. B. k-Mediane und k-nächste Nachbarn. Es kann durch Random-Walk-Algorithmen beschleunigt werden, bei denen die Zufälligkeit von stochastischen Übergängen zwischen Zuständen herrührt, beispielsweise von solchen, die der Quantenüberlagerung von Zuständen und dem Zusammenbruch von Wellenfunktionen aufgrund von Zustandsmessungen inhärent sind.
  • Quantenglühen : Dies bestimmt die lokalen Minima und Maxima einer maschinellen Lernfunktion über einen gegebenen Satz von Kandidatenfunktionen. Es geht von einer Überlagerung aller möglichen gleichgewichteten Zustände eines Quanten-ML-Systems aus. Anschließend wird eine lineare partielle Differentialgleichung angewendet, um die zeitliche Entwicklung des quantenmechanischen Systems zu steuern. Es ergibt schließlich einen augenblicklichen Operator, der als Hamilton-Operator bekannt ist und der Summe der kinetischen Energien plus der potentiellen Energien entspricht, die mit dem Grundzustand des Quantensystems verbunden sind.

Einige aktuelle KI-Implementierungen nutzen diese Techniken und verwenden Quantenplattformen als Coprozessoren für ausgewählte Berechnungs-Workloads wie Autoencoder, GANs (generative gegnerische Netzwerke) und Verstärkungslernmittel.

Wenn die Quanten-KI reift, sollten wir erwarten, dass diese und andere algorithmische Ansätze einen klaren Vorteil zeigen, wenn sie auf große KI-Herausforderungen angewendet werden, die komplexe probabilistische Berechnungen umfassen, die über hochdimensionale Problemdomänen und multimodale Datensätze hinweg ausgeführt werden. Beispiele für bisher unlösbare KI-Herausforderungen, die zu quantenverstärkten Ansätzen führen können, sind neuromorphe kognitive Modelle, Argumentation unter Unsicherheit, Darstellung komplexer Systeme, kollaborative Problemlösung, adaptives maschinelles Lernen und Trainingsparallelisierung.

Aber selbst wenn sich Quantenbibliotheken, Plattformen und Werkzeuge für diese spezifischen Herausforderungen bewähren, werden sie sich immer noch auf klassische KI-Algorithmen und -Funktionen in End-to-End-Pipelines für maschinelles Lernen stützen.

Fehlen eines weit verbreiteten Open-Source-Modellierungs- und Schulungsrahmens

Damit die Quanten-KI zu einer robusten Unternehmenstechnologie heranreifen kann, muss ein dominanter Rahmen für die Entwicklung, Schulung und Bereitstellung dieser Anwendungen vorhanden sein. Googles TensorFlow Quantum ist in dieser Hinsicht ein Favorit mit Gewinnchancen. TensorFlow Quantum wurde im vergangenen März angekündigt und ist ein neuer Nur-Software-Stack, der die weit verbreitete Open-Source-AI-Bibliothek und das Modellierungsframework von TensorFlow erweitert.

TensorFlow Quantum bietet Unterstützung für eine Vielzahl von Quantencomputerplattformen in einem der dominierenden Modellierungsframeworks, die von heutigen KI-Profis verwendet werden. Es wurde von Googles X R & D-Abteilung entwickelt und ermöglicht Datenwissenschaftlern die Verwendung von Python-Code zur Entwicklung von Quanten-ML- und DL-Modellen mithilfe von Standard-Keras-Funktionen. Es bietet auch eine Bibliothek von Quantenschaltungssimulatoren und Quantencomputer-Grundelementen, die mit vorhandenen TensorFlow-APIs kompatibel sind.

Entwickler können TensorFlow Quantum zum überwachten Lernen in AI-Anwendungsfällen wie Quantenklassifizierung, Quantenkontrolle und Quantennäherungsoptimierung verwenden. Sie können fortgeschrittene Quantenlernaufgaben wie Meta-Lernen, Hamilton-Lernen und Abtasten von thermischen Zuständen ausführen. Sie können das Framework verwenden, um hybride Quanten- / klassische Modelle zu trainieren, um sowohl die diskriminierende als auch die generative Arbeitsbelastung im Herzen der GANs zu bewältigen, die in Deep Fakes, 3D-Druck und anderen fortschrittlichen KI-Anwendungen verwendet werden.

In der Erkenntnis, dass Quantencomputer noch nicht ausgereift genug sind, um die gesamte Bandbreite der KI-Workloads mit ausreichender Genauigkeit zu verarbeiten, hat Google das Framework entwickelt, um die vielen KI-Anwendungsfälle in herkömmlichen Computerarchitekturen mit einem Fuß zu unterstützen. Mit TensorFlow Quantum können Entwickler schnell ML- und DL-Modelle prototypisieren, die die Ausführung von Quanten- und klassischen Prozessoren parallel zu Lernaufgaben kombinieren. Mit dem Tool können Entwickler sowohl klassische als auch Quantendatensätze erstellen, wobei die klassischen Daten von TensorFlow nativ verarbeitet werden und die Quantenerweiterungen Quantendaten verarbeiten, die sowohl aus Quantenschaltungen als auch aus Quantenoperatoren bestehen.

Google hat TensorFlow Quantum entwickelt, um die fortgeschrittene Erforschung alternativer Quantencomputerarchitekturen und -algorithmen für die Verarbeitung von ML-Modellen zu unterstützen. Damit eignet sich das neue Angebot für Informatiker, die mit verschiedenen Quanten- und Hybridverarbeitungsarchitekturen experimentieren, die für ML-Workloads optimiert sind.

Zu diesem Zweck enthält TensorFlow Quantum Cirq, eine Open-Source-Python-Bibliothek zum Programmieren von Quantencomputern. Es unterstützt das programmatische Erstellen, Bearbeiten und Aufrufen der Quantentore, die die für heutige Quantensysteme charakteristischen NISQ-Schaltungen (Noisy Intermediate Scale Quantum) bilden. Mit Cirq können vom Entwickler festgelegte Quantenberechnungen in Simulationen oder auf realer Hardware ausgeführt werden. Dazu werden Quantenberechnungen in Tensoren konvertiert, die in TensorFlow-Berechnungsgraphen verwendet werden. Als integraler Bestandteil von TensorFlow Quantum ermöglicht Cirq die Quantenschaltungssimulation und die Ausführung von Batch-Schaltungen sowie die Schätzung automatisierter Erwartungen und Quantengradienten. Außerdem können Entwickler effiziente Compiler, Scheduler und andere Algorithmen für NISQ-Maschinen erstellen.

Neben der Bereitstellung eines vollständigen AI-Software-Stacks, in den die Quantenverarbeitung jetzt hybridisiert werden kann, möchte Google das Angebot an traditionelleren Chip-Architekturen erweitern, auf denen TensorFlow Quantum Quanten-ML simulieren kann. Google kündigte außerdem Pläne an, das Angebot an benutzerdefinierten Quanten-Simulations-Hardwareplattformen, die vom Tool unterstützt werden, um Grafikprozessoren verschiedener Hersteller sowie eigene Hardwareplattformen für Tensor Processing Unit AI-Accelerator zu erweitern.

Die neueste Ankündigung von Google landet auf einem schnelllebigen, aber noch unreifen Markt für Quantencomputer. Durch die Erweiterung des beliebtesten Open-Source-AI-Entwicklungsframeworks wird Google mit ziemlicher Sicherheit die Verwendung von TensorFlow Quantum in einer Vielzahl von AI-bezogenen Initiativen katalysieren.

TensorFlow Quantum kommt jedoch in einen Markt, der bereits über mehrere Open-Source-Tools für die Entwicklung und Schulung von Quanten-KI verfügt. Im Gegensatz zu Googles Angebot sind diese konkurrierenden Quanten-KI-Tools Teil größerer Pakete von Entwicklungsumgebungen, Cloud-Diensten und Beratung, um voll funktionsfähige Anwendungen zu erhalten. Hier sind drei Full-Stack-Quanten-AI-Angebote:

  •  Azure Quantum wurde im November 2019 angekündigt und ist ein Quantencomputer-Clouddienst. Azure Quantum befindet sich derzeit in der privaten Vorschau und wird voraussichtlich noch in diesem Jahr allgemein verfügbar sein. Es wird mit einem Open-Source-Quantum Development Kit von Microsoft für die von Microsoft entwickelte quantenorientierte Q # -Sprache sowie für Python, C # und andere Sprachen geliefert. Das Kit enthält Bibliotheken für die Entwicklung von Quanten-Apps in ML, Kryptographie, Optimierung und anderen Bereichen.
  • Amazon Braket, im Dezember 2019 angekündigt und noch in der Vorschau, ist ein vollständig verwalteter AWS-Service. Es bietet eine einzige Entwicklungsumgebung, um Quantenalgorithmen, einschließlich ML, zu erstellen und auf simulierten hybriden Quanten- / klassischen Computern zu testen. Entwickler können damit ML- und andere Quantenprogramme auf verschiedenen Hardwarearchitekturen ausführen. Entwickler erstellen Quantenalgorithmen mit dem Amazon Braket-Entwickler-Toolkit und verwenden bekannte Tools wie Jupyter-Notebooks.
  • IBM Quantum Experience ist eine kostenlose, öffentlich verfügbare, Cloud-basierte Umgebung für die Teamerkundung von Quantenanwendungen. Es bietet Entwicklern Zugriff auf fortschrittliche Quantencomputer zum Lernen, Entwickeln, Trainieren und Ausführen von KI- und anderen Quantenprogrammen. Es enthält IBM Qiskit, ein Open-Source-Entwicklertool mit einer Bibliothek domänenübergreifender Quantenalgorithmen zum Experimentieren mit KI-, Simulations-, Optimierungs- und Finanzanwendungen für Quantencomputer.

Die Einführung von TensorFlow Quantum hängt davon ab, inwieweit diese und andere Quantum AI-Full-Stack-Anbieter es in ihre Lösungsportfolios aufnehmen. Dies erscheint wahrscheinlich, da alle diese Cloud-Anbieter TensorFlow bereits in ihren jeweiligen AI-Stacks unterstützen.

TensorFlow Quantum wird das Quanten-AI-SDK-Feld in Zukunft nicht unbedingt für sich alleine haben. Andere Open-Source-KI-Frameworks - insbesondere das von Facebook entwickelte PyTorch - kämpfen mit TensorFlow um die Herzen und Gedanken der arbeitenden Datenwissenschaftler. Man geht davon aus, dass das konkurrierende Framework in den kommenden 12 bis 18 Monaten um Quanten-KI-Bibliotheken und -Tools erweitert wird.

Wir können einen Blick auf die aufstrebende Multitool-Quanten-KI-Industrie werfen, indem wir einen Pionier in dieser Hinsicht in Betracht ziehen. Xanadus PennyLane ist ein Open-Source-Entwicklungs- und Trainingsframework für KI, das über hybride Quanten- / klassische Plattformen ausgeführt wird.

PennyLane wurde im November 2018 gestartet und ist eine plattformübergreifende Python-Bibliothek für Quanten-ML, automatische Differenzierung und Optimierung hybrider quantenklassischer Computerplattformen. PennyLane ermöglicht das schnelle Prototyping und die Optimierung von Quantenschaltungen unter Verwendung vorhandener KI-Tools, einschließlich TensorFlow, PyTorch und NumPy. Es ist geräteunabhängig und ermöglicht die Ausführung desselben Quantenschaltungsmodells auf verschiedenen Software- und Hardware-Backends, einschließlich Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK und ProjectQ.

Fehlen eines substanziellen und qualifizierten Entwickler-Ökosystems

Wenn Killer-Apps und Open-Source-Frameworks ausgereift sind, werden sie mit Sicherheit ein robustes Ökosystem qualifizierter Quanten-KI-Entwickler katalysieren, die innovative Arbeit leisten, um diese Technologie in alltägliche Anwendungen zu integrieren.

Zunehmend sehen wir das Wachstum eines Entwickler-Ökosystems für Quanten-KI. Jeder der großen Anbieter von Quanten-AI-Clouds (Google, Microsoft, Amazon Web Services und IBM) investiert stark in die Erweiterung der Entwicklergemeinschaft. Zu den diesbezüglichen Lieferanteninitiativen gehören: