Полное, но сокращенное объяснение пересечения ИИ и квантовых вычислений (с примерами использования и проблемами)
Квантовые вычисления все еще находятся на ранних стадиях [13], что потенциально может повлиять на ИИ несколькими способами. Во-первых, квантовые компьютеры могут выполнять определенные операции быстрее, чем классические компьютеры [14], что потенциально позволяет быстрее принимать решения (например, для информирования вариантов использования параметров гиперскорости). Кроме того, поскольку квантовые компьютеры могут хранить и обрабатывать больше данных, чем классические компьютеры, более глубокий охват может дать системам ИИ доступ к большему количеству информации, что потенциально позволит им более эффективно учиться на основе информации.
Квантовые вычисления
Квантовые вычисления — это когда вычисления обрабатываются с использованием квантовых битов вместо классических битов [8], что обеспечивает более быстрый и мощный вычислительный потенциал для выходных данных по сравнению с тем, что может быть достигнуто с использованием традиционных компьютеров. По сути, квантовые вычисления — это способ проведения вычислений с использованием мельчайших частиц, называемых «квантовыми битами» (кубитами) [3]; возможность заключается в том, чтобы решать проблемы быстрее, чем традиционные вычислительные методы, поскольку в настоящее время существует возможность одновременного изучения множества различных решений.
В более техническом смысле для описания квантовые компьютеры используют квантово-механические явления, такие как суперпозиция и запутанность [1], для выполнения операций с данными. Квантовый компьютер работает с кубитами, единицами квантовой информации.
Как квантовые вычисления могут положительно повлиять на ИИ
1. Квантовые компьютеры могут обрабатывать огромные объемы данных намного быстрее, чем традиционные компьютеры, эффективно помогая этим системам ИИ быстрее обучаться и достигать большей точности. Использование квантовой запутанности может позволить создавать более эффективные и мощные алгоритмы, использующие корреляции между различными переменными.
2. Квантовые компьютеры могут решать сложные задачи оптимизации, которые сложны для традиционных компьютеров, что делает алгоритмы ИИ более эффективными. Таким образом, квантовые вычисления могут обеспечить способ создания искусственного интеллекта, не ограниченного законами классической физики, что делает его потенциально более мощным и интеллектуальным, чем любой существующий сегодня ИИ.
3. Квантовые вычисления могут помочь изучить возможные решения проблемы (известной как пространство поиска [2]), которая необходима для многих приложений ИИ при планировании и составлении графиков. Кроме того, бесшумность квантовых вычислений [3][4] может позволить создавать более точные модели, поскольку шум часто может приводить к ошибкам прогнозирования.
4. Квантовые компьютеры могут выполнять определенные типы вычислений (например, связанные с квантовыми эффектами [5]), которые потенциально невозможны для традиционных компьютеров, что приводит к появлению новых алгоритмов ИИ.
5. Квантовые компьютеры могут помочь проверить результаты алгоритмов ИИ, гарантируя их правильность и отсутствие ошибок. Использование квантового отжига [6] могло бы решить проблемы, которые трудно или невозможно решить классическими методами.
6. Квантовые компьютеры могут создавать мощную среду моделирования для обучения систем ИИ, позволяя им быстрее учиться и быть лучше подготовленными к реальным сценариям. Например, квантовые компьютеры реже страдают от катастрофического забывания, чем классические нейронные сети [7][8]. Это означает, что они могут изучать новые задачи, не забывая, как выполнять старые, что помогает им лучше учиться на протяжении всей жизни.
7. Квантовые компьютеры могут помочь защитить конфиденциальные данные, используемые системами ИИ в контексте хакерских атак и других форм киберпреступности. Более того, параллельная обработка созрела для развертывания в контрнаступлении. Поскольку квантовые компьютеры могут оставаться в нескольких состояниях одновременно, в отличие от классических компьютеров, которые находятся в одном состоянии, вероятно, могут быть обнаружены более эффективные алгоритмы (за счет вычислительных мощностей параллельной обработки, используемых квантовыми вычислениями).
8. Квантовые компьютеры можно использовать для разработки новых архитектур ИИ, более эффективных и масштабируемых, чем существующие.
9. Квантовые компьютеры можно использовать для создания мощных помощников с искусственным интеллектом, которые значительно улучшат нашу производительность и эффективность.
10. Обеспечивая беспрецедентную вычислительную мощность и скорость, квантовые компьютеры будут играть ключевую роль в развитии искусственного интеллекта, помогая ему достичь новых уровней интеллекта и возможностей.
10 вариантов использования квантовых вычислений и ИИ
1. Машинное обучение: разработка новых алгоритмов машинного обучения, обеспечивающих более эффективное и действенное обучение моделей ИИ. Суперпозиция и запутанность помогут интегрировать все варианты использования ИИ.
2. Анализ данных: помогает быстрее и эффективнее анализировать большие наборы данных, что приводит к лучшему пониманию и принятию решений.
3. Оптимизация: решение сложных задач оптимизации может привести к повышению эффективности операций и процессов. Это пространство глубоко и широко для поиска глобальных минимумов или максимумов [9].
4. Выборка: создавайте выборки из вероятностных распределений, что полезно для многих приложений ИИ, таких как обучение с подкреплением.
5. Вывод: выполняйте выводы в вероятностных графических моделях, что приводит к более точным прогнозам.
6. Распознавание образов: идентифицируйте закономерности данных, которые могут повысить точность классификации и прогнозирования.
7. Уменьшение размерности: уменьшение размерности данных, что упрощает их обработку и понимание.
8. Разработка функций: создавайте новые функции из данных, которые могут повысить производительность моделей машинного обучения.
9. Нейронные сети: обучайте нейронные сети быстрее и эффективнее, что приводит к лучшим результатам.
10. Обучение с подкреплением: ускорить процесс обучения агентов обучения с подкреплением [10], что приводит к повышению производительности.
Краткий обзор улучшений ИИ, которые могут быть подкреплены квантовыми вычислениями:
— Более быстрая обработка больших объемов данных.
— Обрабатывать более сложные алгоритмы, чем классические компьютеры.
— Находите закономерности в данных более эффективно, чем классические компьютеры.
— Решать задачи, неразрешимые классическими компьютерами.
— Изучайте новые задачи быстрее, чем классические компьютеры.
— Более эффективно справляться с крупномасштабными задачами оптимизации.
— Делайте более точные прогнозы на основе данных.
— Выявлять причинно-следственные связи более эффективно, чем классические компьютеры.
Проблемы квантовых вычислений
Квантовая декогеренция[11] представляет собой проблему в квантовых вычислениях, поскольку может привести к потере информации. Когда кубиты помещаются в среду с другими кубитами, они могут взаимодействовать и запутываться; эта запутанность может привести к декогеренции, когда кубиты теряют свое квантовое состояние и становятся классическими битами. Есть способы уменьшить влияние декогеренции, но она по-прежнему остается серьезной проблемой для квантовых вычислений.
Также:
— Масштабирование: по мере добавления кубитов к квантовому компьютеру количество необходимых операций и сложность устройства в целом увеличиваются в геометрической прогрессии, что создает серьезную проблему для масштабируемости.
— Связность: для выполнения квантовых вычислений кубиты взаимодействуют друг с другом, что требует высокой степени связности между кубитами, что остается постоянной проблемой оптимизации для достижения [15].
— Управление: квантовые компьютеры чувствительны к своему окружению [12] и требуют точного управления для правильной работы. Любое крошечное изменение в окружающей среде может привести к сбою квантовых вычислений.
— Стоимость: создание и обслуживание квантовых компьютеров обходится дорого. Кроме того, требуемая технология все еще находится в зачаточном состоянии, что делает ее еще более дорогостоящей.
Важно осторожное будущее: способность квантовых компьютеров хранить и обрабатывать огромные объемы данных может позволить им стать «универсальными учениками» [16]: системами ИИ, которые могут узнавать все и вся об окружающей среде и людях в ней. это.
Подумайте о том, чтобы поделиться со мной своими мыслями, если у вас есть какие-либо изменения / исправления, которые вы можете порекомендовать, или рекомендации по дальнейшему расширению этой темы.
Также, пожалуйста, подпишитесь на мой еженедельный информационный бюллетень:
Я написал о следующем, связанном с этим сообщением; они могут быть вам интересны:
Ссылки:
1. Форсер. (2002, 1 февраля). Суперпозиция, запутанность и квантовые вычисления. EPrints Сотон. https://eprints.soton.ac.uk/257639/
2. Риффель, Э. Г., и Полак, В. (1998, 8 сентября). Введение в квантовые вычисления для нефизиков. ArXiv.Org. https://arxiv.org/abs/quant-ph/9809016
3. Ди Винченцо, Бэкон, Кемпе, Буркард и Уэйли. (н.д.). Универсальные квантовые вычисления с обменным взаимодействием. Природа, 408 (6810), 339–342. https://doi.org/10.1038/35042541
4. Нагата и Накамура. (2017). Квантовая криптография, квантовая связь и квантовый компьютер в шумной среде. Международный журнал теоретической физики, 56 (7), 2086–2100. https://doi.org/10.1007/s10773-017-3352-4
5. Йожа. (1999, 1 января). Квантовые эффекты в алгоритмах. Спрингер Берлин Гейдельберг. https://link.springer.com/chapter/10.1007/3-540-49208-9_7
6. Лауманн, Месснер, Скардиччио и Сондхи. (2015). Квантовый отжиг: самый быстрый путь к квантовым вычислениям? Специальные темы Европейского физического журнала, 224 (1), 75–88. https://doi.org/10.1140/epjst/e2015-02344-2
7. Капча ShieldSquare. (н.д.). Получено 18 июля 2022 г. с https://iopscience.iop.org/article/10.1088/0256-307X/39/5/050303/meta.
8. Архитектуры и компоненты квантовых искусственных нейронных сетей. (н.д.). Информационные науки, 128 (3–4), 231–255. https://doi.org/10.1016/S0020-0255(00)00055-4
9. Стратегия фиксации параметров алгоритма квантовой приближенной оптимизации. (н.д.). IEEE Исследовать. Получено 18 июля 2022 г. с https://ieeexplore.ieee.org/abstract/document/9605323.
10. Флоренса, К., Хелд, Д., Генг, X., и Аббил, П. (3 июля 2018 г.). Автоматическая генерация целей для агентов обучения с подкреплением. ПМЛР. https://proceedings.mlr.press/v80/florensa18a.html
11. Лидар Д.А., Чуанг И.Л. и Уэйли К.Б. (1998). Свободные от декогеренции подпространства для квантовых вычислений. Письма о физическом обзоре, 81 (12). https://doi.org/10.1103/PhysRevLett.81.2594
12. Абхилаш. (н.д.). Трудности реализации квантовых компьютеров. https://arxiv.org/pdf/cs/0602096.pdf
13. Викас Хассиджа, Винай Чамола, Викас Саксена, Вайбхав Чанана, Пракхар Парашари, Шахид Мумтаз, Мохсен Гизани. Современный ландшафт квантовых вычислений. https://ietresearch.onlinelibrary.wiley.com/doi/full/10.1049/iet-qtc.2020.0027.
14. Уильямс, CP (nd). Исследования в области квантовых вычислений. Получено 18 июля 2022 г. с https://link.springer.com/book/10.1007/978-1-84628-887-6.
15. Лэдд, Железко, Лафламм, Накамура, Монро и О’Брайен. (н.д.). Квантовые компьютеры. Природа, 464 (7285), 45–53. https://doi.org/10.1038/nature08812
16. Шмидхубер, Дж. (2003 г., 10 февраля). Новый ИИ: общий, звуковой и актуальный для физики. ArXiv.Org. https://arxiv.org/abs/cs/0302012
