Quantum AI är fortfarande år från prime time

Kvantbearbetningens potential att revolutionera AI beror på tillväxten av ett utvecklingsekosystem där lämpliga verktyg, färdigheter och plattformar finns i överflöd. För att anses vara redo för distribution av företagsproduktion måste kvant AI-industrin åtminstone nå följande viktiga milstolpar:

  • Hitta en övertygande applikation för vilken kvantberäkning har en klar fördel jämfört med klassiska metoder för att bygga och utbilda AI.
  • Konvergera i ett allmänt antaget open source-ramverk för att bygga, utbilda och distribuera kvant AI.
  • Skapa ett betydande, skickligt utvecklarekosystem med kvant AI-applikationer.

Dessa milstolpar är alla fortfarande åtminstone några år i framtiden. Det som följer är en analys av kvant-AI-industrins mognad för närvarande.

Brist på en övertygande AI-applikation för vilken kvantberäkning har en klar fördel

Quantum AI kör ML (maskininlärning), DL (djupinlärning) och andra datadrivna AI-algoritmer ganska bra.

Som ett tillvägagångssätt har kvant-AI flyttat långt bortom proof-of-concept-scenen. Det är dock inte samma sak som att kunna hävda att kvantmetoder är överlägsna klassiska metoder för att utföra de matrisoperationer som AI: s inferens- och träningsbelastningar beror på.

När det gäller AI är nyckelkriteriet huruvida kvantplattformar kan påskynda ML- och DL-arbetsbelastningar snabbare än datorer som helt bygger på klassiska von Neumann-arkitekturer. Hittills finns det ingen specifik AI-applikation som en kvantdator kan prestera bättre än något klassiskt alternativ. För att vi ska förklara kvant-AI som en mogen företagsteknik måste det finnas åtminstone några AI-applikationer för vilka det ger en klar fördel - hastighet, noggrannhet, effektivitet - jämfört med klassiska metoder för bearbetning av dessa arbetsbelastningar.

Ändå har pionjärer inom kvant-AI anpassat sina funktionella behandlingsalgoritmer till de matematiska egenskaperna hos kvantdatorarkitekturer. För närvarande inkluderar de viktigaste algoritmiska metoderna för kvant AI:

  • Amplitudkodning: Detta associerar kvanttillståndsamplituder med in- och utgångar för beräkningar som utförs av ML- och DL-algoritmer. Amplitudkodning möjliggör statistiska algoritmer som stöder exponentiellt kompakt representation av komplexa flerdimensionella variabler. Den stöder matrisinversioner där träningen av statistiska ML-modeller minskar till att lösa linjära ekvationssystem, såsom de i linjära regressioner med minsta kvadrater, version av minsta kvadrater av stödvektormaskiner och Gaussiska processer. Det kräver ofta att utvecklaren initierar ett kvantsystem i ett tillstånd vars amplituder återspeglar funktionerna i hela datamängden.
  • Amplitudförstärkning : Detta använder en algoritm som med stor sannolikhet hittar den unika ingången till en svart rutfunktion som ger ett visst utgångsvärde. Amplitudförstärkning är lämplig för de ML-algoritmer som kan översättas till en ostrukturerad sökuppgift, såsom k-medianer och k-närmaste grannar. Det kan accelereras genom slumpmässiga vandringsalgoritmer där slumpmässighet kommer från stokastiska övergångar mellan tillstånd, till exempel i den inneboende för kvantöverlagring av tillstånd och kollaps av vågfunktioner på grund av tillståndsmätningar.
  • Kvantglödgning : Detta bestämmer de lokala minima och maxima för en maskininlärningsfunktion över en given uppsättning kandidatfunktioner. Det utgår från en superposition av alla möjliga, lika viktade tillstånd i ett kvant-ML-system. Den tillämpar sedan en linjär, partiell differentialekvation för att styra tidsutvecklingen av det kvantmekaniska systemet. Det ger så småningom en omedelbar operatör, känd som Hamiltonian, som motsvarar summan av de kinetiska energierna plus de potentiella energier som är associerade med kvantsystemets marktillstånd.

Med hjälp av dessa tekniker använder vissa nuvarande AI-implementeringar kvantplattformar som samprocessorer på utvalda beräkningsarbetsbelastningar, såsom autokodare, GAN (generativa kontroversiella nätverk) och inlärningsagenter för förstärkning.

När kvant-AI mognar bör vi förvänta oss att dessa och andra algoritmiska tillvägagångssätt kommer att visa en tydlig fördel när de tillämpas på AI-stora utmaningar som involverar komplexa probabilistiska beräkningar som fungerar över mycket flerdimensionella problemdomäner och multimodala datamängder. Exempel på hittills otrevliga AI-utmaningar som kan ge upphov till kvantförstärkta tillvägagångssätt inkluderar neuromorfa kognitiva modeller, resonemang under osäkerhet, representation av komplexa system, samarbetsproblemlösning, adaptiv maskininlärning och träningsparallellisering.

Men även när kvantbibliotek, plattformar och verktyg bevisar sig för de här specifika utmaningarna, kommer de fortfarande att förlita sig på klassiska AI-algoritmer och funktioner inom end-to-end maskininlärningsrör.

Brist på en allmänt antagen ram för öppen källkodsmodellering och utbildning

För att kvant AI ska mogna till en robust företagsteknik måste det finnas en dominerande ram för utveckling, utbildning och distribution av dessa applikationer. Googles TensorFlow Quantum är en odds-on-favorit i det avseendet. TensorFlow Quantum tillkännagavs i mars förra året, är en ny stack-programvara som utvidgar det allmänt antagna TensorFlow open source AI-biblioteket och modelleringsramen.

TensorFlow Quantum ger stöd för ett brett spektrum av kvantdatorplattformar till en av de dominerande modelleringsramarna som används av dagens AI-proffs. Utvecklad av Googles X FoU-enhet, gör det datavetenskapsmän att använda Python-kod för att utveckla kvant ML- och DL-modeller genom standard Keras-funktioner. Det tillhandahåller också ett bibliotek med kvantkretssimulatorer och kvantberäkningsprimitiv som är kompatibla med befintliga TensorFlow-API: er.

Utvecklare kan använda TensorFlow Quantum för övervakad inlärning i sådana AI-användningsfall som kvantklassificering, kvantkontroll och kvant approximativ optimering. De kan utföra avancerade kvantlärningsuppgifter som metalärande, Hamiltonian-lärande och provtagning av termiska tillstånd. De kan använda ramverket för att träna hybridkvant- / klassiska modeller för att hantera både diskriminerande och generativa arbetsbelastningar i hjärtat av de GAN som används i djupa förfalskningar, 3D-utskrift och andra avancerade AI-applikationer.

Med tanke på att kvantbearbetning ännu inte är tillräckligt moget för att bearbeta hela sortimentet av AI-arbetsbelastningar med tillräcklig noggrannhet, utformade Google ramverket för att stödja de många AI-användningsfall med en fot i traditionella dataarkitekturer. TensorFlow Quantum gör det möjligt för utvecklare att snabbt prototypa ML- och DL-modeller som hybridiserar körningen av kvant- och klassiska processorer parallellt med inlärningsuppgifter. Med hjälp av verktyget kan utvecklare bygga både klassiska och kvantdatamängder, med klassisk data som bearbetas av TensorFlow och kvanttillägg som behandlar kvantdata, som består av både kvantkretsar och kvantoperatörer.

Google designade TensorFlow Quantum för att stödja avancerad forskning om alternativa kvantdatorarkitekturer och algoritmer för bearbetning av ML-modeller. Detta gör det nya erbjudandet lämpligt för datavetare som experimenterar med olika kvant- och hybridbearbetningsarkitekturer optimerade för ML-arbetsbelastningar.

För detta ändamål innehåller TensorFlow Quantum Cirq, ett Python-bibliotek med öppen källkod för programmering av kvantdatorer. Den stöder programmatisk skapande, redigering och åberopande av kvantgrindarna som utgör de bullriga mellanliggande kvantkretsarna (NISQ) som är karakteristiska för dagens kvantsystem. Cirq möjliggör att utvecklarspecificerade kvantberäkningar kan köras i simuleringar eller på riktig hårdvara. Det gör det genom att konvertera kvantberäkningar till tensorer för användning i TensorFlow-beräkningsdiagram. Som en integrerad komponent i TensorFlow Quantum möjliggör Cirq kvantkretssimulering och grupperad kretskörning, samt uppskattning av automatiserade förväntningar och kvantgradienter. Det gör det också möjligt för utvecklare att bygga effektiva kompilatorer, schemaläggare och andra algoritmer för NISQ-maskiner.

Förutom att tillhandahålla en fullständig AI-programvarustack där kvantbearbetning nu kan hybridiseras, vill Google utöka utbudet av mer traditionella chiparkitekturer där TensorFlow Quantum kan simulera kvant ML. Google tillkännagav också planer på att utöka utbudet av anpassade kvantesimuleringshårdvaruplattformar som stöds av verktyget till att omfatta grafikbehandlingsenheter från olika leverantörer samt egna Tensor Processing Unit AI-acceleratorhårdvaruplattformar.

Googles senaste tillkännagivande hamnar på en snabb, men fortfarande omogen marknadsplats för kvantdatorer. Genom att utöka den mest populära utvecklingsramen för öppen källkod kommer Google nästan säkert att katalysera användningen av TensorFlow Quantum i ett brett spektrum av AI-relaterade initiativ.

TensorFlow Quantum kommer dock in på en marknad som redan har flera open-source kvant-AI utvecklings- och träningsverktyg. Till skillnad från Googles erbjudande kommer dessa rivaliserande kvant AI-verktyg som delar av större paket med utvecklingsmiljöer, molntjänster och rådgivning för att stå upp fullt fungerande applikationer. Här är tre full-stack kvant AI-erbjudanden:

  •  Azure Quantum, som tillkännagavs i november 2019, är en kvantbaserad molntjänst. För närvarande i privat förhandsvisning och kommer att finnas tillgängligt senare i år, kommer Azure Quantum med ett Microsoft Quantum Development Kit för Microsoft-utvecklat för det Microsoft-utvecklade kvantorienterade Q # -språket samt Python, C # och andra språk. Satsen innehåller bibliotek för utveckling av kvantappar i ML, kryptografi, optimering och andra domäner.
  • Amazon Braket, som tillkännagavs i december 2019 och fortfarande är i förhandsgranskning, är en fullständigt hanterad AWS-tjänst. Det ger en enda utvecklingsmiljö för att bygga kvantalgoritmer, inklusive ML, och testa dem på simulerade hybridkvant / klassiska datorer. Det gör det möjligt för utvecklare att köra ML och andra kvantprogram på en rad olika hårdvaruarkitekturer. Utvecklare skapar kvantalgoritmer med hjälp av Amazon Braket-utvecklingsverktygssatsen och använder välbekanta verktyg som Jupyter-bärbara datorer.
  • IBM Quantum Experience är en gratis, allmänt tillgänglig, molnbaserad miljö för teamutforskning av kvantapplikationer. Det ger utvecklare tillgång till avancerade kvantdatorer för lärande, utveckling, utbildning och körning av AI och andra kvantprogram. Det inkluderar IBM Qiskit, ett verktyg för öppen källkodsutvecklare med ett bibliotek med kvantalgoritmer över flera domäner för att experimentera med AI, simulering, optimering och ekonomiapplikationer för kvantdatorer.

TensorFlow Quantums antagande beror på i vilken utsträckning dessa och andra quantum AI full-stack-leverantörer införlivar det i sina lösningsportföljer. Det verkar troligt med tanke på i vilken utsträckning alla dessa molnleverantörer redan stöder TensorFlow i sina respektive AI-stackar.

TensorFlow Quantum kommer inte nödvändigtvis att ha kvant AI SDK-fältet helt för sig själv framöver. Andra AI-ramar med öppen källkod - framför allt den Facebook-utvecklade PyTorch - strider mot TensorFlow för arbetande dataforskare. Man förväntar sig att rivaliserande ramar utökas med kvant AI-bibliotek och verktyg under de kommande 12 till 18 månaderna.

Vi kan få en glimt av den framväxande kvantificerade AI-industrin i flera verktyg genom att överväga en banbrytande leverantör i detta avseende. Xanadus PennyLane är ett ramverk för öppen källkod för utveckling och utbildning för AI, som körs över hybridkvant / klassiska plattformar.

PennyLane lanserades i november 2018 och är ett plattformsbaserat Python-bibliotek för kvant ML, automatisk differentiering och optimering av hybridkvantklassiska datorplattformar. PennyLane möjliggör snabb prototypning och optimering av kvantkretsar med befintliga AI-verktyg, inklusive TensorFlow, PyTorch och NumPy. Det är enhetsoberoende, vilket gör att samma kvantkretsmodell kan köras på olika programvaru- och maskinvarubakändar, inklusive Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK och ProjectQ.

Brist på ett betydande och skickligt utvecklarekosystem

Eftersom mördareappar och ramar med öppen källkod mognar, kommer de säkert att katalysera ett robust ekosystem av skickliga kvant-AI-utvecklare som gör innovativt arbete för att driva denna teknik till vardagliga applikationer.

I allt högre grad ser vi tillväxten av ett utvecklarekosystem för kvant AI. Var och en av de stora kvant AI-leverantörerna av moln (Google, Microsoft, Amazon Web Services och IBM) satsar stort på att utvidga utvecklarsamhället. Leverantörsinitiativ i detta avseende inkluderar följande: