Encyclopédie de l'intelligence | Guide détaillé 2022 sur l'intelligence artificielle quantique

L'informatique quantique et l'intelligence artificielle sont toutes deux des technologies transformatrices, et l'intelligence artificielle nécessitera probablement l'informatique quantique pour faire des progrès significatifs. Bien que l’intelligence artificielle utilise des ordinateurs classiques pour produire des applications fonctionnelles, elle est limitée par la puissance de calcul des ordinateurs classiques. L'informatique quantique peut fournir un élan informatique à l'intelligence artificielle, lui permettant de résoudre des problèmes plus complexes et l'AGI (intelligence artificielle générale).

Qu’est-ce que l’intelligence artificielle quantique ?

L'intelligence artificielle quantique est l'utilisation de l'informatique quantique pour calculer des algorithmes d'apprentissage automatique. Grâce aux avantages informatiques de l’informatique quantique, l’intelligence artificielle quantique peut aider à obtenir des résultats qui ne peuvent être obtenus par les ordinateurs classiques.

Qu’est-ce que l’informatique quantique ?

La mécanique quantique est un modèle général basé sur des principes différents de ceux observés dans la vie quotidienne. Utiliser l’informatique quantique pour traiter des données nécessite d’établir un modèle quantique des données. Les modèles classiques quantiques hybrides sont également nécessaires à la correction des erreurs en informatique quantique et au bon fonctionnement des ordinateurs quantiques.

• Données quantiques : Les données quantiques peuvent être considérées comme des paquets de données contenus dans des qubits utilisés pour l'informatisation. Cependant, observer et stocker des données quantiques est un défi car des propriétés telles que la superposition et l’intrication les rendent précieuses. De plus, les données quantiques sont bruitées, ce qui nécessite l’application de l’apprentissage automatique au stade de l’analyse et de l’interprétation correctes de ces données.
• Modèle classique quantique hybride : Lors de la génération de données quantiques en utilisant uniquement un processeur quantique, il existe une forte probabilité d'obtenir des données dénuées de sens. Par conséquent, un modèle hybride a émergé, piloté par des mécanismes de traitement de données rapides tels que les CPU et les GPU couramment utilisés dans les ordinateurs traditionnels.
• Algorithme Quantique : Un algorithme est une séquence d'étapes qui mène à la solution d'un problème. Afin d'effectuer ces étapes sur un appareil, un ensemble d'instructions spécifiques pour la conception de l'appareil doit être utilisé. Par rapport à l’informatique classique, l’informatique quantique introduit un jeu d’instructions différent basé sur une philosophie d’exécution complètement différente. Le but des algorithmes quantiques est d’exploiter les effets quantiques tels que la superposition et l’intrication pour parvenir plus rapidement à des solutions.

Pourquoi est-ce si important ?

Bien que l’intelligence artificielle ait fait de grands progrès au cours de la dernière décennie, elle n’a pas encore surmonté les limites technologiques. Les obstacles à la réalisation de l’AGI (Intelligence générale artificielle) peuvent être supprimés grâce aux propriétés uniques de l’informatique quantique. L'informatique quantique peut être utilisée pour la formation rapide de modèles d'apprentissage automatique et la création d'algorithmes d'optimisation. L'intelligence artificielle optimisée et stable fournie par l'informatique quantique peut réaliser des années d'analyse en peu de temps et mener des progrès technologiques. Les modèles cognitifs neuromorphiques, l’apprentissage automatique adaptatif ou le raisonnement sous incertitude sont quelques-uns des défis fondamentaux auxquels est confrontée l’intelligence artificielle aujourd’hui. L’intelligence artificielle quantique est l’une des solutions les plus probables pour la prochaine génération d’intelligence artificielle.

Comment fonctionne l’intelligence artificielle quantique ?

Récemment, Google s'est associé à l'Université de Waterloo, ​​X​​ et Volkswagen pour lancer TensorFlow Quantum (TFQ) : une bibliothèque open source pour l'apprentissage automatique quantique. L'objectif de TFQ est de fournir les outils nécessaires pour contrôler et simuler des systèmes quantiques naturels ou artificiels. TFQ est un exemple de suite d’outils combinant des techniques de modélisation quantique et d’apprentissage automatique.

Source : Google

1. Convertir des données quantiques en un ensemble de données quantiques : Les données quantiques peuvent être représentées comme un tableau multidimensionnel de nombres, appelé tenseur quantique. TensorFlow traite ces tenseurs pour créer des ensembles de données destinés à une utilisation ultérieure.
2. Choisissez un modèle de réseau neuronal quantique : Choisissez un modèle de réseau neuronal quantique basé sur la compréhension de la structure des données quantiques. L’objectif est d’effectuer un traitement quantique pour extraire des informations cachées dans des états intriqués.
3. Échantillon ou moyenne : La mesure d'un état quantique extrait des informations classiques d'une distribution classique sous la forme d'un échantillon. Ces valeurs sont obtenues à partir de l'état quantique lui-même. TFQ fournit des méthodes pour faire la moyenne de plusieurs exécutions impliquant les étapes (1) et (2).
4. Évaluation des modèles de réseaux neuronaux classiques - Étant donné que les données quantiques sont désormais converties en données classiques, des techniques d'apprentissage en profondeur sont utilisées pour apprendre les corrélations entre les données.

Les autres étapes d'évaluation des fonctions de coût, des gradients et de la mise à jour des paramètres sont des étapes classiques du deep learning. Ces étapes garantissent la création de modèles efficaces pour les tâches non supervisées.

Quelles sont les possibilités d’application de l’informatique quantique à l’intelligence artificielle ?

L’objectif réaliste à court terme des chercheurs en matière d’intelligence artificielle quantique est de créer des algorithmes quantiques qui surpassent les algorithmes classiques et de les mettre en pratique.

• Algorithmes quantiques pour l'apprentissage : Développer des algorithmes quantiques pour la généralisation quantique des modèles d'apprentissage classiques. Il peut fournir une éventuelle accélération ou d’autres améliorations lors de la formation en deep learning. La contribution de l’informatique quantique à l’apprentissage automatique classique peut être obtenue en restituant rapidement des ensembles de solutions optimaux pour les poids des réseaux neuronaux artificiels.
• Algorithme quantique pour les problèmes de prise de décision : Les problèmes de prise de décision classiques sont formulés sur la base d'arbres de décision. Une façon d’arriver à un ensemble de solutions consiste à créer des branches à partir de certains points. Cependant, cette approche devient moins efficace lorsque chaque problème devient trop complexe pour être résolu en le coupant continuellement en deux. Les algorithmes quantiques basés sur l'évolution temporelle ​hamiltonienne​​ peuvent résoudre des problèmes représentés par plusieurs arbres de décision plus rapidement que des marches aléatoires.
• Recherche quantique : La plupart des algorithmes de recherche sont conçus pour le calcul classique. L'informatique classique surpasse les humains sur les problèmes de recherche. Lov Grover, quant à lui, a présenté son algorithme de Grover et a déclaré qu'un ordinateur quantique pourrait résoudre ce problème plus rapidement qu'un ordinateur classique. L’intelligence artificielle alimentée par l’informatique quantique est prometteuse pour des applications à court terme telles que le chiffrement.
• Théorie des jeux quantiques : La théorie des jeux classique est un processus de modélisation largement utilisé dans les applications d'intelligence artificielle. L’extension de cette théorie aux champs quantiques est la théorie quantique des jeux. Cela peut constituer un outil prometteur pour surmonter les problèmes clés liés à la mise en œuvre des communications quantiques et de l’intelligence artificielle quantique.

Quelles sont les étapes clés de l’intelligence artificielle quantique ?

Bien que l’IA quantique soit une technologie immature, les améliorations de l’informatique quantique augmentent son potentiel. Cependant, l’industrie de l’IA quantique a besoin d’étapes clés pour devenir une technologie plus mature. Ces étapes peuvent être résumées comme suit :

• Des systèmes informatiques quantiques moins sujets aux erreurs et plus puissants
• Des cadres de modélisation et de formation open source largement adoptés
• Un écosystème de développeurs vaste et compétent
• Des applications d'IA convaincantes, dont l'informatique quantique est supérieure à informatique classique

Ces étapes clés permettront de poursuivre le développement de l'intelligence artificielle quantique. (​​par Cem Dilmegani​​)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!