Quelle est la relation entre l'informatique quantique et l'intelligence artificielle ?

Après des décennies de recherche, l'intelligence artificielle (IA) devient l'une des tendances majeures de l'industrie. Des conversations avec Alexa et Siri aux voitures autonomes de Waymo et Tesla, en passant par le GPT-3 d’OpenAI écrivant comme un humain et l’AlphaZero de DeepMind battant le grand maître humain de Go, l’intelligence artificielle est désormais suffisamment mature. Résolvez des problèmes réels, souvent plus rapidement et mieux que les humains.

Ailleurs dans l'industrie technologique, certains visionnaires travaillent dur pour développer des ordinateurs quantiques, qui cherchent à exploiter les propriétés de la physique quantique pour effectuer des calculs plus rapidement que les ordinateurs d'aujourd'hui.

À ce stade, beaucoup de gens se demandent peut-être : qu'est-ce que l'informatique quantique a à voir exactement avec l'intelligence artificielle

La complexité algorithmique est l'ennemi caché

#🎜 🎜 La #complexité algorithmique est un concept mathématique quelque peu obscur qui relie les travaux effectués par les chercheurs en IA et les pionniers de l'informatique quantique.

La théorie de la complexité informatique est un domaine couvrant les mathématiques et l'informatique qui se concentre sur la classification des problèmes informatiques en fonction de l'utilisation des ressources, telles que l'espace (mémoire) et le temps. Essentiellement, un problème informatique est une tâche qui peut être résolue mécaniquement par un ordinateur, en suivant des étapes mathématiques définies dans un algorithme.

Par exemple, considérons le problème du tri des nombres dans une liste. Un algorithme possible, appelé « tri par sélection », consiste à retrouver de manière répétée le plus petit élément (par ordre croissant) de la partie non triée de la liste (initialement tout) et à le placer au début. L'algorithme conserve effectivement deux sous-listes de la liste d'origine pendant son exécution : la partie déjà triée et la partie restante non triée. Après plusieurs répétitions de ce processus, le résultat est une liste triée de la plus petite à la plus grande. En termes de complexité temporelle, cela est représenté par une complexité de N 2, où N représente la taille ou le nombre d'éléments dans la liste. Les mathématiciens ont proposé des algorithmes de tri plus efficaces mais plus complexes tels que « Cube Sort » ou « Tim Sort », qui ont tous deux une complexité de N x log(N). Trier une liste de 100 éléments est une tâche simple pour les ordinateurs d'aujourd'hui, mais trier une liste d'un milliard d'enregistrements n'est peut-être pas aussi simple. Par conséquent, la complexité temporelle (ou le nombre d’étapes d’un algorithme par rapport à la taille du problème d’entrée) est très importante.

Pour résoudre le problème plus rapidement, vous pouvez utiliser un ordinateur plus rapide ou trouver un algorithme plus efficace qui nécessite moins d'opérations, ce qui prend moins de temps. de complexité. Cependant, il est clair que pour des problèmes de complexité exponentielle (par exemple N 2 ou 2 N), les mathématiques jouent contre vous, et pour des problèmes de plus grande taille, il n'est pas pratique d'utiliser simplement un ordinateur plus rapide. Et c’est précisément le cas dans le domaine de l’intelligence artificielle.

L'intelligence artificielle est un problème très complexe à résoudre

Tout d'abord, nous examinerons la complexité informatique des réseaux de neurones artificiels utilisés dans les systèmes d'intelligence artificielle (IA) d'aujourd'hui. Ces modèles mathématiques s'inspirent des réseaux de neurones biologiques qui composent le cerveau des animaux. Ils « apprennent » à reconnaître ou à classer les données d'entrée en voyant de nombreux exemples. Ce sont des ensembles de nœuds ou de neurones interconnectés, combinés à une fonction d'activation qui détermine la sortie en fonction des données présentées dans une « couche d'entrée » et des poids dans les interconnexions.

Afin d'ajuster les poids dans les interconnexions pour que la "sortie" soit utile ou correcte, la sortie peut être faite en l'exposant à plusieurs exemples de données et « rétropropager » leurs pertes pour « entraîner » le réseau.

Pour un réseau de neurones avec N entrées et M couches cachées, où la i-ième couche cachée contient m i neurones cachés et k neurones de sortie, l'algorithme d'ajustement des poids de tous les neurones (appelé Pour le dos algorithme de propagation) aura la complexité temporelle de : Les humains écrivent de la prose brute avec une fluidité considérable, avec 175 milliards de paramètres (ou neurones). Avec des milliards de M, ce modèle d’IA prend actuellement des mois à s’entraîner, même en utilisant de puissants serveurs dans de grands centres de données cloud. De plus, la taille des modèles d’IA continuera de croître, de sorte que la situation empirera avec le temps.

L'informatique quantique à la rescousse ?

Les ordinateurs quantiques sont des machines qui utilisent les propriétés de la physique quantique, notamment la superposition et l'intrication, pour stocker des données et effectuer des calculs. On s’attend à ce qu’ils effectuent des milliards d’opérations simultanément, offrant ainsi une accélération très substantielle pour résoudre des problèmes très complexes, notamment l’intelligence artificielle.

Les ordinateurs classiques transmettent les informations en bits (abréviation de « chiffres binaires »), tandis que les ordinateurs quantiques utilisent des qubits (abréviation de « qubits »). Comme les bits classiques, les qubits doivent finalement transmettre une information sous la forme d'un 1 ou d'un 0, mais la particularité est qu'ils peuvent représenter à la fois un 1 et un 0. On dit qu'un qubit a une distribution de probabilité telle qu'il a 70 % de chances d'être un 1 et 30 % de chances d'être un 0. C’est ce qui rend les ordinateurs quantiques si spéciaux.

Les ordinateurs quantiques profitent de deux propriétés fondamentales de la mécanique quantique : la superposition et l'intrication.

Quand un qubit est à la fois 1 et 0, on dit qu'il est dans un état de superposition. La superposition est un terme général désignant les conditions dans lesquelles un système se trouve simultanément dans plusieurs états et où un seul état est supposé au moment de la mesure. Si nous supposons qu’une pièce est un objet quantique, alors lorsque la pièce est lancée, une superposition en résulte : la pièce n’a qu’une probabilité de face ou de face. Une fois que la pièce touche le sol et que nous la mesurons, nous savons si la pièce est face ou face. De même, ce n’est que lorsque nous mesurons le spin de l’électron (semblable à une pièce de monnaie tombant au sol) que nous savons dans quel état se trouve l’électron et s’il est 1 ou 0.

Les particules quantiques en superposition ne sont utiles que lorsque nous avons plusieurs particules. Cela nous amène au deuxième principe fondamental de la mécanique quantique : l’intrication. Deux (ou plusieurs) particules intriquées ne peuvent être décrites individuellement, leurs propriétés dépendent complètement les unes des autres. Ainsi, les qubits intriqués peuvent s’influencer mutuellement. La distribution de probabilité d'un qubit (un ou zéro) dépend de la distribution de probabilité de tous les autres qubits du système.

Pour cette raison, chaque nouveau qubit ajouté au système double le nombre d'états que l'ordinateur peut analyser. Cette augmentation exponentielle de la puissance informatique contraste avec l’informatique classique, qui évolue uniquement de manière linéaire à chaque nouveau bit.

Théoriquement, les qubits intriqués peuvent effectuer des milliards d'opérations simultanément. Il est clair que cette capacité fournira une accélération significative pour tout algorithme dont la complexité est comprise entre N2, 2N ou N.

Préparez-vous à l'intelligence artificielle quantique

En raison du vaste potentiel de l'informatique quantique, tandis que les équipes matérielles continuent de travailler pour faire de ces systèmes une réalité (le plus grand à ce jour est le système Eagle 127-Qubit d'IBM), les chercheurs en logiciels New les algorithmes capables de tirer parti de cette capacité de « calcul simultané » font déjà l'objet de recherches dans des domaines tels que la cryptographie, la chimie, la science des matériaux, l'optimisation des systèmes et l'apprentissage automatique/l'intelligence artificielle. On pense que l'algorithme quantique factorisé de Shor fournira des accélérations exponentielles par rapport aux ordinateurs classiques, ce qui présente un risque pour les algorithmes cryptographiques actuels.

Plus intéressant encore, on pense que l'algèbre linéaire quantique fournira une accélération polynomiale, ce qui améliorera considérablement les performances de nos réseaux de neurones artificiels. Google a lancé TensorFlow Quantum, un cadre logiciel pour l'apprentissage automatique quantique qui permet le prototypage rapide de modèles hybrides d'apprentissage automatique quantique-classique. Egalement leader de l'informatique quantique, IBM a récemment annoncé avoir découvert une « preuve mathématique » de la supériorité quantique pour l'apprentissage automatique quantique. Cependant, alors que des entreprises comme IBM et Google sont intégrées verticalement (et développent ainsi simultanément des systèmes matériels et des algorithmes logiciels), il y a aussi un tas de startups de logiciels quantiques très intéressantes, dont Zapata, Riverlane, 1Qbit et, dans une certaine mesure, Quantinuum (qui n'est plus une pure société de logiciels depuis que Cambridge Quantum Computing a fusionné avec Honeywell et a changé de nom), juste pour donner un quelques exemples.

À mesure que le matériel quantique devient plus puissant et que les algorithmes d'apprentissage automatique quantique sont affinés, l'informatique quantique est susceptible de conquérir une part importante du marché des puces d'IA.

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!