Apakah hubungan antara pengkomputeran kuantum dan kecerdasan buatan?

Selepas beberapa dekad penyelidikan, kecerdasan buatan (AI) menjadi salah satu trend industri utama. Daripada perbualan dengan Alexa dan Siri, kepada kereta pandu sendiri Waymo dan Tesla, prosa penulisan GPT-3 OpenAI seperti manusia, dan AlphaZero DeepMind mengalahkan grandmaster Go manusia, kecerdasan buatan kini sudah cukup matang. Menyelesaikan masalah kehidupan sebenar, selalunya lebih cepat dan lebih baik daripada manusia.

Di tempat lain dalam industri teknologi, sesetengah orang berwawasan sedang berusaha keras untuk membangunkan komputer kuantum, yang cuba mengeksploitasi sifat fizik kuantum untuk melakukan pengiraan lebih pantas daripada komputer hari ini.

Pada ketika ini, ramai yang mungkin tertanya-tanya: apakah sebenarnya kaitan pengkomputeran kuantum dengan kecerdasan buatan

Kerumitan algoritma ialah musuh tersembunyi

Kerumitan algoritma agak A? konsep matematik yang tidak jelas yang menghubungkan kerja yang dilakukan oleh penyelidik AI dan perintis pengkomputeran kuantum.

Teori kerumitan pengiraan ialah bidang yang merangkumi matematik dan sains komputer yang memfokuskan pada mengklasifikasikan masalah pengiraan berdasarkan penggunaan sumber, seperti ruang (memori) dan masa. Pada asasnya, masalah pengiraan ialah tugas yang boleh diselesaikan secara mekanikal oleh komputer, mengikut langkah matematik yang ditakrifkan dalam algoritma.

Sebagai contoh, pertimbangkan masalah mengisih nombor dalam senarai. Satu algoritma yang mungkin, dipanggil "isihan pilihan", terdiri daripada mencari berulang kali elemen terkecil (dalam susunan menaik) daripada bahagian senarai yang tidak diisih (pada mulanya semua) dan meletakkannya pada permulaan. Algoritma dengan berkesan mengekalkan dua subsenarai senarai asal semasa ia berjalan: bahagian yang telah diisih dan bahagian yang tidak diisih yang tinggal. Selepas proses ini melalui beberapa kali, hasilnya ialah senarai yang diisih dari terkecil hingga terbesar. Dari segi kerumitan masa, ini diwakili oleh kerumitan N 2, di mana N mewakili saiz atau bilangan elemen dalam senarai. Ahli matematik telah mencadangkan algoritma pengisihan yang lebih cekap tetapi lebih kompleks seperti "Isih Kubus" atau "Isih Tim", yang kedua-duanya mempunyai kerumitan N x log(N). Menyusun senarai 100 elemen adalah tugas yang mudah untuk komputer hari ini, tetapi menyusun senarai satu bilion rekod mungkin tidak semudah itu. Oleh itu, kerumitan masa (atau bilangan langkah dalam algoritma berbanding saiz masalah input) adalah sangat penting.

Untuk menyelesaikan masalah dengan lebih pantas, anda boleh menggunakan komputer yang lebih pantas atau mencari algoritma yang lebih cekap yang memerlukan operasi yang lebih sedikit, iaitu kerumitan masa yang lebih rendah. Walau bagaimanapun, adalah jelas bahawa untuk masalah kerumitan eksponen (cth. N 2 atau 2 N) matematik berfungsi melawan anda, dan untuk saiz masalah yang lebih besar hanya menggunakan komputer yang lebih pantas adalah tidak praktikal. Dan ini adalah tepat dalam bidang kecerdasan buatan.

Kecerdasan buatan ialah masalah yang sangat kompleks untuk diselesaikan

Pertama, kita akan melihat kerumitan pengiraan rangkaian saraf tiruan yang digunakan dalam sistem kecerdasan buatan (AI) hari ini. Model matematik ini diilhamkan oleh rangkaian saraf biologi yang membentuk otak haiwan. Mereka "belajar" untuk mengenali atau mengklasifikasikan data input dengan melihat banyak contoh. Ia adalah koleksi nod atau neuron yang saling berkaitan, digabungkan dengan fungsi pengaktifan yang menentukan output berdasarkan data yang dibentangkan dalam "lapisan input" dan pemberat dalam interkoneksi.

Untuk melaraskan pemberat dalam interkoneksi supaya "output" berguna atau betul, ia boleh "dilatih" dengan mendedahkannya kepada banyak contoh data dan " backpropagating" rangkaian kehilangan output.

Untuk rangkaian saraf dengan input N dan lapisan tersembunyi M, di mana lapisan tersembunyi ke-i mengandungi neuron tersembunyi dan k neuron keluaran, algoritma untuk melaraskan berat semua neuron (dipanggil algoritma perambatan songsang) akan mempunyai kerumitan masa: Prosa, dengan 175 bilion parameter (atau neuron). Dengan berbilion M, model AI ini pada masa ini mengambil masa berbulan-bulan untuk dilatih, malah menggunakan komputer pelayan yang berkuasa di pusat data awan yang besar. Selain itu, model AI akan terus berkembang dari segi saiz, jadi keadaan akan menjadi lebih buruk dari semasa ke semasa.

Pengkomputeran kuantum untuk menyelamatkan?

Komputer kuantum ialah mesin yang menggunakan sifat fizik kuantum, khususnya superposisi dan belitan, untuk menyimpan data dan melakukan pengiraan. Mereka dijangka melakukan berbilion-bilion operasi secara serentak, memberikan kelajuan yang sangat besar untuk masalah yang sangat kompleks, termasuk kecerdasan buatan.

Komputer klasik menghantar maklumat dalam bit (singkatan untuk "digit binari"), manakala komputer kuantum menggunakan qubit (singkatan untuk "qubits"). Seperti bit klasik, qubit mesti menghantar maklumat dalam bentuk sama ada 1 atau 0, tetapi apa yang istimewa ialah ia boleh mewakili kedua-dua 1 dan 0 pada masa yang sama. Qubit dikatakan mempunyai taburan kebarangkalian sehingga ia mempunyai peluang 70% untuk menjadi 1 dan peluang 30% untuk menjadi 0. Inilah yang menjadikan komputer kuantum begitu istimewa.

Komputer kuantum memanfaatkan dua sifat asas dalam mekanik kuantum: superposisi dan kekusutan.

Apabila qubit ialah 1 dan 0 pada masa yang sama, ia dikatakan berada dalam keadaan superposisi. Superposisi ialah istilah umum untuk keadaan apabila sistem berada dalam berbilang keadaan secara serentak dan hanya satu keadaan diandaikan pada masa pengukuran. Jika kita mengandaikan bahawa syiling ialah objek kuantum, maka apabila syiling dibalikkan, superposisi terhasil: syiling hanya mempunyai kebarangkalian kepala atau ekor. Sebaik sahaja syiling mencecah tanah dan kami mengukurnya, kami tahu sama ada syiling itu adalah kepala atau ekor. Begitu juga, hanya apabila kita mengukur putaran elektron (serupa dengan syiling yang jatuh ke tanah) barulah kita tahu keadaan elektron itu dan sama ada ia adalah 1 atau 0.

Superposisi zarah kuantum hanya berguna jika kita mempunyai berbilang zarah. Ini membawa kita kepada prinsip asas kedua mekanik kuantum: keterikatan. Dua (atau lebih) zarah terikat tidak boleh diterangkan secara individu; sifatnya bergantung sepenuhnya antara satu sama lain. Oleh itu, qubit yang terjerat boleh mempengaruhi satu sama lain. Taburan kebarangkalian satu qubit (satu atau sifar) bergantung pada taburan kebarangkalian semua qubit lain dalam sistem.

Disebabkan ini, setiap qubit baharu yang ditambahkan pada sistem menggandakan bilangan keadaan yang boleh dianalisis oleh komputer. Peningkatan eksponen dalam kuasa komputer ini berbeza dengan pengkomputeran klasik, yang berskala hanya secara linear dengan setiap bit baharu.

Secara teorinya, qubit terjerat boleh melakukan berbilion-bilion operasi secara serentak. Jelas sekali bahawa keupayaan ini akan memberikan pecutan yang ketara untuk sebarang algoritma dengan kerumitan dalam julat N2, 2N, atau N.

Bersedia untuk kecerdasan buatan dipacu kuantum

Disebabkan potensi besar pengkomputeran kuantum, sementara pasukan perkakasan terus berusaha untuk menjadikan sistem ini satu realiti (yang terbesar setakat ini ialah IBM 127- sistem Qubit Eagle), tetapi penyelidik perisian sedang mengusahakan algoritma baharu yang boleh memanfaatkan keupayaan "pengkomputeran serentak" ini, dalam bidang seperti kriptografi, kimia, sains bahan, pengoptimuman sistem dan pembelajaran mesin/kepintaran buatan. Adalah dipercayai bahawa algoritma kuantum berfaktor Shor akan memberikan percepatan eksponen berbanding komputer klasik, yang menimbulkan risiko kepada algoritma kriptografi semasa.

Paling menarik, adalah dipercayai bahawa algebra linear kuantum akan memberikan pecutan polinomial, yang akan meningkatkan prestasi rangkaian saraf tiruan kami. Google telah melancarkan TensorFlow Quantum, rangka kerja perisian untuk pembelajaran mesin kuantum yang membolehkan prototaip pantas model pembelajaran mesin kuantum klasik hibrid. Juga peneraju dalam pengkomputeran kuantum, IBM baru-baru ini mengumumkan bahawa ia telah menemui "bukti matematik" keunggulan kuantum untuk pembelajaran mesin kuantum Walau bagaimanapun, sementara syarikat seperti IBM dan Google disepadukan secara menegak (dan dengan itu membangunkan sistem perkakasan dan algoritma perisian secara serentak), tetapi. terdapat juga sekumpulan permulaan perisian kuantum yang sangat menarik, termasuk Zapata, Riverlane, 1Qbit, dan sedikit sebanyak, Quantinuum (yang bukan lagi syarikat perisian tulen sejak Cambridge Quantum Computing bergabung dengan Honeywell dan menukar namanya), hanya Untuk memberikan beberapa contoh.

Memandangkan perkakasan kuantum menjadi lebih berkuasa dan algoritma pembelajaran mesin kuantum diperhalusi, pengkomputeran kuantum berkemungkinan menguasai sebahagian besar pasaran cip AI.

Atas ialah kandungan terperinci Apakah hubungan antara pengkomputeran kuantum dan kecerdasan buatan?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!