سخت‌افزار کوانتومی ممکن است گزینه مناسبی برای هوش مصنوعی باشد
تاریخ انتشار:
نگرانی‌ها درباره مصرف انرژی هوش مصنوعی
نگرانی‌ها درباره مصرف انرژی هوش مصنوعی باعث شده است که بسیاری به دنبال راه‌هایی برای کاهش نیازهای انرژی آن باشند. بسیاری از این تلاش‌ها بر روی رویکردهای سخت‌افزاری و نرم‌افزاری متمرکز شده‌اند که به طور مستقیم از فناوری‌های موجود نشأت می‌گیرند. اما چند فناوری وجود دارند که به مراتب فراتر از این رویکردها هستند. یکی از این فناوری‌ها، محاسبات کوانتومی است.
محاسبات کوانتومی و هوش مصنوعی
از برخی جهات، سخت‌افزار کوانتومی با برخی از ریاضیات که پایه‌گذار هوش مصنوعی است، بهتر از سخت‌افزارهای سنتی مطابقت دارد. در حالی که سخت‌افزار کوانتومی فعلی کمی بیش از حد مستعد خطا برای مدل‌های پیچیده هوش مصنوعی است که در حال حاضر استفاده می‌شوند، محققان در حال شروع به قرار دادن اجزا برای اجرای مدل‌های هوش مصنوعی هستند، زمانی که سخت‌افزار آماده باشد. این هفته، چندین علاقه‌مندی تجاری پیش‌نویس مقاله‌ای را منتشر کردند که توضیح می‌دهد چگونه داده‌های تصویری کلاسیک را به یک پردازنده کوانتومی (در واقع، دو پردازنده متفاوت) منتقل کرده و یک طبقه‌بندی تصویر هوش مصنوعی پایه را انجام دهند.
یادگیری ماشین به دنیای کوانتوم می‌رود
همان‌طور که تکنیک‌های مختلف یادگیری ماشین تحت چتر هوش مصنوعی قرار دارند، راه‌های زیادی نیز برای استفاده از محاسبات کوانتومی به منظور انجام برخی جنبه‌های الگوریتم‌های هوش مصنوعی وجود دارد. برخی از این موارد صرفاً مسائل ریاضی هستند؛ برخی از اشکال یادگیری ماشین به عنوان مثال، به عملیات ماتریسی زیادی نیاز دارند که می‌توانند به‌طور مؤثری بر روی سخت‌افزار کوانتومی انجام شوند. (در اینجا یک مرور خوب از تمام روش‌هایی که سخت‌افزار کوانتومی می‌تواند به یادگیری ماشین کمک کند، وجود دارد.)
اما همچنین راه‌هایی وجود دارد که سخت‌افزار کوانتومی می‌تواند با هوش مصنوعی مطابقت داشته باشد. یکی از چالش‌های اجرای هوش مصنوعی بر روی سخت‌افزارهای محاسباتی سنتی این است که پردازش و حافظه جدا هستند. برای اجرای چیزی مانند یک شبکه عصبی، نیاز به سفرهای مکرر به حافظه برای بررسی اینکه کدام سیگنال‌های مقصد از یک نورون مصنوعی باید ارسال شوند و چه وزنی باید به هر سیگنال اختصاص یابد، وجود دارد. این موضوع یک گلوگاه عمده ایجاد می‌کند.
کامپیوترهای کوانتومی این نوع جدایی را ندارند. در حالی که ممکن است شامل برخی حافظه‌های کوانتومی باشند، داده‌ها به‌طور کلی مستقیماً در کیوبیت‌ها قرار دارند، در حالی که محاسبات شامل انجام عملیات، به نام دروازه‌ها، به‌طور مستقیم بر روی خود کیوبیت‌ها است. در واقع، یک نمایش نشان داده است که برای یادگیری ماشین تحت نظارت، جایی که یک سیستم می‌تواند پس از آموزش بر روی داده‌های پیش‌طبقه‌بندی شده، اقلام را طبقه‌بندی کند، یک سیستم کوانتومی می‌تواند از سیستم‌های کلاسیک بهتر عمل کند، حتی زمانی که داده‌های پردازش شده بر روی سخت‌افزار کلاسیک قرار دارند.
مدل‌های یادگیری ماشین و مدارهای کوانتومی
این نوع یادگیری ماشین به آنچه که مدارهای کوانتومی متغیر نامیده می‌شود، وابسته است. این یک عملیات دروازه دو کیوبیتی است که یک عامل اضافی را می‌گیرد که می‌تواند در سمت کلاسیک سخت‌افزار نگهداری شود و به کیوبیت‌ها از طریق سیگنال‌های کنترلی که عملیات دروازه را فعال می‌کنند، منتقل شود. می‌توانید این را به عنوان معادل ارتباطات موجود در یک شبکه عصبی تصور کنید، با عملیات دروازه دو کیوبیتی معادل با انتقال اطلاعات بین دو نورون مصنوعی و عامل معادل با وزنی که به سیگنال داده می‌شود.
این دقیقاً سیستمی است که تیمی از مؤسسه تحقیقاتی هوندا در همکاری با یک شرکت نرم‌افزاری کوانتومی به نام بلو کیوبیت بر روی آن کار کرده است.
انتقال پیکسل‌ها به کیوبیت‌ها
تمرکز کار جدید عمدتاً بر این بود که چگونه داده‌ها را از دنیای کلاسیک به سیستم کوانتومی برای شناسایی منتقل کنیم. اما محققان در نهایت نتایج را بر روی دو پردازنده کوانتومی مختلف آزمایش کردند.
مسئله‌ای که آن‌ها آزمایش می‌کردند، یکی از طبقه‌بندی تصاویر بود. ماده خام از مجموعه داده‌های صحنه‌های هوندا بود که تصاویری از حدود 80 ساعت رانندگی در شمال کالیفرنیا گرفته شده است؛ این تصاویر با اطلاعاتی درباره آنچه در صحنه وجود دارد، برچسب‌گذاری شده‌اند. و سوالی که محققان می‌خواستند یادگیری ماشین به آن پاسخ دهد، یک سوال ساده بود: آیا در صحنه برف می‌بارد؟
تمام تصاویر به‌طور طبیعی بر روی سخت‌افزار کلاسیک قرار داشتند. برای طبقه‌بندی یک تصویر بر روی سخت‌افزار کوانتومی، باید به اطلاعات کوانتومی تبدیل می‌شد. تیم سه روش مختلف برای کدگذاری داده‌ها را آزمایش کرد که از نظر نحوه تقسیم پیکسل‌های تصاویر و تعداد کیوبیت‌هایی که برش‌های حاصل به آن‌ها ارسال می‌شد، متفاوت بودند. محققان از یک شبیه‌ساز کلاسیک یک پردازنده کوانتومی برای انجام مراحل آموزشی استفاده کردند که اعداد مناسب را شناسایی کرد—باز هم، به وزن‌های یک شبکه عصبی فکر کنید—که باید در طول عملیات دروازه دو کیوبیتی استفاده شوند.
سپس آن‌ها سخت‌افزار را بر روی دو پردازنده کوانتومی مختلف اجرا کردند. یکی از آن‌ها از IBM است و دارای تعداد زیادی کیوبیت (156) است، اما نرخ خطای کمی بالاتر در حین عملیات دروازه دارد. دومی از Quantinuum است و به خاطر داشتن نرخ خطای بسیار پایین در حین عملیات قابل توجه است، اما تنها 56 کیوبیت دارد. به‌طور کلی، دقت طبقه‌بندی به‌طور کلی با استفاده از کیوبیت‌های بیشتر یا با اجرای بیشتر دروازه‌ها افزایش یافت.
به‌طور کلی، با این حال، سیستم کار کرد؛ دقت‌ها به‌طور قابل توجهی بالاتر از آنچه که از شانس تصادفی انتظار می‌رفت، بودند. در عین حال، به‌طور کلی کمتر از آنچه که از یک الگوریتم استاندارد اجرا شده بر روی سخت‌افزار معمولی به دست می‌آید، بودند. ما هنوز به نقطه‌ای نرسیده‌ایم که سخت‌افزار موجود هم دارای کیوبیت‌های کافی و هم نرخ خطای کافی پایین برای رقابت با سخت‌افزار کلاسیک باشد. با این حال، این کار به وضوح نشان داد که سخت‌افزار کوانتومی واقعی قادر به اجرای انواع الگوریتم‌های هوش مصنوعی است که مردم انتظار داشتند. اما مانند سایرین، افرادی که امیدوارند مشکلات مفیدی را حل کنند، باید منتظر بهبودهای بیشتر در سمت سخت‌افزار باشند.