Ίσως τελικά να γνωρίζουμε πώς να χρησιμοποιήσουμε τους κβαντικούς υπολογιστές για να ενισχύσουμε την τεχνητή νοημοσύνη. Οι κβαντικοί υπολογιστές ενδέχεται στο μέλλον να μπορούν να διαχειρίζονται εφαρμογές AI που σήμερα απαιτούν τεράστια υπολογιστική ισχύ από συμβατικά συστήματα, κάτι που θα μπορούσε να αποτελέσει σημαντική ώθηση για τη μηχανική μάθηση και παρόμοιους αλγορίθμους.
Οι κβαντικοί υπολογιστές υπόσχονται εδώ και χρόνια ότι θα μπορούν να εκτελούν υπολογισμούς αδύνατους για τους συμβατικούς υπολογιστές. Ωστόσο, παρέμενε ανοιχτό το ερώτημα αν αυτά τα πλεονεκτήματα μπορούν να εφαρμοστούν και σε εργασίες που βασίζονται σε μεγάλα σύνολα δεδομένων, όπως η μηχανική μάθηση που βρίσκεται στον πυρήνα πολλών εφαρμογών τεχνητής νοημοσύνης.
Ο Hsin-Yuan Huang από την εταιρεία κβαντικών υπολογιστών Oratomic και η ερευνητική του ομάδα υποστηρίζουν πλέον ότι η απάντηση είναι θετική. Μέσα από μαθηματική ανάλυση, επιχειρούν να θέσουν τα θεμέλια για ένα μέλλον όπου οι κβαντικοί υπολογιστές θα ενισχύουν σε ευρεία κλίμακα την τεχνητή νοημοσύνη.
«Η μηχανική μάθηση χρησιμοποιείται παντού, στην επιστήμη, την τεχνολογία και την καθημερινότητα. Σε έναν κόσμο όπου μπορούμε να κατασκευάσουμε αυτή την κβαντική αρχιτεκτονική, μπορεί να εφαρμοστεί οπουδήποτε υπάρχουν τεράστια σύνολα δεδομένων», σημειώνει.
Η μελέτη επικεντρώνεται σε ένα κρίσιμο πρόβλημα: πώς δεδομένα που παράγονται στον μη κβαντικό κόσμο, όπως κριτικές εστιατορίων ή αποτελέσματα αλληλούχισης RNA, μπορούν να εισαχθούν σε έναν κβαντικό υπολογιστή με τρόπο που να αξιοποιεί τα κβαντικά του πλεονεκτήματα για πιο αποδοτική επεξεργασία και μάθηση.
Η διαδικασία αυτή απαιτεί τη μετατροπή των δεδομένων σε «κατάσταση υπέρθεσης», μια μαθηματική δομή που δεν μπορεί να δημιουργηθεί σε συμβατικά συστήματα. Μέχρι σήμερα, οι ερευνητές θεωρούσαν ότι κάτι τέτοιο δεν είναι πρακτικά εφικτό, καθώς θα απαιτούσε την αποθήκευση όλων των δεδομένων σε εξειδικευμένες μνήμες πριν από την επεξεργασία. Αυτές όμως οι μνήμες θα έπρεπε να έχουν τεράστιο μέγεθος, κάτι που καθιστούσε την ιδέα μη ρεαλιστική, όπως εξηγεί ο Haimeng Zhao από το California Institute of Technology.
Η ομάδα του Huang ακολούθησε διαφορετική προσέγγιση, παρακάμπτοντας την ανάγκη για τέτοιες μνήμες. Τα δεδομένα εισάγονται στον κβαντικό υπολογιστή σταδιακά, σε μικρά τμήματα, χωρίς να απαιτείται πλήρης αποθήκευση από την αρχή μια διαδικασία που μοιάζει περισσότερο με streaming παρά με πλήρη λήψη αρχείων.
Τα αποτελέσματα δείχνουν ότι η μέθοδος όχι μόνο λειτουργεί, αλλά επιτρέπει την επεξεργασία μεγαλύτερων όγκων δεδομένων με σημαντικά μικρότερο κόστος μνήμης σε σύγκριση με οποιονδήποτε συμβατικό υπολογιστή.
Το πλεονέκτημα αυτό είναι τόσο μεγάλο, που σύμφωνα με τον Zhao, ένας κβαντικός υπολογιστής με περίπου 300 «λογικά qubits» θα μπορούσε να ξεπεράσει έναν κλασικό υπολογιστή που θα χρησιμοποιούσε κάθε άτομο στο παρατηρήσιμο σύμπαν.
Αν και η κατασκευή ενός τέτοιου συστήματος απέχει ακόμη αρκετά χρόνια, ο Huang εκτιμά ότι ένας κβαντικός υπολογιστής με 60 λογικά qubits θα μπορούσε να είναι εφικτός μέχρι το τέλος της δεκαετίας. Ακόμη και σε αυτό το επίπεδο, η ανάλυση δείχνει ότι θα υπάρχει ήδη σαφές πλεονέκτημα έναντι των συμβατικών υπολογιστών σε συγκεκριμένες εφαρμογές που σχετίζονται με μεγάλα δεδομένα και τεχνητή νοημοσύνη.
«Ο κβαντικός υπολογιστής είναι μια εξαιρετικά ισχυρή μηχανή, αλλά πρέπει πρώτα να τον “ταΐσεις”. Η μελέτη δείχνει ότι αρκεί να εισάγεις τα δεδομένα σταδιακά, χωρίς να υπερφορτώνεις το σύστημα», σχολιάζει ο Adrián Pérez-Salinas από το ETH Zurich.
Παρά τα εντυπωσιακά ευρήματα, παραμένουν σημαντικά ερωτήματα σχετικά με την εφαρμογή της μεθόδου σε πραγματικές συνθήκες και δεδομένα. Στο παρελθόν, πολλοί αλγόριθμοι κβαντικής μηχανικής μάθησης αποδείχθηκαν ότι μπορούν να «αποκβαντοποιηθούν», δηλαδή να προσαρμοστούν ώστε να λειτουργούν χωρίς κβαντικό υλικό, διατηρώντας την απόδοσή τους. Έτσι, παραμένει κρίσιμο να αξιολογηθεί κατά πόσο η κβαντική φύση είναι ουσιαστική και στη νέα αυτή προσέγγιση.
Ο Vedran Dunjko από το Πανεπιστήμιο του Leiden εκτιμά ότι η νέα μέθοδος θα μπορούσε να αποδειχθεί ιδιαίτερα χρήσιμη σε μεγάλα επιστημονικά πειράματα, όπως στον Μεγάλο Επιταχυντή Αδρονίων, όπου παράγονται συνεχώς τεράστιες ποσότητες δεδομένων, μεγάλο μέρος των οποίων σήμερα απορρίπτεται λόγω περιορισμών στη μνήμη.
Ωστόσο, σημειώνει ότι μόνο ορισμένες εφαρμογές τεχνητής νοημοσύνης και επεξεργασίας δεδομένων θα είναι κατάλληλες για κβαντικούς υπολογιστές αντί για παραδοσιακά data centres με συμβατικούς servers. «Δεν πρόκειται για την πλειονότητα των εφαρμογών που σήμερα καταναλώνουν ενέργεια μέσω GPUs, αλλά μπορεί να είναι εξίσου σημαντικές», τονίζει.
Οι ερευνητές συνεχίζουν την προσπάθεια, εξετάζοντας τρόπους επέκτασης της μεθόδου σε περισσότερους αλγορίθμους και αναπτύσσοντας νέες αρχιτεκτονικές κβαντικών υπολογιστών που θα επιτρέπουν όχι μόνο αποδοτική χρήση μνήμης αλλά και πρακτικούς χρόνους επεξεργασίας.
Με πληροφορίες από το New Scientist / Arxiv
