Quantum AI ist noch Jahre von der Unternehmens-Primetime entfernt

Das Potenzial von Quantum Computing, KI zu revolutionieren, hängt vom Wachstum eines Entwickler-Ökosystems ab, in dem geeignete Tools, Fähigkeiten und Plattformen im Überfluss vorhanden sind. Um als bereit für die Unternehmensproduktion betrachtet zu werden, müsste die Quanten-KI-Industrie zumindest die folgenden wichtigen Meilensteine erreichen:

• Finden Sie eine überzeugende Anwendung, für die Quantencomputer einen klaren Vorteil gegenüber klassischen Ansätzen für den Aufbau und die Ausbildung von KI haben.
• Konvergieren Sie auf einem weit verbreiteten Open-Source-Framework für den Aufbau, die Ausbildung und den Einsatz von Quanten-KI.
• Bauen Sie ein umfangreiches, kompetentes Entwickler-Ökosystem von Quanten-KI-Anwendungen auf.

Diese Meilensteine sind alle noch mindestens ein paar Jahre in der Zukunft. Was folgt, ist eine Analyse der Reife der Quanten-KI-Industrie zur Zeit.

Fehlen einer überzeugenden KI-Anwendung, für die Quantencomputing einen klaren Vorteil hat

Quantum AI führt ML (Machine Learning), DL (Deep Learning) und andere datengesteuerte KI-Algorithmen recht gut aus.

Als Ansatz ist die Quanten-KI weit über die Proof-of-Concept-Phase hinausgegangen. Das ist jedoch nicht dasselbe wie die Behauptung, dass Quantenansätze klassischen Ansätzen für die Ausführung der Matrixoperationen überlegen sind, von denen die Inferencing- und Trainings-Workloads von KI abhängen.

 

Bei KI ist das entscheidende Kriterium, ob Quantenplattformen ML- und DL-Workloads schneller beschleunigen können als Computer, die vollständig auf klassischen von Neumann-Architekturen basieren. Bisher gibt es keine spezifische KI-Anwendung, die ein Quantencomputer besser als jede klassische Alternative ausführen kann. Damit wir Quanten-KI zu einer ausgereiften Unternehmenstechnologie erklären können, müsste es mindestens ein paar KI-Anwendungen geben, für die es einen klaren Vorteil bietet – Geschwindigkeit, Genauigkeit, Effizienz – gegenüber klassischen Ansätzen zur Verarbeitung dieser Workloads.

Dennoch haben Pioniere der Quanten-KI ihre funktionalen Verarbeitungsalgorithmen mit den mathematischen Eigenschaften von Quantencomputerarchitekturen ausgerichtet. Derzeit sind die wichtigsten algorithmischen Ansätze für Quanten-KI:

• Amplitudencodierung: Dadurch werden Quantenzustandsamplituden mit den Ein- und Ausgängen von Berechnungen verknüpft, die von ML- und DL-Algorithmen durchgeführt werden. Die Amplitudencodierung ermöglicht statistische Algorithmen, die eine exponentiell kompakte Darstellung komplexer multidimensionaler Variablen unterstützen. Es unterstützt Matrix-Inversionen, bei denen das Training statistischer ML-Modelle auf die Lösung linearer Gleichungssysteme reduziert wird, z. B. in linearen Regressionen mit den kleinsten Quadraten, der Version der Unterstützungsvektormaschinen mit den kleinsten Quadraten und gauschischen Prozessen. Oft muss der Entwickler ein Quantensystem in einem Zustand initialisieren, dessen Amplituden die Funktionen des gesamten Datensatzes widerspiegeln.
• Amplitudenverstärkung: Hiermit wird ein Algorithmus verwendet, der mit hoher Wahrscheinlichkeit die eindeutige Eingabe für eine Blackbox-Funktion findet, die einen bestimmten Ausgabewert erzeugt. Die Amplitudenverstärkung eignet sich für die ML-Algorithmen, die in eine unstrukturierte Suchaufgabe übersetzt werden können, z. B. k-Mediane und k-nächste Nachbarn. Es kann durch zufällige Walk-Algorithmen beschleunigt werden, bei denen Zufälligkeit von stochastischen Übergängen zwischen Zuständen kommt, wie in der Quantenüberlagerung von Zuständen und dem Zusammenbruch von Wellenfunktionen aufgrund von Zustandsmessungen.
• Quantenglühen: Dies bestimmt die lokalen Minima und Maxima einer maschinellen Lernfunktion über eine bestimmte Reihe von Kandidatenfunktionen. Es beginnt mit einer Überlagerung aller möglichen, gleich gewichteten Zustände eines Quanten-ML-Systems. Es wendet dann eine lineare, partielle Differentialgleichung an, um die Zeitentwicklung des quantenmechanischen Systems zu steuern. Es ergibt schließlich einen sofortigen Operator, den Hamiltonian, der der Summe der kinetischen Energien plus den potenziellen Energien entspricht, die mit dem Bodenzustand des Quantensystems verbunden sind.

Unter Verwendung dieser Techniken verwenden einige aktuelle KI-Implementierungen Quantenplattformen als Coprozessoren für ausgewählte Berechnungsworkloads, wie Autoencoder, GANs (generative kontradiktorische Netzwerke) und Verstärkungslernagenten.

Wenn Quanten-KI reift, sollten wir erwarten, dass diese und andere algorithmische Ansätze einen klaren Vorteil zeigen werden, wenn sie auf große KI-Herausforderungen angewendet werden, die komplexe probabilistische Berechnungen beinhalten, die über hochmultidimensionale Problemdomänen und multimodale Datensätze arbeiten. Beispiele für bisher unlösbare KI-Herausforderungen, die quantenverstärkten Ansätzen nachgeben können, sind neuromorphe kognitive Modelle, Argumentation unter Unsicherheit, Darstellung komplexer Systeme, kollaborative Problemlösung, adaptives maschinelles Lernenund Trainingsparallelisierung.

Aber selbst wenn sich Quantenbibliotheken, Plattformen und Tools für diese spezifischen Herausforderungen bewähren, werden sie sich immer noch auf klassische KI-Algorithmen und Funktionen in End-to-End-Pipelines für maschinelles Lernen verlassen.

Fehlen eines weit verbreiteten Rahmens für Open-Source-Modellierung und -Training

Damit Quanten-KI zu einer robusten Unternehmenstechnologie ausgereift ist, muss es einen dominanten Rahmen für die Entwicklung, Schulung und Bereitstellung dieser Anwendungen geben. Googles TensorFlow Quantum ist in dieser Hinsicht ein Quotenfavorit. TensorFlow Quantum wurde im vergangenen März angekündigt und ist ein neuer Reinen-Software-Stack, der die weit verbreitete TensorFlow Open Source-KI-Bibliothek und das Modellierungsframework erweitert.

TensorFlow Quantum unterstützt eine breite Palette von Quantencomputer-Plattformen in einem der dominanten Modellierungsframeworks, die von heutigen KI-Experten verwendet werden. Entwickelt von Googles X-F&E-Einheit, ermöglicht es Datenwissenschaftlern, Python-Code zu verwenden, um Quanten-ML- und DL-Modelle über Standard-Keras-Funktionen zu entwickeln. Es bietet auch eine Bibliothek von Quantenkreis-Simulatoren und Quantencomputer-Primitiven, die mit vorhandenen TensorFlow-APIs kompatibel sind.

Entwickler können TensorFlow Quantum für überwachtes Lernen in KI-Anwendungsfällen wie Quantenklassifizierung, Quantensteuerung und Quanten-Ungefähr-Optimierung verwenden. Sie können fortgeschrittene Quantenlernaufgaben wie Meta-Lernen, Hamilton’sche Lernen und Sampling thermischer Zustände ausführen. Sie können das Framework verwenden, um hybride Quanten-/Klassische Modelle zu trainieren, um sowohl die diskriminativen als auch die generativen Workloads im Herzen der GANs zu bewältigen, die in tiefen Fälschungen, 3D-Druck und anderen fortschrittlichen KI-Anwendungen verwendet werden.

sp; Gesponsert von HP

Cyberhoten ökar i sv’righetsgrad och frekvens. Är läget hopplöst?

In der Erkenntnis, dass Quantencomputer noch nicht ausgereift genug sind, um die gesamte Bandbreite der KI-Workloads mit ausreichender Genauigkeit zu verarbeiten, hat Google das Framework entwickelt, um die vielen KI-Anwendungsfälle mit einem Fuß in traditionellen Computerarchitekturen zu unterstützen. TensorFlow Quantum ermöglicht Entwicklern den schnellen Prototyp von ML- und DL-Modellen, die die Ausführung von Quanten- und klassischen Prozessoren parallel bei Lernaufgaben hybridisieren. Mit dem Tool können Entwickler sowohl klassische als auch Quanten-Datasets erstellen, wobei die klassischen Daten nativ von TensorFlow verarbeitet werden und die Quantenerweiterungen Quantendaten verarbeiten, die sowohl aus Quantenschaltkreisen als auch aus Quantenoperatoren bestehen.

Google hat TensorFlow Quantum entwickelt, um fortschrittliche Forschungen zu alternativen Quantencomputer-Architekturen und Algorithmen für die Verarbeitung von ML-Modellen zu unterstützen. Damit eignet sich das neue Angebot für Informatiker, die mit verschiedenen Quanten- und Hybridverarbeitungsarchitekturen experimentieren, die für ML-Workloads optimiert sind.

Zu diesem Zweck enthält TensorFlow Quantum Cirq, eine Open-Source-Python-Bibliothek zur Programmierung von Quantencomputern. Es unterstützt die programmgesteuerte Erstellung, Bearbeitung und Beschwörung der Quantentore, die die für die heutigen Quantensysteme charakteristischen “Noisy Intermediate Scale Quantum” (NISQ)-Schaltungen bilden. Cirq ermöglicht die Ausführung von vom Entwickler spezifizierten Quantenberechnungen in Simulationen oder auf realer Hardware. Dies geschieht durch Die Konvertierung von Quantenberechnungen in Tensors für die Verwendung in TensorFlow-Rechendiagrammen. Als integraler Bestandteil von TensorFlow Quantum ermöglicht Cirq quantenkreislaufsimulation und Batched Circuit Execution sowie die Abschätzung automatisierter Erwartungs- und Quantengradienten. Außerdem können Entwickler effiziente Compiler, Planer und andere Algorithmen für NISQ-Computer erstellen.

Neben der Bereitstellung eines vollständigen KI-Software-Stacks, in den die Quantenverarbeitung nun hybridisiert werden kann, möchte Google die Palette traditionellerer Chip-Architekturen erweitern, auf denen TensorFlow Quantum Quanten-ML simulieren kann. Google kündigte auch Pläne an, das Angebot an benutzerdefinierten Quantensimulations-Hardwareplattformen, die vom Tool unterstützt werden, um Grafikverarbeitungseinheiten verschiedener Hersteller sowie eigene Tensor Processing Unit AI-Beschleuniger-Hardwareplattformen zu erweitern.

Googles neueste Ankündigung landet in einem schnelllebigen, aber immer noch unreifen Quantum Computing-Marktplatz. Durch die Erweiterung des beliebtesten Open-Source-KI-Entwicklungsframeworks wird Google mit ziemlicher Sicherheit die Verwendung von TensorFlow Quantum in einer Vielzahl von KI-bezogenen Initiativen katalysieren.

TensorFlow Quantum kommt jedoch in einen Markt, der bereits über mehrere Open-Source-Quanten-AI-Entwicklungs- und Schulungstools verfügt. Im Gegensatz zu Googles Angebot sind diese konkurrierenden Quanten-KI-Tools Teil größerer Pakete von Entwicklungsumgebungen, Cloud-Diensten und Beratung für das Aufstehen vollständig funktionierender Anwendungen. Hier sind drei Full-Stack-Quanten-KI-Angebote:

• Azure Quantum, angekündigt im November 2019, ist ein Cloud-Dienst für Quantencomputer. Derzeit in privater Vorschau und für die allgemeine Verfügbarkeit später in diesem Jahr, Azure Quantum kommt mit einem Microsoft Open-Source-Quantum Development Kit für die von Microsoft entwickelte quantenorientierte Q-Sprache sowie Python, C und andere Sprachen. Das Kit enthält Bibliotheken für die Entwicklung von Quanten-Apps in ML, Kryptografie, Optimierung und anderen Domänen.
• Amazon Braket, das im Dezember 2019 angekündigt wurde und noch in der Vorschau ist, ist ein vollständig verwalteter AWS-Service. Es bietet eine einzige Entwicklungsumgebung, um Quantenalgorithmen, einschließlich ML, zu erstellen und sie auf simulierten hybriden Quanten-/klassischen Computern zu testen. Es ermöglicht Entwicklern, ML und andere Quantenprogramme auf einer Reihe von verschiedenen Hardware-Architekturen auszuführen. Entwickler entwickeln Quantenalgorithmen mit dem Amazon Braket-Entwickler-Toolkit und verwenden vertraute Tools wie Jupyter-Notebooks.
• IBM Quantum Experience ist eine kostenlose, öffentlich zugängliche, Cloud-basierte Umgebung für die Erforschung von Quantenanwendungen durch Teams. Es bietet Entwicklern Zugriff auf fortgeschrittene Quantencomputer zum Lernen, Entwickeln, Training und Ausführen von KI und anderen Quantenprogrammen. Es umfasst IBM Qiskit, ein Open-Source-Entwicklertool mit einer Bibliothek von domänenübergreifenden Quantenalgorithmen zum Experimentieren mit KI- und Simulations-, Optimierungs- und Finanzanwendungen für Quantencomputer.

Die Einführung von TensorFlow Quantum hängt davon ab, inwieweit diese und andere Quanten-KI-Vollstack-Anbieter sie in ihre Lösungsportfolios integrieren. Angesichts des Ausmaßes, in dem alle diese Cloud-Anbieter TensorFlow bereits in ihren jeweiligen KI-Stacks unterstützen, scheint dies wahrscheinlich.

TensorFlow Quantum wird nicht unbedingt das Quanten-AI-SDK-Feld für sich haben. Andere Open-Source-KI-Frameworks – vor allem die von Facebook entwickelte PyTorch – kämpfen mit TensorFlow um die Herzen und Köpfe arbeitender Datenwissenschaftler. Man geht davon aus, dass dieses konkurrierende Framework in den kommenden 12 bis 18 Monaten um Quanten-KI-Bibliotheken und -Tools erweitert wird.

Wir können einen Blick auf die aufstrebende Multitool-Quanten-KI-Industrie erhaschen, indem wir einen wegweisenden Anbieter in dieser Hinsicht in Betracht ziehen. Xanadu es PennyLane ist ein Open-Source-Entwicklungs- und Schulungsframework für KI, das über hybride Quanten-/klassische Plattformen ausgeführt wird.

PennyLane wurde im November 2018 ins Leben gerufen und ist eine plattformübergreifende Python-Bibliothek für Quanten-ML, automatische Differenzierung und Optimierung von hybriden quantenklassischen Computerplattformen. PennyLane ermöglicht das schnelle Prototyping und die Optimierung von Quantenschaltungen mit vorhandenen KI-Tools, einschließlich TensorFlow, PyTorch und NumPy. Es ist geräteunabhängig, so dass das gleiche Quantenkreismodell auf verschiedenen Software- und Hardware-Back-Ends ausgeführt werden kann, einschließlich Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDKund ProjectQ.

Fehlen eines substanziellen und kompetenten Entwickler-Ökosystems

Wenn Killer-Apps und Open-Source-Frameworks reifen, werden sie mit Sicherheit ein robustes Ökosystem qualifizierter Quanten-KI-Entwickler katalysieren, die innovative Arbeit leisten und diese Technologie in alltägliche Anwendungen treiben.

Zunehmend sehen wir das Wachstum eines Entwickler-Ökosystems für Quanten-KI. Jeder der wichtigsten Quanten-KI-Cloud-Anbieter (Google, Microsoft, Amazon Web Services und IBM) investiert stark in die Erweiterung der Entwickler-Community. Anbieterinitiativen in dieser Hinsicht umfassen Folgendes:

• Microsoft plant, sein QDK in Entwicklungstools und Visual Studio zu integrieren, damit diese zum Erstellen von Quantenprogrammen für Quantenhardwareplattformen von Honeywell, IonQ, QCI und anderen verwendet werden können, und auch um die Programmleistung auf diesen und anderen Plattformen zu simulieren.
• Das AWS-Angebot ermöglicht es Wissenschaftlern, Forschern und Entwicklern, mit Computern von Quantenhardware-Anbietern (einschließlich D-Wave, IonQ und Rigetti) an einem einzigen Ort zu experimentieren. Es ermöglicht Benutzern, zu erkunden, zu bewerten und mit qua zu experimentieren

ntum Computing-Hardware, um interne Erfahrung zu sammeln, wie sie für die Zukunft planen.

• IBM hat kürzlich die Erweiterung von Q Network, seinem drei Jahre alten Quantenentwickler-Ökosystem, angekündigt, unter dem mehr als 200.000 Benutzer hunderte Milliarden von Exekutionen auf IBMs Quantensystemen und -simulatoren über IBM Quantum Experience ausführen. Die Teilnehmer des Netzwerks haben Zugang zu Qiskit, zu IBMs Quanten-Know-how und -Ressourcen und zu Cloud-basiertem Zugriff auf das IBM Quantum Computation Center. Viele der Workloads, die ausgeführt werden, umfassen KI sowie Echtzeitsimulationen von Quantencomputerarchitekturen.

Darüber hinaus verfügen Anbieter von Unternehmen wie D-Wave, Baidu, AmberFlux, CogniFrameund Honeywell in der Regel über Beratungsangebote, die auf den Aufbau des Entwicklungsökosystems von Partnern und Kunden ausgerichtet sind.

Bei der Entwicklung eines werkzeug- und plattformagnostischen Quanten-KI-Entwickler-Ökosystems ist Creative Destruction Lab ein wichtiger Katalysator. Sein Quantum Incubator Stream bringt Unternehmer, Investoren, Wissenschaftler in Quantentechnologien und Quantenhardware-Anbieter zusammen, um Ventures in der im Entstehen begriffenen Domäne Quantencomputer, ML, Optimierung, Sensorik und anderen Anwendungen von Quantentechnologien zu entwickeln. Es bietet Quantencomputer-Ressourcen von D-Wave Systems (Zugriff auf die neuesten D-Wave-System- und Softwarebibliotheken), IBM (Zugriff und praktische technische Unterstützung für die öffentlichen IBM Q Experience-Systeme und Qiskit-Tools), Rigetti (Rigetti Forest-Programmierumgebung, mit Zugriff auf cloudverbundene supraleitende Quantenprozessoren und Quantum Virtual Machine) und Xanadu (Strawberry Fields, eine Open-Source-Bibliothek für photonisches Quantencomputing, mit einer Suite von Simulatoren für die Ausführung auf CPU/GPU und Zugriff auf Xanadus cloudbasierte Quantenphotonikchips).

Empfehlungen

Der Quanten-KI-Markt ist nach wie vor weit von der Bereitstellung zur Prime Time des Unternehmens entfernt, aber er hat begonnen, diese Reifekurve zu erreichen.

Zumindest muss die Quanten-KI-Industrie die oben genannten Meilensteine erreichen, um als voll ausgereift zu gelten: eine konsensüberzeugende App, eine weit verbreitete Open-Source-Entwicklungsumgebung und ein breites Entwicklungsökosystem. Diese Reife-Meilensteine wurden bereits durch führende KI-Tools erreicht, die Modellierung und Schulung auf rein klassischen Computerarchitekturen unterstützen. Wir gehen davon aus, dass der Markt für hybride Quanten-/klassische KI in den nächsten drei bis fünf Jahren bis zu diesem Punkt reifen wird.

Die Unreife des Quanten-KI-Marktes sollte Datenwissenschaftler und andere Entwickler nicht davon abhalten, die Technologie heute für Proofs of Concept, Pilotprojekte und sogar einige Produktionsbereitstellungen zu erforschen. In diesem Zusammenhang geben wir die folgenden strategischen Empfehlungen.

Um der Quanten-KI voraus zu sein, sollten Anwendungsentwickler und Datenwissenschaftler Lösungen übernehmen, die hybride Quanten-/klassische Computerplattformen nutzen. Sie sollten Quantenplattformen als Coprozessoren bereitstellen, die nicht als direkter Ersatz für die Verarbeitung bestimmter KI-Workloads wie Autoencoder, GANs und Verstärkungslernagenten verwendet werden. Darüber hinaus sollten sie Investitionen in quantenverbesserte KI-Tools mit älteren KI-Modellierungs- und Schulungsplattformen integrieren. Sie sollten auch Quanten-KI-Tools auf neuromorphe kognitive Modelle, adaptives maschinelles Lernen, Trainingsparallelisierung und andere fortgeschrittene Projekte anwenden, um Workloads zu identifizieren, bei denen diese Lösungen einen klaren Vorteil gegenüber klassischen Computerplattformen bieten.

Um sich für diese wachsende Chance zu positionieren, sollten IT-Lösungsanbieter ihr professionelles Serviceangebot und ihre Partnerschaften erweitern, um das Entwicklungsökosystem der nächsten Generation für Quanten-KI zu trainieren. Sie sollten ihre Quanten-KI-Entwicklungsumgebungen mit den weit verbreiteten Open-Source-KI-Frameworks integrieren, insbesondere TensorFlow (insbesondere das neue TensorFlow Quantum) und PyTorch. Außerdem sollten sie mehr automatisierte ML-Funktionen in ihre Quanten-KI-Tools integrieren, um die Datenvorbereitung, Modellentwicklung, Schulung und Bereitstellung von Quanten-KI-Anwendungen zu vereinfachen und zu beschleunigen. Sie sollten ihre Quanten-KI-Bibliotheken, Software und Services mit führenden Data-Science-Pipeline-Management-, Devops- und Multicloud-Umgebungen ausrichten, um den Weg für zukünftige Produktionsbereitstellungen von quantenverbesserten KI-Anwendungen zu ebnen.

Marktinvestoren sollten ihre Wetten bei allen Anbietern von quantenverbesserten KI-Lösungen platzieren, die die Tools für den breiten Einsatz dieser Fähigkeiten in Unternehmen in den nächsten Jahren entwickeln. Insbesondere sollte die Priorität auf der Finanzierung von Startups liegt, die Xanadus Beispiel bei der Bereitstellung von Framework-agnostischen Python-Bibliotheken für das rapid E-Prototyping von Quanten-KI-Anwendungen folgen, die auf verschiedenen Software- und Hardware-Back-Ends ausgeführt werden können.

Click here for more information