Οι κβαντικοί υπολογιστές ίσως κάποτε μπορέσουν να αναλάβουν ορισμένες εφαρμογές τεχνητής νοημοσύνης που σήμερα απαιτούν τεράστια υπολογιστική ισχύ από συμβατικά συστήματα. Μια τέτοια εξέλιξη θα αποτελούσε σημαντική ενίσχυση για το machine learning και αντίστοιχους αλγόριθμους τεχνητής νοημοσύνης.
Οι κβαντικοί υπολογιστές υπόσχονται ότι, σε βάθος χρόνου, θα μπορούν να εκτελούν ορισμένους υπολογισμούς που είναι αδύνατοι για τους συμβατικούς υπολογιστές. Για χρόνια, οι ερευνητές συζητούν αν αυτά τα πλεονεκτήματα επεκτείνονται και σε εργασίες που αφορούν μεγάλα σύνολα δεδομένων και στους αλγόριθμους που μαθαίνουν από αυτά — δηλαδή στο machine learning, το οποίο βρίσκεται πίσω από πολλά προγράμματα τεχνητής νοημοσύνης.
Τώρα, ο Hsin-Yuan Huang από την εταιρεία κβαντικών υπολογιστών Oratomic και οι συνεργάτες του υποστηρίζουν ότι η απάντηση πρέπει να είναι «ναι». Η μαθηματική τους εργασία επιδιώκει να θέσει τις βάσεις για ένα μέλλον στο οποίο οι κβαντικοί υπολογιστές θα δίνουν ευρεία ώθηση στην τεχνητή νοημοσύνη.
Το machine learning χρησιμοποιείται παντού στην επιστήμη, την τεχνολογία και την καθημερινή ζωή, λέει ο Huang. «Σε έναν κόσμο όπου μπορούμε να κατασκευάσουμε αυτή την [κβαντική υπολογιστική] αρχιτεκτονική, πιστεύω ότι μπορεί να εφαρμοστεί όπου υπάρχουν διαθέσιμα τεράστια σύνολα δεδομένων», σημειώνει.
Η δουλειά της ομάδας του απαντά στο βασικό ερώτημα του πώς δεδομένα που συλλέγονται στον μη κβαντικό κόσμο, όπως κριτικές εστιατορίων ή αποτελέσματα από αλληλούχηση RNA, μπορούν να εισαχθούν σε έναν κβαντικό υπολογιστή με τρόπο που να αξιοποιεί την κβαντική του φύση για να επεξεργάζεται και να μαθαίνει από τα δεδομένα πιο αποδοτικά.
Αυτό απαιτεί η συνολική πληροφορία να τοποθετηθεί σε μια «κατάσταση υπέρθεσης», δηλαδή σε έναν μαθηματικό συνδυασμό που δεν μπορεί να δημιουργηθεί σε μη κβαντικές μηχανές. Μέχρι σήμερα, όμως, οι ερευνητές θεωρούσαν ότι αυτό δεν ήταν πρακτικό. Υπέθεταν ότι όλα τα δεδομένα σε αυτή την κατάσταση υπέρθεσης θα έπρεπε να αποθηκευτούν πρώτα σε ειδικές μονάδες μνήμης πριν επεξεργαστούν από τον κβαντικό υπολογιστή, κάτι που θα απαιτούσε μνήμες με αδύνατο μέγεθος, λέει ο Haimeng Zhao από το California Institute of Technology.
Ο Huang και οι συνεργάτες του ακολούθησαν διαφορετική προσέγγιση, χωρίς να χρειάζονται τέτοιες μνήμες. Η μέθοδος βασίζεται στην εισαγωγή των δεδομένων στον κβαντικό υπολογιστή σε μικρότερα τμήματα, χωρίς να χρειάζεται να αποθηκευτούν όλα πριν ξεκινήσει η επεξεργασία, όπως ακριβώς γίνεται όταν κάνουμε streaming μια ταινία αντί να την κατεβάζουμε ολόκληρη πριν τη δούμε.
Έδειξαν όχι μόνο ότι η προσέγγιση αυτή μπορεί να λειτουργήσει, αλλά και ότι επιτρέπει στον κβαντικό υπολογιστή να επεξεργάζεται περισσότερα δεδομένα με μικρότερο κόστος μνήμης από οποιονδήποτε συμβατικό υπολογιστή.
Το πλεονέκτημα στη μνήμη είναι τόσο μεγάλο, μάλιστα, ώστε ένας κβαντικός υπολογιστής με περίπου 300 αδιαπέραστα από λάθη δομικά στοιχεία, τα λεγόμενα λογικά qubits, θα ξεπερνούσε έναν κλασικό υπολογιστή που έχει κατασκευαστεί με κάθε άτομο στο παρατηρήσιμο σύμπαν, λέει ο Zhao.
Ίσως να απέχουμε ακόμη πολλά χρόνια από την κατασκευή κβαντικών υπολογιστών με 300 λογικά qubits, όμως ο Huang λέει ότι ένας υπολογιστής με 60 λογικά qubits θα μπορούσε ρεαλιστικά να έχει κατασκευαστεί έως το τέλος της δεκαετίας. Η ανάλυση της ομάδας του δείχνει ότι, σε αυτό το μέγεθος, θα υπήρχε ήδη αισθητό κβαντικό πλεονέκτημα έναντι των κλασικών υπολογιστών για ορισμένες εργασίες που αφορούν μεγάλα σύνολα δεδομένων και χρησιμοποιούνται στην τεχνητή νοημοσύνη.
«Η κβαντική μηχανή είναι ένα πολύ ισχυρό εργαλείο, αλλά πρέπει πρώτα να τη “ταΐσεις”. Αυτή η μελέτη δείχνει πώς γίνεται αυτό και ότι αρκεί να φορτώσεις τα δεδομένα κομμάτι κομμάτι, χωρίς να υπερφορτώσεις το σύστημα», λέει ο Adrián Pérez-Salinas από το ETH Zurich στην Ελβετία.
Παρά ταύτα, προσθέτει ότι παραμένουν πολλά ερωτήματα σχετικά με την εφαρμογή της νέας δουλειάς σε πραγματικές συσκευές και σε δεδομένα του πραγματικού κόσμου. Πολλοί προηγούμενοι αλγόριθμοι μηχανικής μάθησης για κβαντικούς υπολογιστές αποδείχθηκαν τελικά ότι μπορούσαν να «αποκβαντοποιηθούν», μια διαδικασία κατά την οποία προσαρμόστηκαν ώστε να μη χρειάζονται πια κβαντικό υλικό, διατηρώντας όμως την καλή τους απόδοση. Θα είναι σημαντικό να εξεταστεί πόσο κρίσιμη είναι η κβαντική φύση και σε αυτόν τον νέο αλγόριθμο, λέει ο Pérez-Salinas.
Ο Vedran Dunjko από το Πανεπιστήμιο Leiden στην Ολλανδία λέει ότι η νέα εργασία θα μπορούσε να ταιριάξει καλά με μεγάλα επιστημονικά πειράματα, όπως αυτά στον Μεγάλο Επιταχυντή Αδρονίων, όπου δημιουργούνται συνεχώς εκατομμύρια gigabytes δεδομένων, αλλά το μεγαλύτερο μέρος τους απορρίπτεται λόγω ανεπαρκούς μνήμης υπολογιστών.
Ωστόσο, είναι πιθανό μόνο ορισμένες σημερινές εφαρμογές τεχνητής νοημοσύνης και παρόμοιες μορφές επεξεργασίας δεδομένων να μπορούν να αναληφθούν από έναν κβαντικό υπολογιστή αντί από ένα data centre γεμάτο συμβατικούς διακομιστές, λέει. «Αυτό δεν είναι η πλειονότητα όσων θερμαίνουν τον πλανήτη από τις GPUs, αλλά μπορεί να είναι παρ’ όλα αυτά σημαντικό», σημειώνει ο Dunjko.
Οι ερευνητές εργάζονται τώρα τόσο για να επεκτείνουν το είδος των αλγορίθμων για τα οποία θα μπορούσε να είναι χρήσιμη η μέθοδός τους όσο και για να σχεδιάσουν νέους τρόπους διαμόρφωσης των κβαντικών υπολογιστών, ώστε να είναι αρκετά γρήγοροι για να χειρίζονται δεδομένα όχι μόνο με ελάχιστη μνήμη, αλλά και σε πρακτικό χρόνο.
arXiv DOI: 10.48550/arXiv.2604.07639
