Ensiklopedia Perisikan |. 2022 Panduan Mendalam untuk Kepintaran Buatan Kuantum

Pengkomputeran kuantum dan kecerdasan buatan adalah kedua-dua teknologi transformatif, dan kecerdasan buatan berkemungkinan memerlukan pengkomputeran kuantum untuk mencapai kemajuan yang ketara. Walaupun kecerdasan buatan menggunakan komputer klasik untuk menghasilkan aplikasi berfungsi, ia dihadkan oleh kuasa pengkomputeran komputer klasik. Pengkomputeran kuantum boleh menyediakan kecerdasan buatan dengan rangsangan pengiraan, membolehkannya menyelesaikan masalah yang lebih kompleks dan AGI (kecerdasan am buatan).

Apakah kecerdasan buatan kuantum?

Kecerdasan buatan kuantum ialah penggunaan pengkomputeran kuantum untuk mengira algoritma pembelajaran mesin. Terima kasih kepada kelebihan pengiraan pengkomputeran kuantum, kecerdasan buatan kuantum boleh membantu mencapai hasil yang tidak boleh dicapai oleh komputer klasik.

Apakah pengkomputeran kuantum?

Mekanik kuantum ialah model umum berdasarkan prinsip yang berbeza daripada yang diperhatikan dalam kehidupan seharian. Menggunakan pengkomputeran kuantum untuk memproses data memerlukan mewujudkan model kuantum data. Model klasik kuantum hibrid juga diperlukan untuk pembetulan ralat dalam pengkomputeran kuantum dan untuk operasi komputer kuantum yang betul.

• Data Kuantum: Data kuantum boleh dilihat sebagai paket data yang terkandung dalam qubit yang digunakan untuk pengkomputeran. Walau bagaimanapun, memerhati dan menyimpan data kuantum adalah mencabar kerana sifat seperti superposisi dan jalinan menjadikannya berharga. Tambahan pula, data kuantum adalah bising, memerlukan aplikasi pembelajaran mesin pada peringkat menganalisis dan mentafsir data ini dengan betul.
• Model Klasik Kuantum Hibrid: Apabila hanya menggunakan pemproses kuantum untuk menjana data kuantum, terdapat kebarangkalian tinggi untuk mendapatkan data tidak bermakna. Oleh itu, model hibrid telah muncul, didorong oleh mekanisme pemprosesan data yang pantas seperti CPU dan GPU yang biasa digunakan dalam komputer tradisional.
• Algoritma Kuantum: Algoritma ialah urutan langkah yang membawa kepada penyelesaian masalah. Untuk melaksanakan langkah-langkah ini pada peranti, set arahan khusus untuk reka bentuk peranti mesti digunakan. Berbanding dengan pengkomputeran klasik, pengkomputeran kuantum memperkenalkan set arahan berbeza yang berdasarkan falsafah pelaksanaan yang sama sekali berbeza. Tujuan algoritma kuantum adalah untuk mengeksploitasi kesan kuantum seperti superposisi dan keterjeratan untuk mencapai penyelesaian dengan lebih cepat.

Mengapa ia sangat penting?

Walaupun kecerdasan buatan telah mencapai kemajuan yang besar sepanjang dekad yang lalu, ia masih belum dapat mengatasi batasan teknologi. Halangan untuk mencapai AGI (Kecerdasan Am Buatan) boleh disingkirkan dengan sifat unik pengkomputeran kuantum. Pengkomputeran kuantum boleh digunakan untuk latihan pantas model pembelajaran mesin dan penciptaan algoritma pengoptimuman. Kepintaran buatan yang dioptimumkan dan stabil yang disediakan oleh pengkomputeran kuantum boleh melengkapkan analisis bertahun-tahun dalam masa yang singkat dan memimpin kemajuan teknologi. Model kognitif neuromorfik, pembelajaran mesin penyesuaian atau penaakulan di bawah ketidakpastian adalah beberapa cabaran asas yang dihadapi oleh kecerdasan buatan hari ini. Kepintaran buatan kuantum adalah salah satu penyelesaian yang paling mungkin untuk kecerdasan buatan generasi akan datang.

Bagaimanakah kecerdasan buatan kuantum berfungsi?

Baru-baru ini, Google bekerjasama dengan University of Waterloo, ​​X​​ dan Volkswagen untuk melancarkan TensorFlow Quantum (TFQ): perpustakaan sumber terbuka untuk pembelajaran mesin kuantum. Tujuan TFQ adalah untuk menyediakan alat yang diperlukan untuk mengawal dan mensimulasikan sistem kuantum semula jadi atau buatan. TFQ ialah contoh set alatan yang menggabungkan pemodelan kuantum dan teknik pembelajaran mesin.

Sumber: Google

1. Tukar data kuantum kepada set data kuantum: Data kuantum boleh diwakili sebagai berbilang- Tatasusunan nombor berdimensi, dipanggil tensor kuantum. TensorFlow memproses tensor ini untuk mencipta set data untuk kegunaan selanjutnya.
2. Pilih model rangkaian neural kuantum: Pilih model rangkaian neural kuantum berdasarkan pemahaman struktur data kuantum. Matlamatnya adalah untuk melaksanakan pemprosesan kuantum untuk mengekstrak maklumat yang tersembunyi dalam keadaan terjerat.
3. Sampel atau min : Pengukuran keadaan kuantum mengekstrak maklumat klasik daripada taburan klasik dalam bentuk sampel. Nilai-nilai ini diperoleh daripada keadaan kuantum itu sendiri. TFQ menyediakan cara untuk purata berbilang larian yang melibatkan langkah (1) dan (2).
4. Menilai Model Rangkaian Neural Klasik - Memandangkan data kuantum kini ditukar kepada data klasik, teknik pembelajaran mendalam digunakan untuk mempelajari korelasi antara data.

Langkah lain untuk menilai fungsi kos, kecerunan dan mengemas kini parameter ialah langkah klasik dalam pembelajaran mendalam. Langkah-langkah ini memastikan penciptaan model yang berkesan untuk tugas tanpa pengawasan.

Apakah kemungkinan menggunakan pengkomputeran kuantum dalam kecerdasan buatan?

Matlamat realistik jangka pendek penyelidik untuk kecerdasan buatan kuantum adalah untuk mencipta algoritma kuantum yang mengatasi algoritma klasik dan mempraktikkannya.

• Algoritma Kuantum untuk Pembelajaran: Membangunkan algoritma kuantum untuk generalisasi kuantum model pembelajaran klasik. Ia boleh memberikan kemungkinan pecutan atau penambahbaikan lain semasa latihan pembelajaran mendalam. Sumbangan pengkomputeran kuantum kepada pembelajaran mesin klasik boleh dicapai dengan cepat memberikan set penyelesaian optimum untuk pemberat rangkaian saraf tiruan.
• Algoritma kuantum untuk masalah membuat keputusan: Masalah membuat keputusan klasik dirumus berdasarkan pepohon keputusan. Satu cara untuk mencapai set penyelesaian adalah dengan membuat cawangan dari titik tertentu. Walau bagaimanapun, pendekatan ini menjadi kurang berkesan apabila setiap masalah menjadi terlalu kompleks untuk diselesaikan dengan terus memotongnya kepada dua. Algoritma kuantum berdasarkan evolusi masa Hamiltonian boleh menyelesaikan masalah yang diwakili oleh berbilang pepohon keputusan lebih cepat daripada berjalan rawak.
Carian Kuantum:
• Kebanyakan algoritma carian direka untuk pengiraan klasik. Pengkomputeran klasik mengatasi manusia dalam masalah carian. Lov Grover, sebaliknya, membentangkan algoritma Grovernya dan berkata bahawa komputer kuantum boleh menyelesaikan masalah ini lebih cepat daripada komputer klasik. Kecerdasan buatan yang dikuasakan oleh pengkomputeran kuantum memegang janji untuk aplikasi jangka pendek seperti penyulitan.
Teori Permainan Kuantum:
• Teori permainan klasik ialah proses pemodelan yang digunakan secara meluas dalam aplikasi kecerdasan buatan. Lanjutan teori ini kepada medan kuantum ialah teori permainan kuantum. Ia boleh menjadi alat yang menjanjikan untuk mengatasi isu utama dalam pelaksanaan komunikasi kuantum dan kecerdasan buatan kuantum.
Apakah peristiwa penting untuk kecerdasan buatan kuantum?

Walaupun AI kuantum ialah teknologi yang tidak matang, penambahbaikan dalam pengkomputeran kuantum meningkatkan potensi AI kuantum. Walau bagaimanapun, industri AI kuantum memerlukan pencapaian penting untuk menjadi teknologi yang lebih matang. Pencapaian ini boleh diringkaskan sebagai:

• Rangka kerja pemodelan dan latihan sumber terbuka yang diterima pakai secara meluas
• Pembangun yang besar dan mahir ekosistem
• Aplikasi AI yang meyakinkan di mana pengkomputeran kuantum mengatasi prestasi pengkomputeran klasik
• Langkah kritikal ini akan membolehkan kemajuan selanjutnya dalam AI kuantum.

（​​oleh Cem Dilmegani >

Atas ialah kandungan terperinci Ensiklopedia Perisikan |. 2022 Panduan Mendalam untuk Kepintaran Buatan Kuantum. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!