Un salto cuántico en IA: IonQ tiene como objetivo crear modelos cuánticos de aprendizaje automático al nivel de la inteligencia humana general

Paquete de cámara de vacío y trampa de "baraja de cartas" miniaturizada de IonQ Aria.

El aprendizaje automático (ML) clásico es un poderoso subconjunto de la inteligencia artificial. El aprendizaje automático ha avanzado desde el simple reconocimiento de patrones en la década de 1960 hasta el uso avanzado actual de conjuntos de datos masivos para el entrenamiento y la generación de predicciones de alta precisión.

Mientras tanto, entre 2010 y 2020, el uso global de datos aumentó de 1,2 billones de gigabytes a casi 60 billones de gigabytes. En algún momento, los sistemas cuánticos manejarán más fácilmente el crecimiento exponencial continuo de datos en comparación con las computadoras clásicas, que pueden tener dificultades para mantenerse al día. Teóricamente, en algún momento en un futuro no muy lejano, solo las computadoras cuánticas pueden manejar una escala y complejidad tan masivas. Aplicando esta misma perspectiva al ámbito de ML, tiene sentido que, en algún momento, los avances reales provengan del aprendizaje automático cuántico (QML) en lugar de los enfoques clásicos.

IonQ

Hoja de ruta de IonQ para aplicaciones y Qubits algorítmicos (AQ)

Aunque otras empresas de computación cuántica están explorando QML, hay varias razones por las que me he centrado en la investigación avanzada de QML que se está realizando en IonQ ($IONQ).

Uno, el director ejecutivo de IonQ, Peter Chapman, tiene una rica experiencia en aprendizaje automático cuando trabajó con Ray Kurzweil en Kurzweil Technologies. Chapman desempeñó un papel crucial en el desarrollo de un sistema pionero de reconocimiento de caracteres que generaba caracteres de texto a partir de imágenes escaneadas. Urzweil Technologies eventualmente utilizó ese enfoque para construir una biblioteca digital integral para personas ciegas y con problemas de visión.

Dos, Chapman es optimista sobre el futuro de QML. Él cree que QML eventualmente será tan importante como los grandes modelos de lenguaje utilizados por ChatGPT de OpenAI y otros sistemas generativos de IA. Por ese motivo, QML está integrado en la hoja de ruta de productos cuánticos a largo plazo de IonQ.

Y tres, IonQ colabora con empresas líderes en el campo de la IA y el aprendizaje automático, como Amazon, Dell, Microsoft y NVIDIA. Estas asociaciones combinan la experiencia de IonQ en tecnología cuántica con el conocimiento de IA del socio sobre sus socios.

Hardware IonQ y #AQ

El enfoque principal de IonQ no es solo la cantidad de qubits, sino más ampliamente la calidad de los qubits y cómo funcionan como un sistema. Esta calidad, también llamada fidelidad de qubit, es un diferenciador crítico para completar de manera eficiente los cálculos cuánticos, que IonQ mide con un punto de referencia orientado a la aplicación que llama qubits algorítmicos o #AQ.

#AQ se basa en el trabajo iniciado por Quantum Economic Development Consortium, un grupo industrial independiente que evalúa la utilidad de la computadora cuántica en entornos del mundo real. Así es como se calcula #AQ.

Procesadores cuánticos IonQ

IonQ ha creado tres computadoras cuánticas de iones atrapados: IonQ Harmony, IonQ Aria y su último modelo, una computadora cuántica definida por software llamada IonQ Forte.

Hay dos Arias en línea. Según Chapman, se necesitaba la segunda máquina Aria para manejar la mayor demanda de los clientes y mejorar la redundancia, la capacidad y la velocidad de procesamiento de pedidos de la empresa.

Además, IonQ está trabajando arduamente para que el IonQ Forte esté disponible comercialmente.

Se puede acceder a IonQ Aria e IonQ Harmony en la nube a través de Google, Amazon Braket, Microsoft Azure e IonQ Quantum Cloud. Según la compañía, el acceso a la nube para IonQ Forte se anunciará más adelante. Echemos un vistazo más profundo a las diferentes computadoras cuánticas que IonQ ha construido:

Forte demostró recientemente un récord de 29 AQ, lo que lo coloca siete meses por delante deEl objetivo original de AQ de IonQ para 2023.

Nota: El próximo gran hito técnico de IonQ es lograr 35 AQ. En el nivel 35 AQ, usar hardware clásico para simular algoritmos cuánticos puede volverse muy desafiante y costoso. En ese momento, IonQ cree que será más fácil y menos costoso para algunos clientes ejecutar modelos en máquinas cuánticas reales en lugar de intentar simularlas de forma clásica.

ML + CC = QML

A pesar de que la computación cuántica todavía se está llevando a cabo mediante prototipos de etapa intermedia, tiene el potencial, quizás dentro de esta década, de resolver problemas mucho más allá de la capacidad de las supercomputadoras clásicas. Mientras tanto, a medida que los prototipos de computación cuántica se acercan a ser operativamente sólidos, las versiones escaladas de los modelos clásicos de ML ya se utilizan en cientos de miles de aplicaciones en casi todas las industrias. Estos van desde recomendaciones personalizadas en sitios de compras hasta diagnósticos críticos de atención médica, como el análisis de rayos X y resonancias magnéticas para detectar enfermedades con mayor precisión que los humanos.

QML es un campo aún en desarrollo que utiliza computadoras cuánticas para tareas desafiantes de ML, aunque en este punto las máquinas cuánticas son menos prácticas que las computadoras clásicas. La combinación de ML y computación cuántica (QC) para producir QML crea una tecnología que pronto debería ser incluso más poderosa que el aprendizaje automático clásico.

Según Peter Chapman, gran parte del QML actual se crea convirtiendo los algoritmos clásicos de aprendizaje automático en algoritmos cuánticos. QML no está exento de desafíos. Tiene muchos de los mismos problemas que los asociados con las computadoras cuánticas actuales, siendo el más frecuente la susceptibilidad a los errores causados ​​por el ruido ambiental y la decoherencia debido a las limitaciones del hardware del prototipo.

"Mire la investigación anterior que hemos hecho con Fidelity, GE, Hyundai y algunos otros", dijo Chapman. "Todos esos proyectos comenzaron con algoritmos regulares de aprendizaje automático antes de que los convirtiéramos en algoritmos cuánticos".

Explicó, sin embargo, que la investigación de IonQ ha demostrado que el rendimiento de QML es superior a muchos de sus homólogos clásicos de ML. "Nuestras versiones QML superan a las versiones ML clásicas comparables", dijo. "A veces, los resultados muestran que el modelo QML hizo un mejor trabajo al capturar la señal en los datos, o a veces, la cantidad de iteraciones necesarias para analizar los datos fue sustancialmente menor. Y, a veces, como indica nuestra investigación más reciente, los datos necesarios para QML era unas 8000 veces menos de lo que necesita un modelo clásico".

Por qué QML funciona mejor que ML clásico

QML utiliza la superposición y el entrelazamiento, dos principios de la mecánica cuántica, para desarrollar nuevos algoritmos de aprendizaje automático. La superposición cuántica permite que los qubits estén en múltiples estados simultáneamente, mientras que el entrelazamiento cuántico permite que muchos qubits compartan el mismo estado. Esto contrasta con la física clásica, donde un bit puede estar en un solo estado a la vez, y donde la conectividad entre bits solo es posible por medios físicos. Las propiedades cuánticas relevantes permiten a los desarrolladores crear algoritmos QML para resolver problemas que son intratables con computadoras clásicas.

Es importante tener en cuenta que QML aún se encuentra en sus primeras etapas de desarrollo. Todavía no es lo suficientemente potente como para resolver problemas de aprendizaje automático muy grandes y muy complejos. Aún así, QML tiene el potencial de revolucionar el aprendizaje automático clásico al entrenar modelos más rápido, brindando una mayor precisión y abriendo la puerta a algoritmos más nuevos e incluso más poderosos.

Inteligencia artificial cuántica

Quantum AI es incluso más nuevo que QML. Hace aproximadamente un año, IonQ comenzó a explorar la IA cuántica. Su primer esfuerzo de investigación produjo un artículo sobre el modelado de la cognición humana que se publicó en la revista científica revisada por pares Entropy. El documento muestra que la toma de decisiones humanas se puede probar en computadoras cuánticas. Desde la década de 1960, los investigadores han descubierto que las personas no siempre siguen las reglas de la probabilidad clásica al tomar decisiones. Por ejemplo, la secuencia en la que se hacen las preguntas a las personas puede influir en sus respuestas. La probabilidad cuántica ayuda a aclarar esa rareza.

El trabajo de investigación no dice que el cerebro opere explícitamente usando la mecánica cuántica. En cambio, aplica las mismas estructuras matemáticas a ambos campos, lo que se suma a la intriga de usar computadoras cuánticas para simular la cognición humana.

"Estamos entusiasmados con el potencial de la tecnología cuántica no solo para agregar potencia al aprendizaje automático, sino también a la inteligencia artificial general o AGI", dijo Chapman. "AGI es el punto en el que la IA es lo suficientemente fuerte como para realizar cualquier tarea que un humano pueda hacer. Algunas cosas son casi imposibles de modelar en una computadora clásica, pero son posibles en una computadora cuántica. Y creo que AGI probablemente estará donde estas se realizarán tipos de conjuntos de problemas".

Terminando

El aprendizaje automático cuántico es todavía un campo emergente. Es la intersección donde las técnicas del procesamiento de información cuántica, el aprendizaje automático y la optimización se unen para resolver problemas de manera más rápida y precisa que el aprendizaje automático clásico.

Es posible utilizar algoritmos de aprendizaje automático clásicos y convertirlos en aprendizaje automático cuántico. IonQ lo ha hecho con éxito varias veces. Estos modelos QML a menudo superan a los modelos ML originales.

QML ofrece varias ventajas sobre el aprendizaje automático tradicional gracias a la mecánica cuántica en forma de superposición y entrelazamiento. QML puede complementar la tendencia creciente de usar modelos ML para muchas tareas de clasificación, desde reconocimiento de imágenes hasta NLP.

Notas del analista:

Aquí hay algunos trabajos de investigación relacionados con IonQ QML que encontré interesantes:

enero 2023 — El procesamiento cuántico del lenguaje natural (QNLP) es un subcampo del aprendizaje automático que se centra en el desarrollo de algoritmos que pueden procesar y comprender el lenguaje natural (es decir, los idiomas que hablan los humanos). Los investigadores de IonQ demostraron que se pueden obtener resultados estadísticamente significativos utilizando conjuntos de datos reales, aunque es mucho más difícil de predecir que con ejemplos de lenguaje artificial más sencillos utilizados anteriormente en el desarrollo de sistemas de PNL cuántica. Se comparan otros enfoques de la PNL cuántica, en parte con respecto a temas contemporáneos que incluyen el lenguaje informal, la fluidez y la veracidad.

enero 2023 — La investigación de IonQ se centró en la clasificación de texto con QNLP. Esta investigación demostró que un mapa de características codificado en amplitud combinado con una máquina de vectores de soporte cuántico puede lograr una precisión promedio del 62 % en la predicción de sentimientos utilizando un conjunto de datos de 50 reseñas de películas reales. Esto es pequeño, pero considerablemente más grande que los resultados informados anteriormente utilizando PNL cuántica.

noviembre 2022 — Esta investigación conjunta de IonQ, el Fidelity Center for Applied Technology (FCAT) y Fidelity Investments se centra en el aprendizaje cuántico generativo de las funciones de distribución de probabilidad conjunta (GAN, QGAN y QCBM), todas las cuales utilizan el aprendizaje automático para aprender de los datos y hacer predicciones. La investigación demuestra que una relación entre dos o más variables puede representarse mediante un estado cuántico de múltiples partículas. Esto es importante porque muestra que las computadoras cuánticas se pueden usar para modelar y comprender relaciones complejas entre variables.

noviembre 2021 — IonQ y Zapata Computing desarrollaron la primera implementación práctica y experimental de un algoritmo QML híbrido cuántico-clásico que puede generar imágenes de alta resolución de dígitos escritos a mano. Los resultados superaron a las redes antagónicas generativas (GAN) clásicas comparables entrenadas en la misma base de datos. GAN es un modelo de aprendizaje automático con dos redes neuronales que compiten entre sí para producir la predicción más precisa.

septiembre 2021 — Los investigadores de IonQ y FCAT desarrollaron un modelo QML de prueba de concepto para analizar las relaciones numéricas en los rendimientos diarios de las acciones de Apple y Microsoft de 2010 a 2018. Los rendimientos diarios son el precio de una acción al cierre diario en comparación con su precio al cierre. cierre del día anterior. La métrica mide el rendimiento diario de las acciones. El modelo demostró que las computadoras cuánticas se pueden usar para generar correlaciones que no se pueden reproducir de manera eficiente por medios clásicos, como la distribución de probabilidad.

diciembre 2020 — En una asociación entre IonQ y QC Ware, los datos clásicos se cargaron en estados cuánticos para permitir aplicaciones QML eficientes y sólidas. El aprendizaje automático logró el mismo nivel de precisión y se ejecutó más rápido que en las computadoras clásicas. El proyecto utilizó la tecnología Forge Data Loader de QC Ware para transformar datos clásicos en estados cuánticos. El algoritmo cuántico, que se ejecuta en el hardware de IonQ, se desempeñó al mismo nivel que el algoritmo clásico, identificando los dígitos correctos ocho de cada 10 veces en promedio.

Paul Smith-Goodson es vicepresidente y analista principal que cubre IA y cuántica para Moor Insights & Strategy. Actualmente está trabajando en varios proyectos de investigación personales, uno de los cuales es un método único de uso de aprendizaje automático y datos ionosféricos recopilados de una red nacional de transceptores HF para una predicción altamente precisa de la propagación global futura y en tiempo real de señales de radio HF.

Para obtener información actualizada sobre estos temas, puede seguirlo en Twitter.

Moor Insights & Strategy brinda o ha brindado servicios pagos a empresas de tecnología, como todas las firmas de analistas de la industria tecnológica y de investigación. Estos servicios incluyen investigación, análisis, asesoramiento, consultoría, evaluación comparativa, emparejamiento de adquisiciones y patrocinios de video y conferencias. La empresa ha tenido o tiene actualmente relaciones comerciales pagas con 8×8, Accenture, A10 Networks, Advanced Micro Devices, Amazon, Amazon Web Services, Ambient Scientific, Ampere Computing, Anuta Networks, Applied Brain Research, Applied Micro, Apstra, Arm, Aruba Networks (ahora HPE), Atom Computing, AT&T, Aura, Automation Anywhere, AWS, A-10 Strategies, Bitfusion, Blaize, Box, Broadcom, C3.AI, Calix, Cadence Systems, Campfire, Cisco Systems, Clear Software, Cloudera , Clumio, Cohesity, Cognitive Systems, CompuCom, Cradlepoint, CyberArk, Dell, Dell EMC, Dell Technologies, Diablo Technologies, Dialogue Group, Digital Optics, Dreamium Labs, D-Wave, Echelon, Ericsson, Extreme Networks, Five9, Flex, Foundries .io, Foxconn, Frame (ahora VMware), Fujitsu, Gen Z Consortium, Glue Networks, GlobalFoundries, Revolve (ahora Google), Google Cloud, Graphcore, Groq, Hiregenics, Hotwire Global, HP Inc., Hewlett Packard Enterprise, Honeywell, Huawei Technologies, HYCU, IBM, Infinidat, Infoblox, Infosys, Inseego, IonQ, IonVR, Inseego, Infosys, Infiot, Intel, Interdigital, Jabil Circuit, Juniper Networks, Keysight, Konica Minolta, Lattice Semiconductor, Lenovo, Linux Foundation, Lightbits Labs , LogicMonitor, LoRa Alliance, Luminar, MapBox, Marvell Technology, Mavenir, Marseille Inc, Mayfair Equity, Meraki (Cisco), Merck KGaA, Mesophere, Micron Technology, Microsoft, MiTEL, Mojo Networks, MongoDB, Multefire Alliance, National Instruments, Neat , NetApp, Nightwatch, NOKIA, Nortek, Novumind, NVIDIA, Nutanix, Nuvia (ahora Qualcomm), NXP, onsemi, ONUG, OpenStack Foundation, Oracle, Palo Alto Networks, Panasas, Peraso, Pexip, Pixelworks, Plume Design, PlusAI, Poly (antes Plantronics), Portworx, Pure Storage, Qualcomm, Quantinuum, Rackspace, Rambus, Rayvolt E-Bikes, Red Hat, Renesas, Residio, Samsung Electronics, Samsung Semi, SAP, SAS, Scale Computing, Schneider Electric, SiFive, Silver Peak (ahora Aruba-HPE), SkyWorks, SONY Optical Storage, Splunk, Springpath (ahora Cisco), Spirent, Splunk, Sprint (ahora T-Mobile), Stratus Technologies, Symantec, Synaptics, Syniverse, Synopsys, Tanium, Telesign, TE Connectivity , TensTorrent, Tobii Technology, Teradata, T-Mobile, Treasure Data, Twitter, Unity Technologies, UiPath, Verizon Communications, VAST Data, Ventana Micro Systems, Vidyo, VMware, Wave Computing, Wellsmith, Xilinx, Zayo, Zebra, Zededa, Zendesk , Zoho, Zoom y Zscaler. El fundador, director ejecutivo y analista jefe de Moor Insights & Strategy, Patrick Moorhead, es inversor en dMY Technology Group Inc. VI, Fivestone Partners, Frore Systems, Groq, MemryX, Movandi y Ventana Micro., MemryX, Movandi y Ventana Micro.