На протяжении многих лет между огромным потенциалом квантовых вычислений и практическими потребностями искусственного интеллекта стояло фундаментальное препятствие. В то время как квантовые компьютеры превосходно справляются со сложными математическими расчетами, им было трудно обрабатывать массивные и «зашумленные» наборы данных — такие как геномные последовательности или потребительские отзывы, — которые являются движущей силой современного машинного обучения.
Новое исследование под руководством Син-Юаня Хуанга из Oratomic предполагает, что мы, возможно, наконец нашли способ преодолеть этот разрыв. Это потенциально позволит квантовым машинам превзойти даже самые мощные классические суперкомпьютеры в задачах ИИ.
Проблема «стены памяти»
Чтобы понять суть этого прорыва, необходимо осознать основное препятствие: загрузку данных.
В классических вычислениях данные хранятся в битах (0 и 1). В квантовых вычислениях данные обрабатываются с использованием «суперпозиции» — состояния, при котором одновременно существуют несколько вариантов. Чтобы использовать возможности квантовых технологий для ИИ, исследователи ранее полагали, что все массивы данных должны быть преобразованы в это квантовое состояние и сохранены в специализированной квантовой памяти еще до начала обработки.
Проблема заключалась в масштабе. Чтобы хранить достаточно данных, сделавших бы квантовые вычисления полезными для ИИ, требуемый объем квантовой памяти должен был быть немыслимо огромным — больше, чем это физически возможно достичь с помощью нынешних или ближайших перспективных технологий.
Решение через «потоковую передачу»
Хуанг и его команда, включая Хайменга Чжао из Калифорнийского технологического института, предложили смену парадигмы. Вмеме того чтобы пытаться «скачать» весь массивный набор данных в квантовую память целиком, их метод позволяет подавать данные в компьютер небольшими порциями.
Представьте себе разницу между скачиванием огромного 4K-фильма перед просмотром (что требует колоссального объема памяти) и его потоковой передачей (стримингом) по кусочкам (что требует гораздо меньше ресурсов).
Обрабатывая данные постепенно, исследователи продемонстрировали, что:
— Квантовые компьютеры могут справляться с большими наборами данных, не нуждаясь в невозможных объемах памяти.
— Преимущество в памяти поражает: квантовый компьютер всего с 300 безошибочными «логическими кубитами» теоретически может превзойти классический компьютер, построенный из каждого атома в обозримой Вселенной.
Сроки и реальное влияние
Хотя теоретическое преимущество огромно, практическое применение еще впереди.
- Ближайшая перспектива: Исследователи полагают, что компьютер с 60 логическими кубитами может быть построен к концу этого десятилетия. Даже при таком относительно небольшом размере исследование показывает, что для специфических задач ИИ может возникнуть «квантовое превосходство».
- Научное применение: Эта технология может стать революционной для высокопроизводительных научных сред, таких как Большой адронный коллайдер, где огромные объемы данных генерируются настолько быстро, что большая их часть должна отбраковываться из-за ограничений памяти.
- Предостережения: Эксперты предупреждают, что не весь ИИ перейдет на квантовые технологии. Большинство текущих задач ИИ — тех, что сейчас потребляют колоссальное количество энергии в дата-центрах — скорее всего, останутся на классических графических процессорах (GPU). Кроме того, исследователям необходимо убедиться, что эти новые алгоритмы невозможно «деквантовать» (воспроизвести на классических компьютерах без потери их преимущества).
«Квантовая машина — это очень мощное устройство, но ее сначала нужно накормить. Это исследование посвящено тому, как «кормить» систему, и как загружать данные по кусочкам, не перекармливая зверя». — Адриан Перес-Салинас, ETH Zurich
Заключение
Решив проблему того, как «подавать» данные квантовому процессору, не перегружая его память, исследователи преодолели серьезное препятствие на пути к практическому квантовому ИИ. В случае успеха этот «потоковый» подход позволит квантовым компьютерам обрабатывать массивные научные и аналитические наборы данных, которые в настоящее время недоступны даже для самых крупных классических суперкомпьютеров.
