Was bedeutet das Quantencomputing für die KI?

Das Quantencomputing und seine Anwendung auf die KI haben in den letzten Jahren dramatische Fortschritte gemacht - von Googles Quantenüberlegenheitsexperiment bis hin zu öffentlichen Marktaktivitäten und Ankündigungen von Produktplänen - und haben in der Gemeinschaft des maschinellen Lernens und der KI berechtigte Aufregung, aber auch eine gewisse Vorsicht hervorgerufen. Werden Quantencomputer die KI unterstützen und eine QML-Revolution (Quantum Machine Learning) einleiten? Wie schnell wird dies geschehen? Was sollten vorausschauende Führungskräfte tun, um verantwortungsvoll für diesen Tag zu planen?

Warum sind Quantencomputer interessant?

Quantencomputer verwenden Qubits (Quantenbits) anstelle von normalen Bits. Während Qubits heutzutage viel schwieriger herzustellen, zu stabilisieren und zu skalieren sind, bringen Qubits zwei einzigartige Fähigkeiten mit sich, die sich aus der Quantenmechanik ergeben: - Überlagerung und Verschränkung. Die Überlagerung ermöglicht es einem Qubit, mehrere Werte gleichzeitig zu speichern (mit unterschiedlichen Wahrscheinlichkeiten). Die Verschränkung ermöglicht es, mehrere Qubits auf eine Weise miteinander zu verbinden, die die Dimensionalität des Problems erweitert. Während 10 klassische Bits einen einzigen von 1024 möglichen Werten zu einem bestimmten Zeitpunkt speichern können, können 10 Qubits alle 1024 Werte gleichzeitig speichern. Ein 50-Qubit-Quantencomputer kann mehr als eine Billiarde Werte gleichzeitig speichern und verarbeiten, während ein klassischer Computer nur einen einzigen solchen Wert zu einem bestimmten Zeitpunkt verarbeiten kann. Zum Vergleich: Eine Billiarde ist etwa das 50-fache der Anzahl der roten Blutkörperchen im Körper. 

Quantencomputer werden anders programmiert als klassische Computer. Der Quantencode ähnelt dem elektronischen Design: Er verbindet Qubits mit Quantengattern, die auf sie wirken. Wenn Algorithmen in geeigneter Weise in "Quantensprache" kodiert werden, können Quantencomputer potenziell dramatische und exponentielle Geschwindigkeitsverbesserungen gegenüber ihren klassischen Gegenstücken erzielen. Quantencomputer mit 50 Qubits sind bereits Realität, und wenn Quantencomputer mit Hunderten oder gar Tausenden von Qubits in Betrieb genommen werden, wird die exponentielle Kapazitätssteigerung die klassischen Computer schnell in den Schatten stellen.

Wenn es uns gelingt, die Schwierigkeiten bei der Entwicklung von Quantencomputern zu überwinden, können Datenwissenschaftler diese dramatische Beschleunigung nutzen, um neue Erkenntnisse in KI/ML-Algorithmen zu gewinnen und die KI zu neuen Höhen zu führen. Kurz gesagt: Quantencomputer haben das Potenzial, die KI zu revolutionieren. Quanten-KI ist möglich, und Quantencomputer können für KI genutzt werden, aber Unternehmen müssen sich der Fallstricke und Grenzen bewusst sein, wie im Folgenden beschrieben.

Welche Vorteile bietet die Nutzung von Quantencomputing für KI?

Quantencomputer sind nicht einfach zu bedienen, bieten aber erhebliche Anreize für ihren Einsatz in Anwendungen der künstlichen Intelligenz und des maschinellen Lernens:

Quanten-Heuristik

Heuristiken des Quantencomputers verhalten sich anders als klassische Heuristiken. Viele klassische Algorithmen des maschinellen Lernens und der KI haben sich empirisch bewährt, doch fehlt der theoretische Beweis für ihre Wirksamkeit. Ein wissbegieriger Ingenieur für KI und maschinelles Lernen sollte daher Quantenheuristiken ausprobieren. Vielleicht könnten Quantencomputer bessere Ergebnisse erzielen? Vielleicht wären sie in Fällen erfolgreich, in denen klassische Heuristiken die Erwartungen nicht erfüllen. Quantencomputer könnten einen weiteren Pfeil im metaphorischen Köcher darstellen.

Quantencomputer können Daten kompakt darstellen

Quantencomputer können Daten auf eine exponentiell kompaktere Weise laden. Die Überlagerungseigenschaft von Qubits erlaubt es ihnen nicht nur, mehrere Werte gleichzeitig zu speichern, sondern diese Werte können auch unterschiedlich gewichtet werden. Viele Pakete für künstliche Intelligenz und maschinelles Lernen erforschen Lösungen in einem mehrdimensionalen Raum, so dass es einfacher sein könnte, diese großen Räume zu modellieren und Daten in sie auf Quantencomputern zu laden. In der Tat könnte es möglich sein, bestimmte Probleme auf Quantencomputern zu modellieren, die auf klassischen Computern nicht modelliert werden können.

Quantencomputer bieten eine Beschleunigung der Algorithmen

Einer der beliebtesten Algorithmen des Quantencomputers ist der Harrow-Hassidim-Lloyd-Algorithmus (HHL) . Er bietet eine nachweislich exponentielle Beschleunigung bei der Lösung linearer Gleichungssysteme. Lineare Gleichungssysteme werden in großem Umfang bei der linearen Regression nach der Methode der kleinsten Quadrate und bei Gauß-Prozessen verwendet, und es ist sehr wertvoll, sie im Vergleich zu klassischen Computern exponentiell schneller zu lösen.

Ein weiterer beliebter Quantenalgorithmus ist die Grover-Suche, die eine effiziente Suche in unstrukturierten Datensätzen ermöglicht und nachweislich eine höhere Geschwindigkeit als die klassische Suche bietet. Wenn beispielsweise ein klassischer Suchalgorithmus die Suche in einem gegebenen Datensatz in einer bestimmten Zeit abschließt, vervierfacht sich diese Zeit, wenn sich die Größe des Datensatzes vervierfacht. Im Gegensatz dazu würde sich die Zeit für die Durchführung einer Grover-Suche mit jeder Vervierfachung des Datensatzes verdoppeln - anstatt zu vervierfachen.

Dies sind nur zwei Beispiele für Quantenalgorithmen, die einen Geschwindigkeitszuwachs bieten. Der genaue Geschwindigkeitszuwachs ist von Quantenalgorithmus zu Quantenalgorithmus unterschiedlich, aber die Tatsache, dass bestimmte Algorithmen auf Quantencomputern viel schneller ausgeführt werden können, lässt hoffen, dass bestimmte algorithmische Operationen von unpraktisch zu praktisch werden.

Quantencomputer können neue Datenmuster entdecken

Quantencomputer erzeugen neue Arten von Datenmustern. Daraus ergibt sich die Hoffnung, diese Muster mit Hilfe von Reverse-Algorithmen (d. h. Algorithmen, die durch Beobachtung ihres Verhaltens zurückentwickelt wurden) zu erkennen.

Können Quantencomputer neben klassischen Computern für KI eingesetzt werden?

In einigen Jahren, wenn wir Quantencomputer mit zahlreichen hochwertigen Qubits haben werden, wird es immer noch Aufgaben geben, die besser mit klassischen Computern gelöst werden können. Aus diesem Grund erforschen viele Unternehmen bereits heute, da Quantencomputer noch lange nicht perfekt sind, die parallele Nutzung von Quanten- und klassischen Computern. Diese Klasse von Algorithmen wird als "hybride klassisch/quantische Algorithmen" bezeichnet.

Hybride Algorithmen für das Quantencomputing: Warum sind sie heute so attraktiv?

Quantencomputer sind großartig, aber sie sind nicht die Lösung für alles. Ein Grund dafür ist, dass klassische Computer für bestimmte Aufgaben besser geeignet sein könnten, z. B. zum Lesen von Daten aus externen Speichern, zur Kommunikation über bestehende Netzwerke oder einfach zum Ausführen der endlosen Vielfalt von Programmen, die auf klassischen Computern gut genug laufen. In diesen Fällen könnte man auf der Analogie zwischen CPU und GPU aufbauen. Die GPU - eine grafische Verarbeitungseinheit - ist ein sehr nützlicher Koprozessor für eine allgemeine CPU. In ähnlicher Weise könnte eine QPU - die Quantenverarbeitungseinheit - ein fantastischer Prozessor neben einer klassischen CPU sein.

Die heutigen Quantencomputer sind nicht so stabil, wie wir es uns wünschen würden. Ob aufgrund von Temperaturschwankungen, Vibrationen oder externen Störungen - Quantencomputer können eine Berechnung nur begrenzt aufrechterhalten. Aus diesem Grund modifizieren Quanteninformationswissenschaftler die Algorithmen - manchmal recht umfangreich -, um auf hybride Weise zu arbeiten. Beispiele für Quantenalgorithmen, die hybride Algorithmen sind, sind VQE (Variational Quantum Eigensolver) und QAOA (Quantum Approximate OptimizationAlgorighm). Diese Algorithmen arbeiten in einer "Generierungs-/Lösungsschleife", die in etwa wie folgt abläuft:

‍

‍

Wie Sie sehen können, wird ein Teil der Berechnungen (gelbe Blöcke) mit klassischen Computern und ein Teil (grüne Blöcke) mit dem Quantencomputer durchgeführt.

Gibt es hybride Quantensoftwarepakete für KI?

Ja. Hybride Quantencomputer für künstliche Intelligenz werden immer beliebter, und unsere Plattform bietet ähnliche Möglichkeiten, hybride Schaltungen zu erstellen. Lernpakete wie Google Tensorflow haben Erweiterungen für das Quantencomputing veröffentlicht, damit Quantencomputer neben bestehenden CPU/GPU-Kombinationen verwendet werden können. Nach Angaben von Google bieten sie die folgenden Schlüsselfunktionen:

• Bereiten Sie einen Quantendatensatz vor. Der Datensatz muss in Tensoren kodiert werden (mehrdimensionales Zahlenfeld, das der Anzahl der Qubits entspricht). Die Qubits müssen auf bestimmte Werte initialisiert werden, und diese Initialisierung erfolgt ebenfalls durch die Erstellung eines Quantenschaltkreises. 
• Bewertung eines Modells eines neuronalen Quantennetzwerks - Der Forscher kann einen Prototyp eines neuronalen Quantennetzwerks erstellen. Quantenmodelle sind oft parametrisiert (wie im Fall von Quantenoptimierungsalgorithmen wie QAOA und VQE). Das Ziel des Modells besteht darin, Quantenberechnungen durchzuführen, um Informationen zu extrahieren, die in einem typischerweise verschränkten Zustand verborgen sind, und sie für lokale Messungen und klassische Nachbearbeitung zugänglich zu machen.
• Messen - am Ende eines Quantenverarbeitungsschaltkreises müssen Messungen (auch als Sampling bezeichnet) stattfinden. Die Messungen wandeln den Zustand der Qubits in klassische Zahlen um, die der klassische Code dann zur Optimierung des Quantenschaltkreises verwenden kann. Da sich Qubits häufig in einer Überlagerung von Zuständen befinden, müssen mehrere Messungen durchgeführt werden, um den Wert eines Qubits zu ermitteln. Ein einfaches Beispiel ist ein einzelnes Qubit, das sich mit 80 % Wahrscheinlichkeit im Zustand "0" und mit 20 % Wahrscheinlichkeit im Zustand "1" befindet. Eine einzige Messung ergibt entweder eine "0" oder eine "1", aber erst wenn wir Hunderttausende von Messungen durchführen, werden wir feststellen können, dass wir bei etwa 80 % der Messungen eine "0" erhalten.
• Auswertung eines klassischen neuronalen Netzmodells - Sobald die Messung stattgefunden hat, kann sie für die klassische Nachbearbeitung verwendet werden. Klassische tiefe neuronale Netze können eingesetzt werden, um Korrelationen zwischen gemessenen Erwartungen zu destillieren.
• Bewerten Sie die Kostenfunktion - Die Kostenfunktion kann darauf basieren, wie genau das Modell die Klassifizierungsaufgabe erfüllt, oder auf anderen Kriterien, die der Benutzer maximieren oder minimieren möchte.
• Aktualisierung der Modellparameter - Nach der Auswertung der Kostenfunktion sollten die freien Parameter in der Pipeline aktualisiert werden, um die Kosten zu optimieren. 

‍

Dieser gesamte Prozess ist in der folgenden Abbildung dargestellt:

‍

Oben: Ein abstrakter Überblick über die Berechnungsschritte, die in der End-to-End-Pipeline für die Inferenz und das Training eines hybriden quantenklassischen diskriminativen Modells für Quantendaten in TensorFlow quantum enthalten sind.

Quantencomputer für KI: Wo liegen die Grenzen?

Doch neben den aufregenden Versprechungen des Quantencomputings für die KI muss man sich auch der Realitäten und der derzeitigen Grenzen des Quantencomputings bewusst sein.

Welches sind die wichtigsten Grenzen des Quantencomputings im Zusammenhang mit der KI?

Quantencomputer bieten heute eine begrenzte Anzahl von Qubits

Die heutigen Computer haben nur eine begrenzte Anzahl von Qubits. Die Anzahl der Qubits ist zwar nicht das einzige Maß für die Leistungsfähigkeit von Quantencomputern (andere wichtige Maße sind die Kohärenzzeit, die Qubit-Treue und die Konnektivität), aber sie ist ein guter erster Näherungswert. Dies ist vergleichbar mit der Verwendung von Pferdestärken als Näherungswert für die Leistungsfähigkeit eines Autos. Praktisch jedes Quantenprogramm, das 50 Qubits oder weniger verwendet, kann auf einem klassischen Computer simuliert werden (der billiger, leichter zugänglich und einfacher zu bedienen ist). Da Quantencomputer jedoch immer größer und leistungsfähiger werden, wird es nicht mehr möglich sein, anspruchsvolle Quantenschaltungen auf klassischen Computern zu simulieren. Stattdessen werden sie auf echter Quantenhardware ausgeführt werden müssen. Die Produktpläne von Unternehmen wie IBM, Honeywell und vielen anderen sagen für die kommenden Jahre Hunderte oder sogar Tausende von Qubits voraus, was zu einer wachsenden Leistungskluft zugunsten von Quantencomputern führt.

Die Programmierung eines Quantencomputers ist schwierig

Die Quantenprogrammierung erfordert eine andere Denkweise als die klassische Programmierung. Die meisten Quantenentwicklungsumgebungen arbeiten heute auf der Gatterebene, was bedeutet, dass die Programmierer die "Verdrahtung" zwischen den Qubits und den Quantengattern, die Aktionen auf ihnen ausführen, fast manuell festlegen müssen. In gewisser Weise ähnelt dies dem Prozess der Erstellung elektronischer Schaltungen: Drähte verbinden sich mit Logikgattern, die wiederum mit anderen Logikgattern verbunden sind. Während dieser manuelle Ansatz für eine Handvoll Qubits praktisch sein mag, ist er für Hunderttausende von Qubits nicht geeignet. Glücklicherweise gibt es inzwischen Programmierplattformen wie die von Classiq, die Abstraktionen auf höherer Ebene bieten und es KI-Ingenieuren ermöglichen, die gewünschte Funktionalität auf einer hohen Abstraktionsebene zu spezifizieren und dann ein Computerprogramm einen Quantenschaltkreis daraus synthetisieren zu lassen.

Talente mit Quantenkenntnissen sind schwer zu finden

Die Programmierung eines Quantencomputers setzt heute ein hohes Maß an Fachwissen voraus, im Wesentlichen promovierte Kenntnisse der Quanteninformationswissenschaft. Während die Universitäten die Lehrpläne für die Quantenausbildung ausbauen, sind qualifizierte und erfahrene Quantensoftware-Ingenieure schwer zu finden. Obwohl die Auslagerung der Quantenentwicklung eine Option ist, sind viele Unternehmen der Meinung, dass Quanten eine strategische Technologie sind und dass es wichtig ist, interne Kompetenzen zu entwickeln. Dies ist auch ein Bereich, in dem neue Entwicklungsplattformen Quanten für domänenspezifische Experten (z. B. in den Bereichen Finanzen, Logistik, Materialwissenschaften und natürlich KI und maschinelles Lernen) leichter zugänglich machen, ohne dass ein tiefes Verständnis der Quantenphysik erforderlich ist. Ohne geeignete Lösungen für Talente oder bessere Programmierumgebungen wird es schwierig sein, das Potenzial des Quantencomputers für die KI auszuschöpfen.

Quantencomputer sind untereinander nicht kompatibel

Quantencomputer von verschiedenen Herstellern sind nicht kompatibel. Sie verwenden nicht die exakt gleichen Gatter (ähnlich wie die verfügbaren Befehlssätze). Sie haben nicht die gleiche Anzahl von Qubits. Die Qubits sind nicht auf dieselbe Weise miteinander verbunden. Dies wirft ganz andere Fragen auf als die, die wir von klassischen Computern gewohnt sind. IT-Manager können beispielsweise davon ausgehen, dass Code, der auf einem Lenovo-Notebook ausgeführt wird, auch auf einem Dell-Notebook läuft, aber sie können nicht dieselben Annahmen für Quantencomputer treffen. Kunden berichten uns regelmäßig, dass sie noch nicht bereit sind, sich auf einen Hardwareanbieter festzulegen, weil sie nicht sicher sind, wer aus dem Hardware-Rennen als Sieger hervorgehen wird. Daher suchen Unternehmen oft nach Entwicklungsplattformen, die die Hardware harmonisieren oder abstrahieren und es einfach machen, Algorithmen von einem Computer auf einen anderen zu portieren. Darüber hinaus bevorzugen Unternehmen oft die Nutzung von Quanten-Cloud-Anbietern (wie Amazon Braket oder Azure Quantum), da diese Anbieter mehrere Arten von Quantencomputern bereithalten und das Experimentieren wesentlich erleichtern.

‍

Wie sieht die Zukunft des Quantencomputers für die künstliche Intelligenz aus?

Die Kunden sind sich darüber im Klaren, dass die Quanteninformatik strategische Auswirkungen auf ihr Geschäft haben kann, aber sie wissen auch, dass es noch einige Jahre dauern kann, bis diese Auswirkungen spürbar werden. Die Unternehmen wissen, dass es jetzt an der Zeit ist, die ersten Schritte in die Quantenwelt zu unternehmen, internes Fachwissen aufzubauen, erste Anwendungsfälle zu identifizieren und kurze Konzeptnachweise zu erbringen, damit sie nicht hinter denjenigen zurückbleiben, die das maschinelle Lernen und die künstliche Intelligenz gemeistert haben, wenn die Hardware und die Software dem immensen Versprechen der Quantenwelt gerecht werden.

Quantencomputer haben neben den klassischen Computern eine große Zukunft, um die künstliche Intelligenz voranzutreiben. In der Zukunft können Quantencomputer möglicherweise den größten Teil des Lernens und der Schlussfolgerungen in der KI übernehmen, aber die Nutzer müssen sich der derzeitigen und künftigen Grenzen bewusst sein und ein geeignetes Entwicklungsinstrumentarium vorbereiten, um ihre Ziele zu erreichen.

Möchten Sie loslegen? Aktualisieren Sie Ihre Quantenreise mit unserer Quantenalgorithmus-Design-Plattform.

‍

‍