Ein Quantensprung in der KI: IonQ zielt darauf ab, quantenmechanische Lernmodelle auf der Ebene der allgemeinen menschlichen Intelligenz zu erstellen

Das miniaturisierte „Kartenspiel“-Fallen- und Vakuumkammerpaket von IonQ Aria.

Klassisches maschinelles Lernen (ML) ist eine leistungsstarke Teilmenge der künstlichen Intelligenz. Maschinelles Lernen hat sich von der einfachen Mustererkennung in den 1960er-Jahren zur modernen Nutzung umfangreicher Datensätze für das Training und die Generierung hochpräziser Vorhersagen entwickelt.

Unterdessen stieg die weltweite Datennutzung zwischen 2010 und 2020 von 1,2 Billionen Gigabyte auf fast 60 Billionen Gigabyte. Irgendwann werden Quantensysteme das anhaltende exponentielle Datenwachstum leichter bewältigen als klassische Computer, die möglicherweise Schwierigkeiten haben, mitzuhalten. Theoretisch können irgendwann in nicht allzu ferner Zukunft nur Quantencomputer solch enorme Ausmaße und Komplexität bewältigen. Wendet man dieselben Erkenntnisse auf den Bereich des ML an, macht es nur Sinn, dass die wirklichen Durchbrüche irgendwann eher vom Quantenmaschinellen Lernen (QML) als von klassischen Ansätzen kommen werden.

IonQ

IonQ-Roadmap für Anwendungen und Algorithmische Qubits (AQ)

Obwohl andere Quantencomputerunternehmen QML erforschen, gibt es mehrere Gründe, warum ich mich auf die fortgeschrittene QML-Forschung konzentriert habe, die bei IonQ ($IONQ) durchgeführt wird.

Einer davon, der CEO von IonQ, Peter Chapman, verfügt über umfangreiche Erfahrungen im Bereich maschinelles Lernen, als er mit Ray Kurzweil bei Kurzweil Technologies zusammenarbeitete. Chapman spielte eine entscheidende Rolle bei der Entwicklung eines bahnbrechenden Zeichenerkennungssystems, das Textzeichen aus gescannten Bildern generierte. Urzweil Technologies nutzte diesen Ansatz schließlich, um eine umfassende digitale Bibliothek für Blinde und Sehbehinderte aufzubauen.

Zweitens ist Chapman optimistisch, was die Zukunft von QML angeht. Er glaubt, dass QML letztendlich genauso wichtig sein wird wie die großen Sprachmodelle, die von OpenAIs ChatGPT und anderen generativen KI-Systemen verwendet werden. Aus diesem Grund ist QML in die langfristige Quantenprodukt-Roadmap von IonQ integriert.

Und drittens arbeitet IonQ mit führenden Unternehmen im Bereich KI und maschinelles Lernen zusammen, wie Amazon, Dell, Microsoft und NVIDIA. Diese Partnerschaften kombinieren die Expertise von IonQ in der Quantentechnologie mit dem KI-Wissen der Partner über ihre Partner.

IonQ-Hardware und #AQ

Das Hauptaugenmerk von IonQ liegt nicht nur auf der Quantität der Qubits, sondern umfassender auf der Qualität der Qubits und ihrer Funktionsweise als System. Diese Qualität – auch Qubit-Treue genannt – ist ein entscheidendes Unterscheidungsmerkmal für die effiziente Durchführung von Quantenberechnungen, die IonQ mit einem anwendungsorientierten Benchmark misst, den es algorithmische Qubits oder #AQ nennt.

#AQ basiert auf der Arbeit des Quantum Economic Development Consortium, einer unabhängigen Industriegruppe, die den Nutzen von Quantencomputern in realen Umgebungen bewertet. So wird #AQ berechnet.

IonQ-Quantenprozessoren

IonQ hat drei Quantencomputer mit gefangenen Ionen entwickelt: IonQ Harmony, IonQ Aria und sein neuestes Modell, einen softwaredefinierten Quantencomputer namens IonQ Forte.

Es sind zwei Arien online. Laut Chapman wurde die zweite Aria-Maschine benötigt, um der gestiegenen Kundennachfrage gerecht zu werden und die Redundanz, Kapazität und Auftragsabwicklungsgeschwindigkeit des Unternehmens zu verbessern.

Darüber hinaus arbeitet IonQ intensiv daran, IonQ Forte kommerziell verfügbar zu machen

IonQ Aria und IonQ Harmony sind über Google, Amazon Braket, Microsoft Azure und IonQ Quantum Cloud in der Cloud zugänglich. Nach Angaben des Unternehmens wird der Cloud-Zugang für IonQ Forte später bekannt gegeben. Werfen wir einen genaueren Blick auf die verschiedenen Quantencomputer, die IonQ gebaut hat:

Forte hat kürzlich einen Rekord von 29 AQ aufgestellt, womit es sieben Monate vor ihm liegtIonQs ursprüngliches AQ-Ziel für 2023.

Hinweis: Der nächste große technische Meilenstein von IonQ ist das Erreichen von 35 AQ. Auf der 35-AQ-Ebene kann die Verwendung klassischer Hardware zur Simulation von Quantenalgorithmen sehr anspruchsvoll und kostspielig werden. IonQ geht davon aus, dass es für einige Kunden zu diesem Zeitpunkt einfacher und kostengünstiger sein wird, Modelle auf tatsächlichen Quantenmaschinen auszuführen, anstatt zu versuchen, sie klassisch zu simulieren.

ML + QC = QML

Auch wenn Quantencomputing immer noch mit Prototypen im mittleren Entwicklungsstadium durchgeführt wird, hat es vielleicht noch in diesem Jahrzehnt das Potenzial, Probleme zu lösen, die weit über die Fähigkeiten klassischer Supercomputer hinausgehen. Während Quantencomputing-Prototypen ihrer Betriebstauglichkeit immer näher kommen, werden skalierte Versionen klassischer ML-Modelle bereits in Hunderttausenden von Anwendungen in nahezu allen Branchen eingesetzt. Diese reichen von personalisierten Empfehlungen auf Einkaufsseiten bis hin zu wichtigen Gesundheitsdiagnostiken wie der Analyse von Röntgen- und MRT-Scans, um Krankheiten genauer zu erkennen, als es der Mensch kann.

QML ist ein sich noch entwickelndes Feld, das Quantencomputer für anspruchsvolle ML-Aufgaben nutzt, auch wenn Quantenmaschinen derzeit weniger praktisch sind als klassische Computer. Durch die Kombination von ML und Quantencomputing (QC) zu QML entsteht eine Technologie, die bald noch leistungsfähiger sein dürfte als klassisches maschinelles Lernen.

Laut Peter Chapman entsteht ein Großteil des heutigen QML durch die Umwandlung klassischer Algorithmen des maschinellen Lernens in Quantenalgorithmen. QML ist nicht ohne Herausforderungen. Es weist viele der gleichen Probleme auf wie aktuelle Quantencomputer. Die häufigsten sind die Anfälligkeit für Fehler, die durch Umgebungsgeräusche und Dekohärenz aufgrund von Einschränkungen der Prototyp-Hardware verursacht werden.

„Schauen Sie sich die vergangenen Untersuchungen an, die wir mit Fidelity, GE, Hyundai und einigen anderen durchgeführt haben“, sagte Chapman. „Alle diese Projekte begannen mit regulären Algorithmen für maschinelles Lernen, bevor wir sie in Quantenalgorithmen umwandelten.“

Er erklärte jedoch, dass die Forschung von IonQ gezeigt habe, dass die Leistung von QML vielen seiner klassischen ML-Pendants überlegen sei. „Unsere QML-Versionen schlagen vergleichbare klassische ML-Versionen“, sagte er. „Manchmal zeigen die Ergebnisse, dass das QML-Modell das Signal in den Daten besser erfasst hat, oder manchmal war die Anzahl der Iterationen, die zum Durchsuchen der Daten erforderlich waren, wesentlich geringer QML war etwa 8.000 Mal kleiner als ein klassisches Modell benötigt.“

Warum QML besser abschneidet als klassisches ML

QML nutzt Superposition und Verschränkung, zwei Prinzipien der Quantenmechanik, um neue Algorithmen für maschinelles Lernen zu entwickeln. Durch Quantenüberlagerung können sich Qubits gleichzeitig in mehreren Zuständen befinden, während durch Quantenverschränkung viele Qubits denselben Zustand haben können. Dies steht im Gegensatz zur klassischen Physik, in der sich ein Bit jeweils nur in einem Zustand befinden kann und die Verbindung zwischen Bits nur auf physikalischem Wege möglich ist. Die relevanten Quanteneigenschaften ermöglichen es Entwicklern, QML-Algorithmen zu erstellen, um Probleme zu lösen, die mit klassischen Computern schwer zu lösen sind.

Es ist wichtig zu beachten, dass sich QML noch in einem frühen Entwicklungsstadium befindet. Es ist noch nicht leistungsstark genug, um sehr große und sehr komplexe maschinelle Lernprobleme zu lösen. Dennoch hat QML das Potenzial, das klassische maschinelle Lernen zu revolutionieren, indem es Modelle schneller trainiert, eine höhere Genauigkeit bietet und die Tür für neuere und noch leistungsfähigere Algorithmen öffnet.

Künstliche Quantenintelligenz

Quanten-KI ist noch neuer als QML. Vor etwa einem Jahr begann IonQ mit der Erforschung der Quanten-KI. Seine erste Forschungsarbeit führte zu einem Artikel über die Modellierung der menschlichen Kognition, der in der von Experten begutachteten Fachzeitschrift Entropy veröffentlicht wurde. Das Papier zeigt, dass menschliche Entscheidungsfindung auf Quantencomputern getestet werden kann. Seit den 1960er Jahren haben Forscher herausgefunden, dass Menschen bei Entscheidungen nicht immer den Regeln der klassischen Wahrscheinlichkeit folgen. Beispielsweise kann die Reihenfolge, in der Personen Fragen gestellt werden, deren Antworten beeinflussen. Die Quantenwahrscheinlichkeit hilft, diese Kuriosität zu klären.

In der Forschungsarbeit heißt es nicht, dass das Gehirn explizit die Quantenmechanik nutzt. Stattdessen wendet es dieselben mathematischen Strukturen auf beide Bereiche an, was die Faszination des Einsatzes von Quantencomputern zur Simulation menschlicher Kognition noch verstärkt.

„Wir sind begeistert von dem Potenzial der Quantentechnologie, nicht nur das maschinelle Lernen, sondern auch die künstliche allgemeine Intelligenz oder AGI leistungsfähiger zu machen“, sagte Chapman. „AGI ist der Punkt, an dem KI stark genug ist, um jede Aufgabe zu erfüllen, die ein Mensch bewältigen kann. Manche Dinge lassen sich auf einem klassischen Computer kaum modellieren, sind aber auf einem Quantencomputer möglich. Und ich denke, dass AGI dort wahrscheinlich sein wird.“ Arten von Aufgabensätzen werden durchgeführt.

Einpacken

Quantenmaschinelles Lernen ist immer noch ein aufstrebendes Feld. Es ist die Schnittstelle, an der Techniken aus der Quanteninformationsverarbeitung, dem maschinellen Lernen und der Optimierung zusammenkommen, um Probleme schneller und genauer zu lösen als klassisches maschinelles Lernen.

Es ist möglich, klassische Algorithmen des maschinellen Lernens zu verwenden und diese in quantenmaschinelles Lernen umzuwandeln. IonQ hat dies mehrfach erfolgreich getan. Diese QML-Modelle übertreffen häufig die ursprünglichen ML-Modelle.

QML bietet dank der Quantenmechanik in Form von Überlagerung und Verschränkung mehrere Vorteile gegenüber herkömmlichem maschinellen Lernen. QML kann den wachsenden Trend zur Verwendung von ML-Modellen für viele Klassifizierungsaufgaben ergänzen, von der Bilderkennung bis hin zu NLP.

Anmerkungen des Analysten:

Hier sind einige IonQ-QML-bezogene Forschungsarbeiten, die ich interessant fand:

Januar 2023 — Quantum Natural Language Processing (QNLP) ist ein Teilgebiet des maschinellen Lernens, das sich auf die Entwicklung von Algorithmen konzentriert, die natürliche Sprache (d. h. die von Menschen gesprochenen Sprachen) verarbeiten und verstehen können. IonQ-Forscher haben gezeigt, dass mit realen Datensätzen statistisch aussagekräftige Ergebnisse erzielt werden können, auch wenn diese viel schwieriger vorherzusagen sind als mit einfacheren künstlichen Sprachbeispielen, die zuvor bei der Entwicklung von Quanten-NLP-Systemen verwendet wurden. Andere Ansätze des Quanten-NLP werden verglichen, teilweise im Hinblick auf aktuelle Themen wie informelle Sprache, Geläufigkeit und Wahrhaftigkeit.

Januar 2023 — Die Forschung von IonQ konzentrierte sich auf die Textklassifizierung mit QNLP. Diese Untersuchung hat gezeigt, dass eine amplitudencodierte Feature-Map in Kombination mit einer Quanten-Support-Vektor-Maschine eine durchschnittliche Genauigkeit von 62 % bei der Stimmungsvorhersage anhand eines Datensatzes von 50 tatsächlichen Filmrezensionen erreichen kann. Das ist zwar klein, aber deutlich größer als die zuvor berichteten Ergebnisse mit Quanten-NLP.

November 2022 – Diese gemeinsame Forschung von IonQ, dem Fidelity Center for Applied Technology (FCAT) und Fidelity Investments konzentriert sich auf generatives Quantenlernen gemeinsamer Wahrscheinlichkeitsverteilungsfunktionen – GANs, QGANs und QCBMs – die allesamt maschinelles Lernen nutzen, um aus Daten zu lernen und Vorhersagen zu treffen. Die Forschung zeigt, dass eine Beziehung zwischen zwei oder mehr Variablen durch einen Quantenzustand mehrerer Teilchen dargestellt werden kann. Dies ist wichtig, da es zeigt, dass Quantencomputer zur Modellierung und zum Verständnis komplexer Beziehungen zwischen Variablen verwendet werden können.

November 2021 — IonQ und Zapata Computing haben die erste praktische und experimentelle Implementierung eines hybriden quantenklassischen QML-Algorithmus entwickelt, der hochauflösende Bilder handgeschriebener Ziffern erzeugen kann. Die Ergebnisse übertrafen vergleichbare klassische generative gegnerische Netzwerke (GANs), die auf derselben Datenbank trainiert wurden. GAN ist ein maschinelles Lernmodell mit zwei neuronalen Netzen, die miteinander konkurrieren, um die genaueste Vorhersage zu erzielen.

September 2021 — Forscher von IonQ und FCAT haben ein Proof-of-Concept-QML-Modell entwickelt, um numerische Beziehungen in den täglichen Renditen von Apple- und Microsoft-Aktien von 2010 bis 2018 zu analysieren. Tägliche Renditen sind der Preis einer Aktie zum Tagesschluss im Vergleich zu ihrem Preis bei die Schließung des Vortages. Die Kennzahl misst die tägliche Aktienperformance. Das Modell zeigte, dass mit Quantencomputern Korrelationen erzeugt werden können, die mit klassischen Mitteln, wie etwa der Wahrscheinlichkeitsverteilung, nicht effizient reproduziert werden können.

Dezember 2020 — In einer Partnerschaft zwischen IonQ und QC Ware wurden klassische Daten auf Quantenzustände geladen, um effiziente und robuste QML-Anwendungen zu ermöglichen. Maschinelles Lernen erreichte die gleiche Genauigkeit und lief schneller als auf klassischen Computern. Das Projekt nutzte die Forge Data Loader-Technologie von QC Ware, um klassische Daten in Quantenzustände umzuwandeln. Der Quantenalgorithmus, der auf der Hardware von IonQ läuft, funktionierte auf dem gleichen Niveau wie der klassische Algorithmus und identifizierte die richtigen Ziffern im Durchschnitt acht von zehn Malen.

Paul Smith-Goodson ist Vizepräsident und Hauptanalyst für KI und Quanten bei Moor Insights & Strategy. Derzeit arbeitet er an mehreren persönlichen Forschungsprojekten, darunter eine einzigartige Methode zur Nutzung von maschinellem Lernen und ionosphärischen Daten, die von einem nationalen Netzwerk von HF-Transceivern gesammelt wurden, für eine hochpräzise Vorhersage der Echtzeit- und zukünftigen globalen Ausbreitung von HF-Funksignalen.

Für aktuelle Informationen zu diesen Themen können Sie ihm auf Twitter folgen.

Moor Insights & Strategy bietet oder hat kostenpflichtige Dienstleistungen für Technologieunternehmen wie alle Forschungs- und Analyseunternehmen der Technologiebranche bereitgestellt. Zu diesen Dienstleistungen gehören Recherche, Analyse, Beratung, Consulting, Benchmarking, Akquise-Matchmaking sowie Video- und Vortragssponsoring. Das Unternehmen hatte oder unterhält derzeit bezahlte Geschäftsbeziehungen mit 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 (jetzt 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 (jetzt VMware), Fujitsu, Gen Z Consortium, Glue Networks, GlobalFoundries, Revolve (jetzt 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 (jetzt Qualcomm), NXP, onsemi, ONUG, OpenStack Foundation, Oracle, Palo Alto Networks, Panasas, Peraso, Pexip, Pixelworks, Plume Design, PlusAI, Poly (ehemals 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 (jetzt Aruba-HPE), SkyWorks, SONY Optical Storage, Splunk, Springpath (jetzt Cisco), Spirent, Splunk, Sprint (jetzt 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 und Zscaler. Patrick Moorhead, Gründer, CEO und Chefanalyst von Moor Insights & Strategy, ist Investor in dMY Technology Group Inc. VI, Fivestone Partners, Frore Systems, Groq, MemryX, Movandi und Ventana Micro., MemryX, Movandi und Ventana Micro.