剖析量子人工智能

煤油灯科技2022-06-27 10:28

量子人工智能为我们追求的数字智能下一个篇章铺平了道路。人工智能是一项变革性的技术,它需要借助量子计算才能实现重大改进。虽然人工智能可以与传统计算机一起使用,但它受到传统计算能力的限制。量子计算可以增强人工智能解决更复杂问题的能力,使其能够解决更复杂的问题。

什么是量子人工智能?

量子人工智能允许量子计算与机器学习算法一起使用。量子人工智能可以借助量子计算的计算优势帮助科学家获得传统计算机无法获得的结果。

量子人工智能算法的应用有两大研究重点:机器学习和人工智能。该计算系统与以前的计算系统的不同之处在于它可以同时表示多个状态,这在利用AI方法时特别有用。

语音助手可能会以多种方式从这种实施中受益。量子将显著提高语音助手识别的准确性,它将提高它们的处理能力和它们可以处理的数据量。由于量子计算机可以处理大量的计算变量,因此,语音助手可以更快的提供答案,类似于人提供的答案。

为什么人工智能需要量子计算助推?

近年来,人工智能取得了巨大的进步,但尚未克服计算限制。量子计算的独特功能可能有助于我们克服获得AGI(人工通用智能)的障碍。量子计算快速训练机器学习模型和开发优化算法的能力可以被利用。

我们正在接近普通计算机所能处理的极限,而数据量还在不断增长。摩尔定律声称集成电路上的晶体管数量每两年将翻一番,自1965年被提出以来,该定律已被证明是非常持久的。该领域的领先公司正竞相成为第一个开发出可行的量子计算机的公司,这种计算机将比现在的计算机更强大,并能解决日益复杂的问题。

量子计算可能会产生一种更高效、更稳定的人工智能,可以在几个小时内完成数年的分析,从而带来技术进步。如今的人工智能在神经形态认知模型、自适应机器学习和不确定性推理等问题上遇到了困难。这将是未来量子人工智能最有可能的补救措施。

量子力学和人工智能之间的联系也产生了两个方向的好处。现在,科学家们正在利用传统的机器学习来提升我们对量子物理学的认识。人工智能算法的准确性和效率可以用于对量子电路进行微调,这有助于在量子研究的大多数问题领域消除错误并节省时间。机器学习还帮助物理学家检测量子纠缠和识别物质的新相。

建立新功能

量子人工智能算法的生成模型不仅可以回答问题,还可以生成图像、音乐、视频或其他类型的信息。想想看,如果你有很多侧面的照片,但正面的照片不够多。如果你想让安全检测软件识别出一个人正面的双重面部识别,这些生成模型可以非常精确地生成更多正面的面部视图。。在传统框架中添加量子处理单元有可能提高图像质量。

传统的机器学习方法只取决于你提供的数据。如果你试图在一小组图像上训练传统的人脸检测算法,它将是无效的。然而,您可以使用量子增强生成模型来扩展这个数据集,包括更多的图片(数量和多样性),这将大大改进检测模型。

有效评估和改进AI系统的一种方法是模拟真实世界的数据。在这项技术的帮助下,我们可以利用量子人工智能制造出与真实事物非常相似的假分子、癌细胞或核磁共振图像。这使我们能够建立更好的机器学习模型,可能应用于现实世界的数据和问题。

量子人工智能是如何工作的?

根据谷歌的说法,量子人工智能的工作原理包括四个主要步骤:

1.第一步是将量子数据转换成常规数据。在那之后,这些数据被转换成一个多维的数字数组,作为量子张量。量子人工智能将这些张量进行转换,创建一个可进一步使用的数据集。

2.基于量子数据结构选择量子神经网络模型。其目标是利用量子处理提取隐藏在纠缠态中的信息。

3.量化量子态以样本的形式从经典分布中提取信息。这些值来自量子态本身。量子人工智能提供了结合多个运行的程序,每个运行都有自己的步骤(1)和(2)。

4.深度学习算法将数据转换为经典数据后,识别数据之间的关系。

深度学习的成本函数、梯度和参数更新的最后阶段是该领域的标准方法。这些阶段确保为无监督活动生成一个好的模型。

更好的算法

量子人工智能在表示和处理如此多的状态方面的灵活性使其对各种问题都非常有用。我们看到的第一个应用是材料科学,其对小分子进行建模的计算要求很高。例如,通过在未来任意数量的替代方案中确定最有效的路径,大型设备将能够生产药品和优化物流。

当今大多数人工智能的工业应用都基于监督学习,用于图片识别和消费预测等问题。基于已经提出的各种 QML 概念,我们可以预测该领域某些最流行的算法(包括“支持向量机”和特定类型的神经网络)的加速——在某些情况下可能是指数级的。

降维技术是另一种类型的降维。这些技术以更紧凑的形式表示我们的原始数据,同时保留了大部分特性。在这个阶段,科学家指出,当在数据集中精确定位某些世界范围内的特征,而不是单个细节时,量子计算将变得很有用。

最后,围绕强化学习还有很多工作要做,并且要开始考虑将其应用于现实世界的问题。它在视频游戏中的使用证明了它处理复杂情况的潜力。就计算工作和时间消耗而言,最苛刻的过程是训练算法。在这种情况下,已经设计了一些理论方法来加速量子计算机的这种训练,这可能有助于在未来创造出极其强大的量子人工智能。



原文链接:https://dataconomy.com/2022/06/quantum-artificial-intelligence/


---煤油灯科技victorlamp.com翻译整理---

你可能也喜欢这些文章