L'IA quantistica è ancora lontana anni dalla prima serata aziendale

Il potenziale del quantum computing di rivoluzionare l'IA dipende dalla crescita di un ecosistema di sviluppatori in cui abbondano strumenti, competenze e piattaforme adeguate. Per essere considerato pronto per l'implementazione della produzione aziendale, il settore dell'IA quantistica dovrebbe, come minimo, raggiungere le seguenti tappe fondamentali:

  • Trova un'applicazione convincente per la quale il calcolo quantistico ha un chiaro vantaggio rispetto agli approcci classici alla creazione e alla formazione dell'IA.
  • Converti su un framework open source ampiamente adottato per la creazione, la formazione e la distribuzione di intelligenza artificiale quantistica.
  • Costruisci un ecosistema di sviluppatori qualificato e sostanziale di applicazioni di intelligenza artificiale quantistica.

Queste pietre miliari sono tutte ancora almeno alcuni anni nel futuro. Quella che segue è un'analisi della maturità del settore dell'IA quantistica al momento attuale.

Mancanza di un'applicazione AI convincente per la quale il calcolo quantistico ha un chiaro vantaggio

Quantum AI esegue ragionevolmente bene ML (machine learning), DL (deep learning) e altri algoritmi AI basati sui dati.

Come approccio, l'IA quantistica è andata ben oltre la fase di prova del concetto. Tuttavia, non è la stessa cosa che poter affermare che gli approcci quantistici sono superiori agli approcci classici per eseguire le operazioni sulla matrice da cui dipendono i carichi di lavoro di inferenza e addestramento dell'IA.

Per quanto riguarda l'IA, il criterio chiave è se le piattaforme quantistiche possono accelerare i carichi di lavoro ML e DL più velocemente dei computer costruiti interamente sulle architetture di von Neumann classiche. Finora non esiste un'applicazione AI specifica che un computer quantistico possa funzionare meglio di qualsiasi alternativa classica. Affinché possiamo dichiarare l'IA quantistica una tecnologia aziendale matura, dovrebbero esserci almeno alcune applicazioni di IA per le quali offre un chiaro vantaggio - velocità, precisione, efficienza - rispetto agli approcci classici all'elaborazione di questi carichi di lavoro.

Tuttavia, i pionieri dell'IA quantistica hanno allineato i suoi algoritmi di elaborazione funzionale con le proprietà matematiche delle architetture di calcolo quantistico. Attualmente, i principali approcci algoritmici per l'IA quantistica includono:

  • Codifica dell'ampiezza: associa le ampiezze dello stato quantistico agli input e agli output dei calcoli eseguiti dagli algoritmi ML e DL. La codifica dell'ampiezza consente algoritmi statistici che supportano la rappresentazione esponenzialmente compatta di variabili multidimensionali complesse. Supporta le inversioni di matrice in cui l'addestramento di modelli di ML statistici si riduce alla risoluzione di sistemi lineari di equazioni, come quelli nelle regressioni lineari dei minimi quadrati, nella versione dei minimi quadrati delle macchine a vettori di supporto e nei processi gaussiani. Spesso richiede allo sviluppatore di inizializzare un sistema quantistico in uno stato le cui ampiezze riflettono le caratteristiche dell'intero set di dati.
  • Amplificazione di ampiezza : utilizza un algoritmo che trova con alta probabilità l'input univoco a una funzione di scatola nera che produce un particolare valore di output. L'amplificazione dell'ampiezza è adatta per quegli algoritmi ML che possono essere tradotti in un'attività di ricerca non strutturata, come k-mediane e k-vicini più vicini. Può essere accelerato attraverso algoritmi di random walk in cui la casualità deriva da transizioni stocastiche tra stati, come quella inerente alla sovrapposizione quantistica degli stati e al collasso delle funzioni d'onda a causa delle misurazioni degli stati.
  • Quantum annealing : determina i minimi e i massimi locali di una funzione di apprendimento automatico su un dato insieme di funzioni candidate. Inizia da una sovrapposizione di tutti i possibili stati ugualmente ponderati di un sistema ML quantistico. Quindi applica un'equazione differenziale lineare e parziale per guidare l'evoluzione temporale del sistema quantistico. Alla fine produce un operatore istantaneo, noto come Hamiltoniano, che corrisponde alla somma delle energie cinetiche più le energie potenziali associate allo stato fondamentale del sistema quantistico.

Sfruttando queste tecniche, alcune attuali implementazioni di intelligenza artificiale utilizzano piattaforme quantistiche come coprocessori su determinati carichi di lavoro di calcolo, come autoencoder, GAN (generative adversarial network) e agenti di apprendimento per rinforzo.

Man mano che l'IA quantistica matura, dovremmo aspettarci che questi e altri approcci algoritmici mostrino un chiaro vantaggio se applicati alle grandi sfide dell'IA che coinvolgono complessi calcoli probabilistici che operano su domini problematici altamente multidimensionali e set di dati multimodali. Esempi di sfide AI finora intrattabili che possono cedere ad approcci potenziati dal quantum includono modelli cognitivi neuromorfici, ragionamento in condizioni di incertezza, rappresentazione di sistemi complessi, risoluzione dei problemi collaborativa, apprendimento automatico adattivo e parallelizzazione della formazione.

Ma anche se le librerie, le piattaforme e gli strumenti quantistici si dimostrano all'altezza di queste sfide specifiche, continueranno a fare affidamento su algoritmi e funzioni di IA classici all'interno di pipeline di machine learning end-to-end.

Mancanza di una modellazione open source e di una struttura di formazione ampiamente adottata

Affinché l'IA quantistica maturi in una solida tecnologia aziendale, sarà necessario un framework dominante per lo sviluppo, l'addestramento e la distribuzione di queste applicazioni. TensorFlow Quantum di Google è uno dei preferiti in questo senso. Annunciato lo scorso marzo, TensorFlow Quantum è un nuovo stack solo software che estende la libreria AI open source e il framework di modellazione TensorFlow ampiamente adottata.

TensorFlow Quantum offre il supporto per un'ampia gamma di piattaforme di calcolo quantistico in uno dei framework di modellazione dominanti utilizzati dai professionisti dell'IA di oggi. Sviluppato dall'unità di ricerca e sviluppo X di Google, consente ai data scientist di utilizzare il codice Python per sviluppare modelli di ML e DL quantistici attraverso le funzioni standard di Keras. Fornisce inoltre una libreria di simulatori di circuiti quantistici e primitive di calcolo quantistico compatibili con le API TensorFlow esistenti.

Gli sviluppatori possono utilizzare TensorFlow Quantum per l'apprendimento supervisionato su casi d'uso dell'IA come la classificazione quantistica, il controllo quantistico e l'ottimizzazione approssimativa quantistica. Possono eseguire attività di apprendimento quantistico avanzate come meta-apprendimento, apprendimento hamiltoniano e campionamento di stati termici. Possono utilizzare il framework per addestrare modelli ibridi quantistici / classici per gestire i carichi di lavoro sia discriminatori che generativi al centro dei GAN utilizzati in deep fake, stampa 3D e altre applicazioni AI avanzate.

Riconoscendo che il quantum computing non è ancora abbastanza maturo per elaborare l'intera gamma di carichi di lavoro dell'IA con sufficiente precisione, Google ha progettato il framework per supportare i numerosi casi d'uso dell'IA con un piede nelle architetture informatiche tradizionali. TensorFlow Quantum consente agli sviluppatori di prototipare rapidamente modelli ML e DL che ibridano l'esecuzione di processori quantistici e classici in parallelo su attività di apprendimento. Utilizzando lo strumento, gli sviluppatori possono creare set di dati sia classici che quantistici, con i dati classici elaborati in modo nativo da TensorFlow e le estensioni quantistiche che elaborano i dati quantistici, che consistono sia di circuiti quantistici che di operatori quantistici.

Google ha progettato TensorFlow Quantum per supportare la ricerca avanzata su architetture e algoritmi di calcolo quantistico alternativi per l'elaborazione di modelli ML. Ciò rende la nuova offerta adatta agli scienziati informatici che stanno sperimentando diverse architetture di elaborazione quantistica e ibrida ottimizzate per carichi di lavoro ML.

A tal fine, TensorFlow Quantum incorpora Cirq, una libreria Python open source per la programmazione di computer quantistici. Supporta la creazione, la modifica e il richiamo programmatico delle porte quantistiche che costituiscono i circuiti Noisy Intermediate Scale Quantum (NISQ) caratteristici dei sistemi quantistici odierni. Cirq consente di eseguire calcoli quantistici specificati dallo sviluppatore in simulazioni o su hardware reale. Lo fa convertendo i calcoli quantistici in tensori da utilizzare all'interno dei grafici computazionali di TensorFlow. Come componente integrale di TensorFlow Quantum, Cirq consente la simulazione di circuiti quantistici e l'esecuzione di circuiti in batch, nonché la stima delle aspettative automatizzate e dei gradienti quantistici. Consente inoltre agli sviluppatori di creare compilatori, scheduler e altri algoritmi efficienti per le macchine NISQ.

Oltre a fornire uno stack software AI completo in cui è ora possibile ibridare l'elaborazione quantistica, Google sta cercando di espandere la gamma di architetture di chip più tradizionali su cui TensorFlow Quantum può simulare il machine learning quantistico. Google ha anche annunciato l'intenzione di espandere la gamma di piattaforme hardware di simulazione quantistica personalizzate supportate dallo strumento per includere unità di elaborazione grafica di vari fornitori, nonché le proprie piattaforme hardware di accelerazione AI dell'unità di elaborazione dei tensori.

L'ultimo annuncio di Google approda in un mercato dell'informatica quantistica in rapido ma ancora immaturo. Estendendo il framework di sviluppo AI open source più popolare, Google catalizzerà quasi certamente l'uso di TensorFlow Quantum in una vasta gamma di iniziative legate all'IA.

Tuttavia, TensorFlow Quantum entra in un mercato che dispone già di diversi strumenti di formazione e sviluppo di intelligenza artificiale quantistica open source. A differenza dell'offerta di Google, questi strumenti di intelligenza artificiale quantistica rivali fanno parte di pacchetti più ampi di ambienti di sviluppo, servizi cloud e consulenza per supportare applicazioni completamente funzionanti. Ecco tre offerte di intelligenza artificiale quantistica full-stack:

  •  Azure Quantum, annunciato a novembre 2019, è un servizio cloud di calcolo quantistico. Attualmente in anteprima privata e prevista per la disponibilità generale entro la fine dell'anno, Azure Quantum viene fornito con un Quantum Development Kit Microsoft open source per il linguaggio Q # orientato al quantum sviluppato da Microsoft, oltre a Python, C # e altri linguaggi. Il kit include librerie per lo sviluppo di app quantistiche in ML, crittografia, ottimizzazione e altri domini.
  • Amazon Braket, annunciato a dicembre 2019 e ancora in anteprima, è un servizio AWS completamente gestito. Fornisce un unico ambiente di sviluppo per costruire algoritmi quantistici, incluso ML, e testarli su computer quantistici / classici ibridi simulati. Consente agli sviluppatori di eseguire ML e altri programmi quantistici su una gamma di diverse architetture hardware. Gli sviluppatori creano algoritmi quantistici utilizzando il toolkit per sviluppatori Amazon Braket e utilizzano strumenti familiari come i notebook Jupyter.
  • IBM Quantum Experience è un ambiente basato su cloud gratuito, pubblicamente disponibile per l'esplorazione in team delle applicazioni quantistiche. Fornisce agli sviluppatori l'accesso a computer quantistici avanzati per l'apprendimento, lo sviluppo, l'addestramento e l'esecuzione di AI e altri programmi quantistici. Include IBM Qiskit, uno strumento di sviluppo open source con una libreria di algoritmi quantistici interdominio per la sperimentazione con applicazioni di intelligenza artificiale, simulazione, ottimizzazione e finanza per computer quantistici.

L'adozione di TensorFlow Quantum dipende dalla misura in cui questi e altri fornitori full-stack di intelligenza artificiale quantistica lo incorporano nei loro portafogli di soluzioni. Ciò sembra probabile, data la misura in cui tutti questi fornitori di cloud supportano già TensorFlow nei rispettivi stack di intelligenza artificiale.

TensorFlow Quantum non avrà necessariamente il campo AI SDK quantistico tutto per sé in futuro. Altri framework di intelligenza artificiale open source, in particolare PyTorch sviluppato da Facebook, si contendono TensorFlow per i cuori e le menti dei data scientist che lavorano. Ci si aspetta che tale framework rivale venga esteso con librerie e strumenti di intelligenza artificiale quantistica nei prossimi 12-18 mesi.

Possiamo intravedere il settore emergente dell'IA quantistica multitool considerando un fornitore pionieristico a questo proposito. PennyLane di Xanadu è un framework di formazione e sviluppo open source per l'intelligenza artificiale, eseguito su piattaforme ibride quantistiche / classiche.

Lanciata a novembre 2018, PennyLane è una libreria Python multipiattaforma per il machine learning quantistico, la differenziazione automatica e l'ottimizzazione di piattaforme di calcolo quantistico-classico ibride. PennyLane consente la prototipazione rapida e l'ottimizzazione dei circuiti quantistici utilizzando gli strumenti di intelligenza artificiale esistenti, tra cui TensorFlow, PyTorch e NumPy. È indipendente dal dispositivo, consentendo di eseguire lo stesso modello di circuito quantistico su diversi back-end software e hardware, tra cui Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK e ProjectQ.

Mancanza di un ecosistema di sviluppatori sostanziale e competente

Man mano che le app killer e i framework open source maturano, sono sicuri di catalizzare un solido ecosistema di sviluppatori qualificati di intelligenza artificiale quantistica che stanno svolgendo un lavoro innovativo portando questa tecnologia nelle applicazioni quotidiane.

Stiamo assistendo sempre più alla crescita di un ecosistema di sviluppatori per l'IA quantistica. Ciascuno dei principali fornitori di cloud di intelligenza artificiale quantistica (Google, Microsoft, Amazon Web Services e IBM) sta investendo molto per ampliare la comunità degli sviluppatori. Le iniziative dei fornitori a questo proposito includono quanto segue: