Un saut quantique dans l'IA : IonQ vise à créer des modèles d'apprentissage automatique quantique au niveau de l'intelligence humaine générale

Le piège miniaturisé "jeu de cartes" et la chambre à vide d'IonQ Aria.

L'apprentissage automatique (ML) classique est un puissant sous-ensemble de l'intelligence artificielle. L'apprentissage automatique est passé de la simple reconnaissance de formes dans les années 1960 à l'utilisation avancée d'ensembles de données massifs pour la formation et la génération de prédictions très précises.

Pendant ce temps, entre 2010 et 2020, l'utilisation mondiale des données est passée de 1,2 billion de gigaoctets à près de 60 billions de gigaoctets. À un moment donné, les systèmes quantiques géreront plus facilement la croissance exponentielle continue des données par rapport aux ordinateurs classiques, qui peuvent avoir du mal à suivre. Théoriquement, à un moment donné dans un avenir pas trop lointain, seuls les ordinateurs quantiques peuvent gérer une échelle et une complexité aussi massives. En appliquant cette même idée au domaine du ML, il est logique qu'à un moment donné, les véritables percées proviendront de l'apprentissage automatique quantique (QML) plutôt que des approches classiques.

IonQ

Feuille de route IonQ pour les applications et Algorithmic Qubits (AQ)

Bien que d'autres sociétés d'informatique quantique explorent QML, il y a plusieurs raisons pour lesquelles je me suis concentré sur la recherche QML avancée effectuée à IonQ ($ IONQ).

One, le PDG d'IonQ, Peter Chapman, possède une riche expérience en apprentissage automatique lorsqu'il a travaillé avec Ray Kurzweil chez Kurzweil Technologies. Chapman a joué un rôle crucial dans le développement d'un système de reconnaissance de caractères pionnier qui a généré des caractères de texte à partir d'images numérisées. Urzweil Technologies a finalement utilisé cette approche pour créer une bibliothèque numérique complète pour les aveugles et les malvoyants.

Deuxièmement, Chapman est optimiste quant à l'avenir de QML. Il pense que QML finira par être aussi important que les grands modèles de langage utilisés par ChatGPT d'OpenAI et d'autres systèmes d'IA générative. Pour cette raison, QML est intégré à la feuille de route des produits quantiques à long terme d'IonQ.

Et troisièmement, IonQ collabore avec des entreprises leaders dans le domaine de l'IA et de l'apprentissage automatique, telles qu'Amazon, Dell, Microsoft et NVIDIA. Ces partenariats combinent l'expertise d'IonQ en technologie quantique avec la connaissance de l'IA des partenaires de leurs partenaires.

Matériel IonQ et #AQ

L'objectif principal d'IonQ n'est pas seulement la quantité de qubits, mais plus globalement la qualité des qubits et leur fonctionnement en tant que système. Cette qualité, également appelée fidélité qubit, est un facteur de différenciation essentiel pour effectuer efficacement des calculs quantiques, une qualité que IonQ mesure avec une référence orientée application qu'il appelle qubits algorithmiques ou #AQ.

#AQ est basé sur les travaux lancés par le Quantum Economic Development Consortium, un groupe industriel indépendant qui évalue l'utilité de l'ordinateur quantique dans des contextes réels. Voici comment #AQ est calculé.

Processeurs quantiques IonQ

IonQ a créé trois ordinateurs quantiques à ions piégés : IonQ Harmony, IonQ Aria et son dernier modèle, un ordinateur quantique défini par logiciel appelé IonQ Forte.

Il y a deux Arias en ligne. Selon Chapman, la deuxième machine Aria était nécessaire pour répondre à la demande croissante des clients et pour améliorer la redondance, la capacité et la vitesse de traitement des commandes de l'entreprise.

De plus, IonQ travaille dur pour rendre le IonQ Forte disponible dans le commerce

IonQ Aria et IonQ Harmony sont accessibles dans le cloud via Google, Amazon Braket, Microsoft Azure et IonQ Quantum Cloud. Selon la société, l'accès au cloud pour IonQ Forte sera annoncé ultérieurement. Examinons plus en détail les différents ordinateurs quantiques construits par IonQ :

Forte a récemment démontré un record de 29 AQ, ce qui la place sept mois devantObjectif QA initial d'IonQ pour 2023.

Remarque : la prochaine étape technique majeure d'IonQ est d'atteindre 35 QA. Au niveau 35 AQ, l'utilisation de matériel classique pour simuler des algorithmes quantiques peut devenir très difficile et coûteuse. À ce stade, IonQ pense qu'il sera plus facile et moins coûteux pour certains clients d'exécuter des modèles sur de véritables machines quantiques plutôt que d'essayer de les simuler de manière classique.

ML + QC = QML

Même si l'informatique quantique est encore réalisée par des prototypes de stade intermédiaire, elle a le potentiel, peut-être au cours de cette décennie, de résoudre des problèmes bien au-delà de la capacité des supercalculateurs classiques. Pendant ce temps, alors que les prototypes d'informatique quantique sont sur le point de devenir opérationnels, des versions à l'échelle des modèles ML classiques sont déjà utilisées dans des centaines de milliers d'applications dans presque tous les secteurs. Celles-ci vont des recommandations personnalisées sur les sites d'achat aux diagnostics de soins de santé critiques, tels que l'analyse des rayons X et des IRM pour détecter les maladies avec plus de précision que les humains.

QML est un domaine encore en développement qui utilise des ordinateurs quantiques pour des tâches ML difficiles, même si, à ce stade, les machines quantiques sont moins pratiques que les ordinateurs classiques. La combinaison du ML et de l'informatique quantique (QC) pour produire du QML crée une technologie qui devrait bientôt être encore plus puissante que l'apprentissage automatique classique.

Selon Peter Chapman, une grande partie du QML d'aujourd'hui est créée en convertissant des algorithmes d'apprentissage automatique classiques en algorithmes quantiques. QML n'est pas sans défis. Il présente bon nombre des mêmes problèmes que ceux associés aux ordinateurs quantiques actuels, le plus répandu étant la sensibilité aux erreurs causées par le bruit environnemental et la décohérence due aux limitations matérielles des prototypes.

"Regardez les recherches passées que nous avons faites avec Fidelity, GE, Hyundai et quelques autres", a déclaré Chapman. "Tous ces projets ont commencé avec des algorithmes d'apprentissage automatique réguliers avant de les convertir en algorithmes quantiques."

Il a expliqué, cependant, que les recherches d'IonQ ont montré que les performances de QML étaient supérieures à celles de bon nombre de ses homologues ML classiques. "Nos versions QML battent les versions ML classiques comparables", a-t-il déclaré. "Parfois, les résultats montrent que le modèle QML réussissait mieux à capter le signal dans les données, ou parfois le nombre d'itérations nécessaires pour parcourir les données était nettement inférieur. Et parfois, comme l'indiquent nos recherches les plus récentes, les données nécessaires pour QML étaient environ 8 000 fois inférieures aux besoins d'un modèle classique."

Pourquoi QML est plus performant que le ML classique

QML utilise la superposition et l'intrication, deux principes de la mécanique quantique, pour développer de nouveaux algorithmes d'apprentissage automatique. La superposition quantique permet aux qubits d'être dans plusieurs états simultanément, tandis que l'intrication quantique permet à de nombreux qubits de partager le même état. Cela contraste avec la physique classique, où un bit ne peut être que dans un seul état à la fois, et où la connectivité entre les bits n'est possible que par des moyens physiques. Les propriétés quantiques pertinentes permettent aux développeurs de créer des algorithmes QML pour résoudre des problèmes insolubles à l'aide d'ordinateurs classiques.

Il est important de noter que QML en est encore à ses premiers stades de développement. Il n'est pas encore assez puissant pour résoudre des problèmes d'apprentissage automatique très volumineux et très complexes. Pourtant, QML a le potentiel de révolutionner l'apprentissage automatique classique en formant des modèles plus rapidement, en offrant une plus grande précision et en ouvrant la porte à des algorithmes plus récents et encore plus puissants.

Intelligence artificielle quantique

Quantum AI est encore plus récent que QML. Il y a environ un an, IonQ a commencé à explorer l'IA quantique. Son premier effort de recherche a produit un article sur la modélisation de la cognition humaine qui a été publié dans la revue scientifique à comité de lecture Entropy. L'article montre que la prise de décision humaine peut être testée sur des ordinateurs quantiques. Depuis les années 1960, les chercheurs ont constaté que les gens ne suivent pas toujours les règles de la probabilité classique lorsqu'ils prennent des décisions. Par exemple, l'ordre dans lequel les personnes sont posées aux questions peut influencer leurs réponses. La probabilité quantique aide à clarifier cette bizarrerie.

Le document de recherche ne dit pas que le cerveau fonctionne explicitement en utilisant la mécanique quantique. Au lieu de cela, il applique les mêmes structures mathématiques aux deux domaines, ce qui ajoute à l'intrigue de l'utilisation d'ordinateurs quantiques pour simuler la cognition humaine.

"Nous sommes enthousiasmés par le potentiel du quantum non seulement à ajouter de la puissance à l'apprentissage automatique, mais également à l'intelligence artificielle générale ou AGI", a déclaré Chapman. "L'AGI est le point auquel l'IA est suffisamment puissante pour accomplir n'importe quelle tâche qu'un humain peut effectuer. Certaines choses sont presque impossibles à modéliser sur un ordinateur classique mais sont possibles sur un ordinateur quantique. Et je pense que l'AGI sera probablement l'endroit où ces types de problèmes seront résolus."

Emballer

Quantum Machine Learning est encore un domaine émergent. C'est l'intersection où les techniques du traitement de l'information quantique, de l'apprentissage automatique et de l'optimisation se rejoignent pour résoudre les problèmes plus rapidement et plus précisément que l'apprentissage automatique classique.

Il est possible d'utiliser des algorithmes d'apprentissage automatique classiques et de les convertir en apprentissage automatique quantique. IonQ l'a fait avec succès à plusieurs reprises. Ces modèles QML surpassent souvent les modèles ML originaux.

QML offre plusieurs avantages par rapport à l'apprentissage automatique traditionnel grâce à la mécanique quantique sous forme de superposition et d'intrication. QML peut compléter la tendance croissante à utiliser des modèles ML pour de nombreuses tâches de classification, de la reconnaissance d'images à la PNL.

Notes de l'analyste :

Voici quelques articles de recherche liés à IonQ QML que j'ai trouvés intéressants :

janvier 2023 — Le traitement quantique du langage naturel (QNLP) est un sous-domaine de l'apprentissage automatique qui se concentre sur le développement d'algorithmes capables de traiter et de comprendre le langage naturel (c'est-à-dire les langues parlées par les humains). Les chercheurs d'IonQ ont démontré que des résultats statistiquement significatifs peuvent être obtenus à l'aide d'ensembles de données réels, même s'il est beaucoup plus difficile à prédire qu'avec des exemples de langage artificiel plus simples utilisés précédemment dans le développement de systèmes de PNL quantique. D'autres approches de la PNL quantique sont comparées, en partie en ce qui concerne les problèmes contemporains, notamment le langage informel, la fluidité et la véracité.

janvier 2023 — Recherche par IonQ axée sur la classification de texte avec QNLP. Cette recherche a démontré qu'une carte de caractéristiques codées en amplitude combinée à une machine à vecteur de support quantique peut atteindre une précision moyenne de 62 % en prédisant le sentiment en utilisant un ensemble de données de 50 critiques de films réels. C'est petit, mais considérablement plus grand que les résultats précédemment rapportés en utilisant la PNL quantique.

novembre 2022 - Cette recherche conjointe d'IonQ, du Fidelity Center for Applied Technology (FCAT) et de Fidelity Investments se concentre sur l'apprentissage quantique génératif des fonctions de distribution de probabilité conjointes - GAN, QGAN et QCBM - qui utilisent toutes l'apprentissage automatique pour apprendre à partir des données et faire des prédictions. La recherche démontre qu'une relation entre deux ou plusieurs variables peut être représentée par un état quantique de plusieurs particules. Ceci est important car cela montre que les ordinateurs quantiques peuvent être utilisés pour modéliser et comprendre des relations complexes entre des variables.

novembre 2021 — IonQ et Zapata Computing ont développé la première implémentation pratique et expérimentale d'un algorithme QML quantique-classique hybride capable de générer des images haute résolution de chiffres manuscrits. Les résultats ont surpassé les réseaux antagonistes génératifs (GAN) classiques comparables formés sur la même base de données. GAN est un modèle d'apprentissage automatique avec deux réseaux de neurones qui se font concurrence pour produire la prédiction la plus précise.

Septembre 2021 — Des chercheurs d'IonQ et de FCAT ont développé un modèle QML de preuve de concept pour analyser les relations numériques dans les rendements quotidiens des actions Apple et Microsoft de 2010 à 2018. Les rendements quotidiens sont le prix d'une action à la clôture quotidienne par rapport à son prix à la clôture de la veille. La métrique mesure la performance quotidienne des actions. Le modèle a démontré que les ordinateurs quantiques peuvent être utilisés pour générer des corrélations qui ne peuvent pas être reproduites efficacement par des moyens classiques, tels que la distribution de probabilité.

Décembre 2020 — Dans un partenariat entre IonQ et QC Ware, des données classiques ont été chargées sur des états quantiques pour permettre des applications QML efficaces et robustes. L'apprentissage automatique a atteint le même niveau de précision et s'est exécuté plus rapidement que sur les ordinateurs classiques. Le projet a utilisé la technologie Forge Data Loader de QC Ware pour transformer des données classiques en états quantiques. L'algorithme quantique, exécuté sur le matériel d'IonQ, a fonctionné au même niveau que l'algorithme classique, identifiant les chiffres corrects huit fois sur 10 en moyenne.

Paul Smith-Goodson est le vice-président et analyste principal couvrant l'IA et le quantum pour Moor Insights & Strategy. Il travaille actuellement sur plusieurs projets de recherche personnels, dont l'un est une méthode unique d'utilisation de l'apprentissage automatique et des données ionosphériques collectées à partir d'un réseau national d'émetteurs-récepteurs HF pour une prédiction très précise de la propagation mondiale en temps réel et future des signaux radio HF.

Pour des informations actuelles sur ces sujets, vous pouvez le suivre sur Twitter.

Moor Insights & Strategy fournit ou a fourni des services payants à des entreprises technologiques comme toutes les sociétés d'analyse de l'industrie de la recherche et de la technologie. Ces services comprennent la recherche, l'analyse, le conseil, le conseil, l'analyse comparative, le jumelage d'acquisitions et le parrainage de vidéos et de conférences. La société a eu ou a actuellement des relations commerciales rémunérées avec 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 (maintenant 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 (maintenant VMware), Fujitsu, Gen Z Consortium, Glue Networks, GlobalFoundries, Revolve ( maintenant 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 Lab s, 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 (maintenant Qualcomm), NXP, onsemi, ONU G, OpenStack Foundation, Oracle, Palo Alto Networks, Panasas, Peraso, Pexip, Pixelworks, Plume Design, PlusAI, Poly (anciennement 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 (maintenant Aruba-HPE), SkyWorks, Stockage optique SONY, Splunk, Springpath (maintenant Cisco), Spirent, Splunk, Sprint (maintenant 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, Xi linx, Zayo, Zebra, Zedda, Zendesk, Zoho, Zoom et Zscaler. Patrick Moorhead, fondateur, PDG et analyste en chef de Moor Insights & Strategy, est un investisseur dans dMY Technology Group Inc. VI, Fivestone Partners, Frore Systems, Groq, MemryX, Movandi et Ventana Micro., MemryX, Movandi et Ventana Micro.