Naukowcy opublikowali na platformie arXiv badania sugerujące, że małe komputery kwantowe mogą dramatycznie zredukować zapotrzebowanie systemów AI na pamięć. Wyniki wskazują na potencjalny przełom w sposobie projektowania i wdrażania modeli uczenia maszynowego..
Kluczową innowacją jest technika zwana “kwantowym szkicowaniem wyroczni” (quantum oracle sketching). Zamiast przechowywać całe zbiory danych, system przetwarza próbki danych jedną po drugiej, kompresując istotne informacje w kompaktowy stan kwantowy. Surowe dane są odrzucane po użyciu, a system stopniowo buduje skondensowaną wewnętrzną reprezentację zbioru..
Zespół przetestował podejście na rzeczywistych zbiorach danych: analizie sentymentu recenzji filmowych i danych biologicznych z sekwencjonowania RNA pojedynczych komórek. Wyniki wykazały redukcję zapotrzebowania na pamięć o 4–6 rzędów wielkości przy użyciu mniej niż 60 kubitów logicznych — przy porównywalnej skuteczności do klasycznych metod uczenia maszynowego..
Badanie sugeruje, że przewaga kwantowa w AI może wynikać nie z szybkości, lecz z efektywności. Wyniki mogą mieć szczególne znaczenie dla edge AI, gdzie urządzenia działają przy ograniczonych zasobach sprzętowych..
Należy jednak podkreślić, że wyniki opierają się na symulacjach, a nie na rzeczywistym sprzęcie kwantowym. Wyzwania takie jak szum kwantowy, korekcja błędów i stabilność kubitów pozostają nierozwiązane. Mimo to badanie otwiera nową perspektywę na rolę komputerów kwantowych w przyszłości infrastruktury AI..
Źródło: AI Insider
