Przełom w efektywności pamięci
Małe komputery kwantowe mogą zmienić sposób, w jaki systemy sztucznej inteligencji przetwarzają dane — zgodnie z nowym badaniem sugerującym, że metody kwantowe mogą dramatycznie zmniejszyć ilość pamięci wymaganej dla zadań uczenia maszynowego.
Badanie opublikowane na arXiv pokazuje, że systemy kwantowe ze stosunkowo niewielką liczbą kubitów mogą wykonywać kluczowe funkcje AI — takie jak klasyfikacja i rozpoznawanie wzorców — na ogromnych zbiorach danych, podczas gdy klasyczne systemy wymagałyby wykładniczo większej ilości pamięci, aby osiągnąć podobne wyniki.
Technika „quantum oracle sketching”
Zamiast przechowywać całe zbiory danych, metoda przetwarza dane przyrostowo, kompresując istotne informacje do kompaktowego stanu kwantowego. Technika zwana „quantum oracle sketching” pozwala systemowi pobierać próbki danych po jednej, stosować operacje kwantowe i odrzucać surowe dane po użyciu. Z czasem proces ten buduje skondensowaną wewnętrzną reprezentację zbioru danych, która może być następnie użyta do wykonywania zadań uczenia maszynowego.
Podejście to unika potrzeby kwantowej pamięci o dostępie swobodnym (QRAM) — proponowanej, ale aktualnie niepraktycznej technologii, która przechowywałaby duże zbiory danych bezpośrednio w sprzęcie kwantowym.
Wyniki symulacji
Zespół przetestował podejście przy użyciu symulacji na rzeczywistych zbiorach danych, w tym analizy sentymentu recenzji filmów i danych biologicznych z sekwencjonowania RNA pojedynczych komórek. Badacze informują o redukcji wymagań pamięciowych o 4 do 6 rzędów wielkości, przy systemie kwantowym działającym na mniej niż 60 kubitach logicznych.
Implikacje branżowe
Wnioski sugerują, że przewaga kwantowa w AI może wynikać mniej z prędkości, a bardziej z wydajności. Dla infrastruktury AI implikacje są znaczące — metody wspomagane kwantowo mogłyby zmniejszyć wymagania dotyczące przechowywania danych poprzez skuteczniejszą kompresję, potencjalnie obniżając koszty i zużycie energii.
Badanie pozostaje jednak na etapie teoretycznym, a wyniki opierają się na symulacjach, a nie fizycznych eksperymentach kwantowych. Obecny sprzęt kwantowy nie jest jeszcze zdolny do implementacji tych metod na potrzebnej skali.
.
Źródło: AI Insider
