L'IA quantique est encore à des années des heures de grande écoute de l'entreprise

Le potentiel de l'informatique quantique pour révolutionner l'IA dépend de la croissance d'un écosystème de développeurs dans lequel les outils, les compétences et les plates-formes appropriés sont en abondance. Pour être considérée comme prête pour le déploiement de la production en entreprise, l'industrie de l'IA quantique devrait, à tout le moins, atteindre les étapes clés suivantes:

  • Trouvez une application convaincante pour laquelle l'informatique quantique a un net avantage sur les approches classiques de la construction et de la formation de l'IA.
  • Converger sur un cadre open source largement adopté pour la construction, la formation et le déploiement de l'IA quantique.
  • Construisez un écosystème de développeurs substantiel et compétent d'applications d'IA quantique.

Ces jalons sont tous encore au moins dans quelques années. Ce qui suit est une analyse de la maturité de l'industrie de l'IA quantique à l'heure actuelle.

Absence d'une application d'IA convaincante pour laquelle l'informatique quantique a un net avantage

Quantum AI exécute assez bien ML (apprentissage automatique), DL (apprentissage en profondeur) et d'autres algorithmes d'IA basés sur les données.

En tant qu'approche, l'IA quantique est allée bien au-delà du stade de la preuve de concept. Cependant, ce n'est pas la même chose que de pouvoir affirmer que les approches quantiques sont supérieures aux approches classiques pour exécuter les opérations matricielles dont dépendent les charges de travail d'inférence et de formation de l'IA.

En ce qui concerne l'IA, le critère clé est de savoir si les plates-formes quantiques peuvent accélérer les charges de travail ML et DL plus rapidement que les ordinateurs entièrement construits sur des architectures von Neumann classiques. Jusqu'à présent, il n'y a pas d'application d'IA spécifique qu'un ordinateur quantique puisse mieux fonctionner que n'importe quelle alternative classique. Pour que nous puissions déclarer l'IA quantique comme une technologie d'entreprise mature, il faudrait au moins quelques applications d'IA pour lesquelles elle offre un net avantage - rapidité, précision, efficacité - par rapport aux approches classiques de traitement de ces charges de travail.

Néanmoins, les pionniers de l'IA quantique ont aligné ses algorithmes de traitement fonctionnel sur les propriétés mathématiques des architectures de calcul quantique. Actuellement, les principales approches algorithmiques de l'IA quantique comprennent:

  • Codage d'amplitude: il associe des amplitudes d'état quantique aux entrées et sorties des calculs effectués par les algorithmes ML et DL. Le codage d'amplitude permet des algorithmes statistiques qui prennent en charge une représentation exponentiellement compacte de variables multidimensionnelles complexes. Il prend en charge les inversions matricielles dans lesquelles l'apprentissage des modèles statistiques de ML se réduit à la résolution de systèmes linéaires d'équations, tels que ceux des régressions linéaires des moindres carrés, de la version des moindres carrés des machines vectorielles de support et des processus gaussiens. Il oblige souvent le développeur à initialiser un système quantique dans un état dont les amplitudes reflètent les caractéristiques de l'ensemble de données.
  • Amplification d'amplitude : Cela utilise un algorithme qui trouve avec une forte probabilité l'entrée unique d'une fonction de boîte noire qui produit une valeur de sortie particulière. L'amplification d'amplitude convient aux algorithmes ML qui peuvent être traduits en une tâche de recherche non structurée, comme les k-médianes et les k-voisins les plus proches. Elle peut être accélérée grâce à des algorithmes de marche aléatoire où le caractère aléatoire provient des transitions stochastiques entre les états, comme celle inhérente à la superposition quantique d'états et à l'effondrement des fonctions d'onde dû aux mesures d'état.
  • Recuit quantique : Ceci détermine les minima et maxima locaux d'une fonction d'apprentissage automatique sur un ensemble donné de fonctions candidates. Il part d'une superposition de tous les états possibles et également pondérés d'un système de ML quantique. Il applique ensuite une équation différentielle partielle linéaire pour guider l'évolution temporelle du système de mécanique quantique. Il produit finalement un opérateur instantané, connu sous le nom d'hamiltonien, qui correspond à la somme des énergies cinétiques plus les énergies potentielles associées à l'état fondamental du système quantique.

Tirant parti de ces techniques, certaines implémentations d'IA actuelles utilisent des plates-formes quantiques comme coprocesseurs sur certaines charges de travail de calcul, telles que les auto-encodeurs, les GAN (réseaux antagonistes génératifs) et les agents d'apprentissage par renforcement.

À mesure que l'IA quantique mûrit, nous devrions nous attendre à ce que ces approches algorithmiques, ainsi que d'autres, présentent un avantage clair lorsqu'elles sont appliquées aux grands défis de l'IA qui impliquent des calculs probabilistes complexes opérant sur des domaines de problèmes hautement multidimensionnels et des ensembles de données multimodaux. Des exemples de défis d'IA jusqu'ici insolubles qui peuvent conduire à des approches améliorées quantiques comprennent les modèles cognitifs neuromorphiques, le raisonnement sous incertitude, la représentation de systèmes complexes, la résolution de problèmes en collaboration, l'apprentissage automatique adaptatif et la parallélisation de la formation.

Mais même si les bibliothèques, plates-formes et outils quantiques font leurs preuves pour ces défis spécifiques, ils continueront de s'appuyer sur des algorithmes et des fonctions d'IA classiques dans des pipelines d'apprentissage automatique de bout en bout.

Absence d'un cadre de modélisation et de formation open source largement adopté

Pour que l'IA quantique devienne une technologie d'entreprise robuste, il faudra un cadre dominant pour développer, former et déployer ces applications. TensorFlow Quantum de Google est un favori à cet égard. Annoncé en mars dernier, TensorFlow Quantum est une nouvelle pile logicielle qui étend la bibliothèque d'IA open source TensorFlow et le cadre de modélisation largement adoptés.

TensorFlow Quantum apporte la prise en charge d'un large éventail de plates-formes de calcul quantique dans l'un des cadres de modélisation dominants utilisés par les professionnels de l'IA d'aujourd'hui. Développé par l'unité R&D X de Google, il permet aux data scientists d'utiliser le code Python pour développer des modèles quantiques ML et DL via des fonctions Keras standard. Il fournit également une bibliothèque de simulateurs de circuits quantiques et de primitives de calcul quantique compatibles avec les API TensorFlow existantes.

Les développeurs peuvent utiliser TensorFlow Quantum pour un apprentissage supervisé sur des cas d'utilisation de l'IA tels que la classification quantique, le contrôle quantique et l'optimisation approximative quantique. Ils peuvent exécuter des tâches d'apprentissage quantique avancées telles que le méta-apprentissage, l'apprentissage hamiltonien et l'échantillonnage d'états thermiques. Ils peuvent utiliser le cadre pour former des modèles hybrides quantiques / classiques pour gérer à la fois les charges de travail discriminantes et génératives au cœur des GAN utilisés dans les faux profonds, l'impression 3D et d'autres applications d'IA avancées.

Reconnaissant que l'informatique quantique n'est pas encore assez mature pour traiter la gamme complète des charges de travail d'IA avec une précision suffisante, Google a conçu le cadre pour prendre en charge les nombreux cas d'utilisation de l'IA avec un pied dans les architectures informatiques traditionnelles. TensorFlow Quantum permet aux développeurs de prototyper rapidement des modèles ML et DL qui hybrident l'exécution de processeurs quantiques et classiques en parallèle sur des tâches d'apprentissage. En utilisant cet outil, les développeurs peuvent créer des ensembles de données classiques et quantiques, avec les données classiques traitées nativement par TensorFlow et les extensions quantiques traitant des données quantiques, qui se composent à la fois de circuits quantiques et d'opérateurs quantiques.

Google a conçu TensorFlow Quantum pour soutenir la recherche avancée sur les architectures et algorithmes alternatifs d'informatique quantique pour le traitement des modèles ML. Cela rend la nouvelle offre adaptée aux informaticiens qui expérimentent différentes architectures de traitement quantiques et hybrides optimisées pour les charges de travail ML.

À cette fin, TensorFlow Quantum intègre Cirq, une bibliothèque Python open source pour la programmation d'ordinateurs quantiques. Il prend en charge la création programmatique, l'édition et l'invocation des portes quantiques qui constituent les circuits Noisy Intermediate Scale Quantum (NISQ) caractéristiques des systèmes quantiques actuels. Cirq permet d'exécuter des calculs quantiques spécifiés par le développeur dans des simulations ou sur du matériel réel. Pour ce faire, il convertit les calculs quantiques en tenseurs à utiliser dans les graphes de calcul TensorFlow. En tant que composant intégral de TensorFlow Quantum, Cirq permet la simulation de circuits quantiques et l'exécution de circuits par lots, ainsi que l'estimation automatique des attentes et des gradients quantiques. Il permet également aux développeurs de créer des compilateurs, des planificateurs et d'autres algorithmes efficaces pour les machines NISQ.

En plus de fournir une pile logicielle d'IA complète dans laquelle le traitement quantique peut désormais être hybridé, Google cherche à élargir la gamme d'architectures de puces plus traditionnelles sur lesquelles TensorFlow Quantum peut simuler le ML quantique. Google a également annoncé son intention d'élargir la gamme de plates-formes matérielles de simulation quantique personnalisées prises en charge par l'outil pour inclure des unités de traitement graphique de divers fournisseurs ainsi que ses propres plates-formes matérielles d'accélérateur d'intelligence artificielle d'unité de traitement Tensor.

La dernière annonce de Google atterrit sur un marché de l'informatique quantique en évolution rapide mais encore immature. En étendant le cadre de développement d'IA open source le plus populaire, Google catalysera presque certainement l'utilisation de TensorFlow Quantum dans un large éventail d'initiatives liées à l'IA.

Cependant, TensorFlow Quantum arrive sur un marché qui dispose déjà de plusieurs outils de développement et de formation en IA quantique open source. Contrairement à l'offre de Google, ces outils d'IA quantique rivaux font partie de packages plus volumineux d'environnements de développement, de services cloud et de conseil pour la mise en place d'applications fonctionnelles complètes. Voici trois offres d'IA quantique à pile complète:

  •  Azure Quantum, annoncé en novembre 2019, est un service cloud d'informatique quantique. Actuellement en préversion privée et dont la disponibilité générale est prévue plus tard cette année, Azure Quantum est livré avec un kit de développement Quantum Microsoft open-source pour le langage Q # orienté quantique développé par Microsoft ainsi que Python, C # et d'autres langages. Le kit comprend des bibliothèques pour le développement d'applications quantiques dans le ML, la cryptographie, l'optimisation et d'autres domaines.
  • Amazon Braket, annoncé en décembre 2019 et toujours en avant-première, est un service AWS entièrement géré. Il fournit un environnement de développement unique pour construire des algorithmes quantiques, y compris ML, et les tester sur des ordinateurs hybrides quantiques / classiques simulés. Il permet aux développeurs d'exécuter le ML et d'autres programmes quantiques sur une gamme d'architectures matérielles différentes. Les développeurs créent des algorithmes quantiques à l'aide de la boîte à outils pour développeurs Amazon Braket et utilisent des outils familiers tels que les blocs-notes Jupyter.
  • IBM Quantum Experience est un environnement cloud gratuit et accessible au public pour l'exploration en équipe des applications quantiques. Il fournit aux développeurs un accès à des ordinateurs quantiques avancés pour apprendre, développer, former et exécuter l'IA et d'autres programmes quantiques. Il comprend IBM Qiskit, un outil de développement open source avec une bibliothèque d'algorithmes quantiques interdomaines pour expérimenter des applications d'IA, de simulation, d'optimisation et de finance pour les ordinateurs quantiques.

L'adoption de TensorFlow Quantum dépend de la mesure dans laquelle ces fournisseurs et d'autres fournisseurs de solutions complètes d'IA quantique l'intègrent dans leurs portefeuilles de solutions. Cela semble probable, étant donné la mesure dans laquelle tous ces fournisseurs de cloud prennent déjà en charge TensorFlow dans leurs piles IA respectives.

TensorFlow Quantum n'aura pas nécessairement le champ du SDK quantique AI pour lui-même à l'avenir. D'autres frameworks d'IA open source, notamment le PyTorch développé par Facebook, se disputent TensorFlow pour le cœur et l'esprit des scientifiques des données. On s'attend à ce que ce cadre rival soit étendu avec des bibliothèques et des outils d'IA quantique au cours des 12 à 18 prochains mois.

Nous pouvons avoir un aperçu de l'industrie émergente de l'IA quantique multitool en considérant un fournisseur pionnier à cet égard. PennyLane de Xanadu est un cadre de développement et de formation open-source pour l'IA, s'exécutant sur des plates-formes hybrides quantique / classique.

Lancée en novembre 2018, PennyLane est une bibliothèque Python multiplateforme pour le ML quantique, la différenciation automatique et l'optimisation des plates-formes informatiques classiques quantiques hybrides. PennyLane permet le prototypage et l'optimisation rapides des circuits quantiques à l'aide des outils d'IA existants, notamment TensorFlow, PyTorch et NumPy. Il est indépendant du périphérique, ce qui permet d'exécuter le même modèle de circuit quantique sur différents back-ends logiciels et matériels, notamment Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK et ProjectQ.

Absence d'un écosystème de développeurs substantiel et qualifié

Au fur et à mesure que les applications tueuses et les cadres open source mûrissent, ils sont sûrs de catalyser un écosystème robuste de développeurs d'IA quantique qualifiés qui font un travail innovant pour intégrer cette technologie dans les applications quotidiennes.

De plus en plus, nous assistons à la croissance d'un écosystème de développeurs pour l'IA quantique. Chacun des principaux fournisseurs de cloud d'IA quantique (Google, Microsoft, Amazon Web Services et IBM) investit massivement dans l'élargissement de la communauté des développeurs. Les initiatives des fournisseurs à cet égard sont les suivantes: