Kredit:shutterstock
Den menneskelige hjerne har fantastiske egenskaber, der gør den på mange måder mere kraftfuld end verdens mest avancerede computere. Så det er ikke overraskende, at ingeniører længe har forsøgt at kopiere det. I dag, kunstige neurale netværk inspireret af hjernens struktur bruges til at tackle nogle af de sværeste problemer inden for kunstig intelligens (AI). Men denne tilgang involverer typisk bygning af software, så information behandles på samme måde som hjernen, snarere end at skabe hardware, der efterligner neuroner.
Mine kolleger og jeg håber i stedet at bygge den første dedikerede neurale netværkscomputer, ved at bruge den nyeste "kvante"-teknologi frem for AI-software. Ved at kombinere disse to grene af computing, vi håber at producere et gennembrud, der fører til kunstig intelligens, der fungerer med hidtil uset hastighed, automatisk at træffe meget komplekse beslutninger på meget kort tid.
Vi har brug for meget mere avanceret kunstig intelligens, hvis vi vil have det til at hjælpe os med at skabe ting som virkelig autonome selvkørende biler og systemer til nøjagtig styring af trafikstrømmen i en hel by i realtid. Mange forsøg på at bygge denne form for software involverer at skrive kode, der efterligner den måde, neuroner i den menneskelige hjerne fungerer på, og at kombinere mange af disse kunstige neuroner i et netværk. Hver neuron efterligner en beslutningsproces ved at tage et antal inputsignaler og behandle dem for at give et output svarende til enten "ja" eller "nej".
Hvert input vægtes efter, hvor vigtigt det er for beslutningen. For eksempel, for kunstig intelligens, der kunne fortælle dig, hvilken restaurant du bedst kunne lide at gå på, kvaliteten af maden kan være vigtigere end placeringen af det bord, der er til rådighed, så ville blive tillagt mere vægt i beslutningsprocessen.
Disse vægte justeres i testkørsler for at forbedre netværkets ydeevne, effektivt at træne systemet til at fungere bedre. Det var sådan, Googles AlphaGo-software lærte det komplekse strategispil Go, spillede mod en kopi af sig selv, indtil den var klar til at slå den menneskelige verdensmester med fire kampe mod én. Men ydelsen af AI-softwaren afhænger stærkt af, hvor meget inputdata den kan trænes på (i tilfælde af AlphaGo, det var hvor ofte den spillede mod sig selv).
Vores Quromorphic-projekt har til formål at fremskynde denne proces radikalt og øge mængden af inputdata, der kan behandles ved at bygge neurale netværk, der arbejder efter kvantemekanikkens principper. Disse netværk vil ikke blive kodet i software, men direkte indbygget hardware lavet af superledende elektriske kredsløb. Vi forventer, at dette vil gøre det nemmere at opskalere dem uden fejl.
Traditionelle computere gemmer data i enheder kendt som bits, som kan tage en af to tilstande, enten 0 eller 1. Kvantecomputere gemmer data i "qubits", som kan antage mange forskellige tilstande. Hver ekstra qubit tilføjet til systemet fordobler dets computerkraft. Det betyder, at kvantecomputere kan behandle enorme mængder data parallelt (på samme tid).
Indtil nu, kun små kvantecomputere, der demonstrerer dele af teknologien, er blevet bygget med succes. Motiveret af udsigten til væsentligt større processorkraft, mange universiteter, tech-giganter og nystartede virksomheder arbejder nu på design. Men ingen har endnu nået et stadie, hvor de kan udkonkurrere eksisterende (ikke-kvante) computere.
Dette skyldes, at kvantecomputere skal være meget godt isoleret fra forstyrrelser i deres omgivelser, hvilket bliver sværere og sværere i takt med at maskinerne bliver større. For eksempel, kvanteprocessorer skal holdes i et vakuum ved en meget kold temperatur (tæt på det absolutte nulpunkt), ellers kan de blive påvirket af luftmolekyler, der rammer dem. Men processoren skal også være forbundet med omverdenen på en eller anden måde for at kunne kommunikere.
Mere plads til fejl
De tekniske udfordringer i vores projekt minder meget om dem ved at bygge en universel kvantecomputer, der kan bruges til enhver applikation. Men vi håber, at AI-applikationer kan tolerere flere fejl end konventionel databehandling, og så behøver maskinen ikke at være så godt isoleret.
For eksempel, AI bruges ofte til at klassificere data, såsom at afgøre, om et billede viser en bil eller en cykel. Det behøver ikke at fange alle detaljer af objektet fuldt ud for at træffe den beslutning. Så selvom AI har brug for høje computerhastigheder, kræver det ikke så høje præcisionsniveauer. Af denne grund, vi håber, at det gør AI til et ideelt felt for kortsigtet kvanteberegning.
Vores projekt vil involvere at demonstrere principperne involveret i et kvanteneuralt netværk. For at udnytte teknologien fuldt ud vil det involvere at skabe større enheder, en proces, der kan tage ti år eller mere, da mange tekniske detaljer skal styres meget præcist for at undgå beregningsfejl. Men når vi har vist, at kvanteneurale netværk kan være mere kraftfulde end klassisk AI-software i en applikation i den virkelige verden, det ville meget hurtigt blive noget af den vigtigste teknologi derude.
Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.