1936年の誕生以来1世紀も経たないうちに、従来のコンピューティングは世界中のほぼすべての業界に革命をもたらしました。そして、従来のコンピューティングが新たな領域に道を譲るにつれ、 人工知能 (AI) が次のイノベーションの波の源となる可能性が高くなります。
AI分野におけるイノベーションの進歩により、AIがコンピューティング速度と電力効率の既存の限界を継続的に押し広げているため、従来のコンピューティングの限界がすぐに明らかになります。自動運転車、化学反応シミュレーション、3D動的シミュレーションなどで使用される複雑なソフトウェア アプリケーションは、従来のコンピューティング テクノロジの機能を継続的に押し広げています。
ここでは、量子コンピューティングと従来のコンピューティングの基本的な違いについて説明し、自律走行車やその他の計算集約型ソフトウェア アプリケーションのAIアルゴリズムを改善する量子コンピューティングの可能性を検討します。
量子コンピューティングとは何ですか?
量子コンピューティング は従来のコンピューティングに取って代わることを意図したものではありません。実際、ほとんどの計算タスクでは、従来のコンピュータの方が量子コンピュータよりも優れています。しかし、量子コンピュータは、難しい計算問題を解決するのに非常に優れています。
従来のコンピュータはバイナリ トランジスタ「ビット」(0または1) を使用してデータを処理しますが、量子コンピュータは3つの異なる状態を表す量子ビット (キュービットとも呼ばれます) を使用します。量子ビットの3番目の状態は「重ね合わせ」と呼ばれ、量子ビットが0と1の両方を同時に表現できるようになります。
3番目の重ね合わせ状態を考えると、量子コンピューティングの能力は量子ビットの数に応じて指数関数的に増加しますが、コンピューターの能力はトランジスタ ビットの数に応じて1:1の比率で増加します。たとえば、従来のビットが2つある場合、可能な値の組み合わせの合計数は4つ (00、01、10、11) になります。
しかし、2つの量子ビットは4つの状態の重ね合わせで存在できるため、2つの量子ビットの合計の組み合わせは8つの異なる状態になります。したがって、「N」量子ビットに保存される情報は、「2^N」古典ビットに保存されるデータと等しくなります。
この情報をより関連性の高いデータ ストレージ数値に変換すると、3量子ビットは8ビット (または1バイト) に等しく、13量子ビットは8192ビット (1キロバイト) に等しくなります。量子ビットを使用して1テラバイト (8.8 x 10^12ビット) の情報を保存する場合、必要な量子ビットは43個だけです。
計算能力におけるこの劇的な利点を考えると、量子コンピュータは複雑な計算問題に適しています。これらには、化学反応のシミュレーション、薬物の識別、マルチストップ物流、人工知能アルゴリズムなどの最適化の課題が含まれます。自動運転車のトレーニングの世界では、これは、従来のデータセンターよりもはるかに多くのトレーニング データを量子コンピューターに保存して処理できることを意味し、より多くのデータを使用してモデルを教育し、より正確なモデルをより速く生成できるようになります。
2019年、 Google は「Sycamore」という名の54量子ビットプロセッサの実験を行い、世界最速のスーパーコンピュータでも完了するのに1万年かかる計算実験を完了することを目指しました。シカモアは200秒で実験を実施した。自動運転車のAIモデルトレーニング アプリケーションでは、量子コンピューターは10,000年分のトレーニング データを200秒で処理できるため、AVモデル トレーナーの機会が無限に広がります。
量子AIとは何ですか?
AIはソフトウェアの現代の最先端です。現在、AIにはさまざまな側面とサブジャンルがありますが、その潜在能力のすべてと比較するとまだ初期段階にあり、AIの開発はゆっくりと進むことが多いです。
人工知能のトレーニング モデルの開発、使用、反復は非常に複雑です。多くの場合、これらのアルゴリズムの実行には、その複雑さに応じて、数時間、数日、数週間、さらには数か月かかることがあります。現在、 自律走行車の「完全自律走行への競争」 はAIの頂点と考えられており、長い間、多くのAIトレーニング モデルの実証の場となっています。量子AIは、自動運転車のAIトレーニング モデルをフル稼働させるソリューションとなる可能性があります。
量子AIは、従来のコンピューティングの制約から現代のAIを解放することを目的としています。最適化アルゴリズムとモデルはほとんどのAIの基礎となりますが、従来の計算では多くのトレーニング モデルを効率的に完了する能力に限界があります。
近い将来、量子コンピューティングは、極めて困難なコンピューティング プロセスの計算を高速化し、既存のコンピューティング基盤に新たな洞察をもたらすために使用されるようになるかもしれません。
たとえば、テスラの自動運転車のニューラル ネットワークをトレーニングするには、膨大な量の並列コンピューティングと膨大なデータ セットが必要です。実際、テスラは自動運転車のアルゴリズムをトレーニングする手段として、1日あたり数テラバイトのデータを収集しています。最新の自動運転車のニューラルネットワークを訓練するデータセンターは、多くの場合、そのニューラルネットワークの一部しか訓練できない。 ニューラルネットワークハードウェア全体の計算能力の制限を考慮すると、
この例では、テスラのニューラル ネットワーク全体を完全に再トレーニングするのは非常に非効率的である可能性があります。しかし、量子コンピュータは地球上のどのデータセンターも匹敵できない記録的な並列計算速度を達成できるため、当然、量子コンピューティングはテスラのような複雑なニューラル ネットワークをわずか数分でトレーニングする価値を提供できます。
量子の挑戦
現在、量子コンピューティングのソフトウェアはハードウェアの能力に大きく遅れをとっています。これは、量子ベースのAIの初期段階が、1936年以来ゆっくりと開発されてきた従来のトレーニング アルゴリズムとコンピューティング手法によって制限されているためです。計算方法 (ビットと量子ビット) の根本的な違いを考えると、これらのトレーニング アルゴリズムの固有の価値は量子コンピューターを使用して実現することはできません。
したがって、量子コンピュータの計算能力を活用するには、新しい量子アルゴリズムを作成する必要があります。HLLアルゴリズム (線形方程式系のための量子アルゴリズム) などの機械学習ベースの量子アルゴリズムに向けて大きな進歩がありました。
研究グループはつい最近になって、将来さらに有用性が証明されるかもしれない量子ディープニューラルネットワークのトレーニングアルゴリズムの開発に着手したばかりです。しかし、確かなことが1つあります。量子AIトレーニング アルゴリズムが開発され、反復されると、量子コンピューターは信じられないほどの超高速処理を実現し、次世代の自律走行車、コンピューターベースの化学、さらには将来の量子システムのシミュレーションのトレーニングに役立つ可能性があります。
