ما المقصود بالذكاء الاصطناعي الكمي؟
ما المقصود بالذكاء الاصطناعي الكمي؟
الذكاء الاصطناعي الكمي هو استخدام التقنيات الكمية لتشغيل أنظمة الذكاء الاصطناعي. تتطلب نماذج الذكاء الاصطناعي قوة حوسبة هائلة وموارد بنية تحتية لتشغيلها بكفاءة. يهدف الذكاء الاصطناعي الكمي إلى استبدال البنية التحتية الأساسية للذكاء الاصطناعي بموارد الحوسبة الكمية حتى تتمكن نماذج الذكاء الاصطناعي من معالجة البيانات بشكل أسرع وفعّال من حيث التكلفة. يتصور المجال مزيدًا من التقدم في مجال الذكاء الاصطناعي والقدرات المحسَّنة نظرًا إلى سرعة المعالجة الهائلة التي تستطيع الحوسبة الكمية القيام بها. في حين أن الاحتمالات غير محدودة، من المهم ملاحظة أن الذكاء الاصطناعي الكمي لا يزال في مرحلة البحث، ولا تزال أعباء عمل الذكاء الاصطناعي تتطلب موارد حوسبة تقليدية للعمل.
ما الفرق بين الذكاء الاصطناعي الكلاسيكي والكمي؟
يستخدم الذكاء الاصطناعي الكلاسيكي (أو الحالي) موارد الحوسبة الكلاسيكية القائمة على وحدات البت الثنائية، أو وحدات المعلومات التي يمكن تمثيلها رياضيًا على أنها 0 أو 1. فيزيائيًا، يمكن اعتبار وحدات البت الثنائية بمثابة نبضات إلكترونية. يعمل كل جهاز كمبيوتر، بدءًا من الآلات الحاسبة البسيطة إلى أجهزة الكمبيوتر المتقدمة، على هذا المنطق الثنائي. تعالج هذه الأنظمة البيانات بطريقة خطية خطوة بخطوة. وبالتالي، هناك حاجة إلى وقت أطول وقوة حوسبة أعلى لأداء مهام الذكاء الاصطناعي الكلاسيكية، مثل تحليل مجموعات البيانات الكبيرة التي تربط بيانات الصوت والفيديو والنص غير المنظَّم.
في المقابل، يستخدم الذكاء الاصطناعي الكمي موارد الحوسبة الكمية بناءً على وحدات البت أو الكيوبت الكمية. فيزيائيًا، تعتمد وحدات الكيوبت على الذرات والإلكترونات الخاصة بها، وتحكم مبادئ ميكانيكا الكم عملياتها. على عكس وحدات البت الكلاسيكية، يمكن أن توجد وحدات الكيوبت في وقت واحد في حالة 0 أو 1 أو كليهما بسبب مفهوم فيزيائي يُعرف باسم التراكب. يمكن أيضًا أن تكون وحدات البت هذه متشابكة، أي إن حالة أحدها ترتبط مباشرةً بحالة آخر، حتى على اختلاف المسافات.
تسمح وحدات الكيوبت لأجهزة الكمبيوتر الكمية بمعالجة ملايين العمليات في وقت واحد. من الناحية النظرية، يمكن للذكاء الاصطناعي الكمي الذي يعمل على موارد الحوسبة الكمية أن يحل مشكلات معقدة بعيدة عن متناول الذكاء الاصطناعي الكلاسيكي.
لماذا تُعد أبحاث الذكاء الاصطناعي الكمية مهمة؟
تهدف أبحاث الذكاء الاصطناعي الكمي إلى مساعدة نماذج الذكاء الاصطناعي على تحقيق إمكاناتها الكاملة. نماذج الذكاء الاصطناعي هي أنظمة مدرَّبة على أداء المهام التي تتطلب عادةً الذكاء البشري، مثل التعرُّف على الصور أو ترجمة اللغات أو التنبؤ بالاتجاهات المستقبلية. تتعلم هذه النماذج الأنماط من مجموعات البيانات الكبيرة وتستخدم هذا التعلُّم لاتخاذ القرارات أو توليد المخرجات. هناك فئتان رئيسيان لنماذج الذكاء الاصطناعي:
- تحلل النماذج التنبئية البيانات الموجودة للتنبؤ بالنتائج المستقبلية. على سبيل المثال، توقُّع أسعار الأسهم أو سلوك العملاء.
- تنشئ النماذج المولّدة محتوى جديدًا بناءً على تعلُّمها، مثل إنشاء صور أو نصوص أو موسيقى واقعية.
كلا نموذَجي الذكاء الاصطناعي مقيدان في قدرتهما على تحليل البيانات على نطاق واسع بسبب قيود أجهزة الكمبيوتر الكلاسيكية التي تشغلها. تهدف أبحاث الذكاء الاصطناعي الكمي إلى التغلب على هذه القيود لتعزيز الفوائد التي يمكن أن يجلبها الذكاء الاصطناعي للمجتمع.
ما الفوائد المحتملة للذكاء الاصطناعي الكمي؟
من المأمول أن يثمر الجمع بين الحوسبة الكمية والذكاء الاصطناعي الفوائد التالية.
خفض تكاليف تدريب الذكاء الاصطناعي
يتضمن تدريب نماذج الذكاء الاصطناعي -وخاصةً نماذج الأساس المولّد ذات مليارات المعلمات- تغذية كميات كبيرة من البيانات من خلال الشبكات العصبونية المعقدة. تقوم هذه الشبكات بملايين العمليات الرياضية لضبط الأوزان الداخلية وتحسين الدقة. هذه العملية ليست ثقيلة الحوسبة فحسب، بل تستهلك الكثير من الطاقة أيضًا. غالبًا ما تتطلب النماذج الأكبر حجمًا إعدادات حوسبة موزعة، ما يزيد من التعقيد والتكلفة.
ستشغل نماذج الذكاء الاصطناعي الكمي نظريًا ملايين العمليات بالتوازي على معالج كمي واحد. سيؤدي ذلك إلى إزالة الحاجة إلى إعدادات الحوسبة الموزعة لاحتياجات الذكاء الاصطناعي الحالية. ستدرِّب الإعدادات المتعددة المعالجات نماذج الذكاء الاصطناعي على نطاق واسع للمهام التي لا يمكن تصورها اليوم. هذا يمكن أن يقلل بشكل كبير من التكلفة والأثر البيئي لتدريب نماذج الذكاء الاصطناعي المتطورة.
تحسين دقة التنبؤ بالذكاء الاصطناعي
يمكن أن تؤدي قدرة الحوسبة الكمية على إجراء عمليات محاكاة احتمالية معقدة ومهام التحسين على نطاق واسع إلى تحسين جودة مخرجات الذكاء الاصطناعي. قد تبسِّط الأنظمة الكلاسيكية الافتراضات أو تتجاهل متغيرات معينة بسبب قيود الأجهزة. في المقابل، يمكن للذكاء الاصطناعي الكمي أن يفسر هذه المتغيرات، ويقدم تنبؤات أكثر دقة وربما أكثر دقة في البيئات العالية المخاطر، مثل تداول الأسهم، وتصنيف الائتمان، والتنبؤ بسلسلة التوريد.
على سبيل المثال، يمكن للذكاء الاصطناعي الكمي تحويل تقييم المخاطر وتحسين المحفظة في القطاع المالي. ويمكنه إتاحة رؤى تمنح المستثمرين ميزة كبيرة، وذلك من خلال تحليل بيانات السوق على مستوى دقيق والنظر في الوقت نفسه في عدد غير محدود من المتغيرات. حتى أن الذكاء الاصطناعي الكمي قد يكون قادرًا على التنبؤ باتجاهات السوق بدرجة من الدقة، ما يجعل أفضل خوارزميات اليوم تبدو وكأنها تخمينات مدروسة.
البحث العلمي المتقدم
يمكن للذكاء الاصطناعي الكمي تسريع الأبحاث الطبية والمناخية وعلوم المواد وغيرها من الأبحاث التي تتطلب معالجة كميات هائلة من البيانات. على سبيل المثال، يمكن للذكاء الاصطناعي الكمي محاكاة التفاعلات الكيميائية المعقدة بدقة غير مسبوقة، ما قد يؤدي إلى اكتشاف الأدوية واختراقات علاج الأمراض. من خلال نمذجة التفاعلات على المستوى الذري أو تحليل مجموعات البيانات على نطاق الكواكب، يمكن للعلماء إجراء اكتشافات حاليًا خارج نطاق وصولنا الحسابي.
تمكين خوارزميات الذكاء الاصطناعي الجديدة
لا يقتصر دور الذكاء الاصطناعي الكمي على تسريع عمليات الذكاء الاصطناعي الحالية فحسب، بل يفتح أيضًا الباب لطرق جديدة تمامًا لتصميم أنظمة ذكية. تُنشأ نماذج الذكاء الاصطناعي الحالية وفقًا لقيود الحوسبة الكلاسيكية. ومع قيام الباحثين بتطوير خوارزميات خاصة بأجهزة الكمبيوتر الكمية، يمكن لأنظمة الذكاء الاصطناعي أن تتعامل مع التعلُّم أو التفكير أو التعرُّف على الأنماط بطرق مختلفة جوهريًا.
على سبيل المثال، تُعد الشبكات العصبونية الكمية والتعليم بواسطة التعزيز المدعوم بالكم مفهومين مبكرين يحاولان إعادة التفكير في كيفية "تعلُّم" الآلات في بيئات تنطوي على العديد من النتائج المحتملة. يمكن أن يؤدي هذان الابتكاران يومًا ما إلى أنظمة ذكاء اصطناعي تعمل بشكل جيد في المجالات التي لا يزال الذكاء الاصطناعي الكلاسيكي يواجه صعوبة في التعامل معها، مثل التخطيط الطويل الأجل أو اتخاذ القرار في الوقت الفعلي في ظل معلومات غير كاملة.
كيف يعمل الذكاء الاصطناعي الكمي؟
يدمج الذكاء الاصطناعي الكمي مبادئ ميكانيكا الكم مع تعلّم الآلة الحالي ومفاهيم الذكاء الاصطناعي لاستكشاف أساليب جديدة. يستخدم الذكاء الاصطناعي التقليدي تقنيات الجبر الخطي والتحسين التي تعمل على وحدات البت التقليدية. ولكن، تستخدم نماذج الذكاء الاصطناعي الكمية خوارزميات كمية تعمل على وحدات الكيوبت. تستفيد هذه الخوارزميات من مبادئ ميكانيكا الكم، مثل التراكب والتشابك، بطرق مختلفة جوهريًا. ولكن، لا تزال هذه الأساليب في مرحلة البحث ويُجرى اختبارها بشكل أساسي على أجهزة المحاكاة أو المعالجات الكمية الصغيرة النطاق. نقدم بعض الأمثلة على جهود البحث أدناه.
خوارزميات التحسين الكمي
هذه الخوارزميات مفيدة لحل مشكلات التحسين التجميعي عندما يكون الهدف هو العثور على أفضل تركيبة من بين العديد من التكوينات الممكنة. تواجه الخوارزميات الكلاسيكية صعوبة كبيرة في حل مثل هذه المشكلات بسبب الزيادة الهائلة في التعقيد. في الذكاء الاصطناعي، تُستكشف هذه الخوارزميات كأداة لحل المهام الفرعية للتحسين، مثل اختيار أفضل معايير النموذج أو تقليل وظائف التكلفة في بيئات التعلم المعزز.
مصنفات الكم
مصنفات الكم هي خوارزميات تستفيد من مبادئ الحوسبة الكمية لحل مشكلات التصنيف. وهي تعيِّن علامات للبيانات بناءً على الأنماط المتعلَّمة. على سبيل المثال، يُستكشف المصنف الكمي المتغير (VQC) باعتباره إثبات مفهوم في صنع القرار غير الخطي. حتى الآن، يُطلق المصنف الكمي المتغير على مجموعات البيانات الصغيرة والأجهزة الكمية ذات عدد الكيوبت المحدود، ويتم ذلك بشكل رئيس لقياس أدائها مقابل المصنفات الكلاسيكية في ظل ظروف خاضعة للتحكم.
الشبكات العصبونية الكمية
تهدف الشبكات العصبونية الكمية (QNN) إلى محاكاة بنية الشبكات العصبونية الكلاسيكية باستخدام تفاعلات كيوبت. وتُستخدم هذه الشبكات لاستكشاف ما إذا كانت الدوائر الكمية يمكنها تقريب الوظائف المعقدة وتعلُّم التعرُّف على الأنماط في البيانات. تحاول بعض التصميمات التجريبية استخدام الدوائر الكمية باعتبارها طبقات في النماذج المختلطة، إذ تعمل أجزاء من الشبكة على المعالجات الكلاسيكية والبعض الآخر على الأجهزة الكمية. نظرًا إلى قيود الأجهزة الحالية، تظل الشبكات العصبونية الكمية نظرية إلى حد كبير. وهي تُختبر على أجهزة محاكاة الكم بدلاً من أجهزة الكمبيوتر الكمية الواسعة النطاق.
التعليم بواسطة التعزيز المدعوم بالكم
يدرس التعليم بواسطة التعزيز المدعوم بالكم ما إذا كانت الحوسبة الكمية يمكن أن تحسِّن كيفية تعلُّم وكلاء الذكاء الاصطناعي الإجراءات المثلى في البيئة من خلال التجربة والخطأ. يتضمن أحد مجالات الدراسة استخدام الحالات الكمية لتمثيل مساحة القرار، ما يسمح بالاستكشاف المتزامن لمسارات القرار المتعددة. ولكن يُعد هذا المجال تجريبيًا إلى درجة كبيرة، وتُختبر الأفكار بشكل أساسي في بيئات الألعاب أو النماذج النظرية.
كيف يمكن أن تدعم AWS متطلباتك من حيث الحوسبة الكمية والذكاء الاصطناعي؟
تجعل AWS الذكاء الاصطناعي التقليدي في متناول المزيد من الأشخاص؛ من المنشئين وعلماء البيانات إلى محللي الأعمال والطلاب. يتضمن الذكاء الاصطناعي على AWS خدمات الذكاء الاصطناعي المدرَّبة مسبقًا لتقديم ذكاء جاهز وبنية تحتية للذكاء الاصطناعي بغرض تحقيق أقصى قدر من الأداء وخفض التكاليف.
- تستخدم شريحة Ocelot، وهي شريحة كمية من الجيل الأول، بنية قابلة للتوسُّع لتسريع تطوير تطبيقات الحوسبة الكمية الواقعية. وقد حققت أول تحقيق لبنية قابلة للتوسع لبناء أجهزة كمبيوتر قابلة للتوسع وقابلة للتطبيق تجاريًا من أجل تطبيق الذكاء الاصطناعي الكمي المستقبلي في الممارسة العملية.
- Amazon Braket هي عبارة عن خدمة مُدارة بالكامل تساعدك في البدء في استخدام الحوسبة الكمية. يمكنك استخدامها لمعرفة كيفية برمجة أجهزة الكمبيوتر الكمية وتصميم خوارزميات الكم الخاصة بك من البداية. توفر خدمة Amazon Braket أدوات محاكاة للدوائر مُدارة بالكامل تتيح لك تشغيل الخوارزميات على البنية الأساسية المُدارة في AWS للتحقق من صحة التنفيذ واختباره.
- مشاركات مختبر الحلول الكمّي بـ Amazon هي برامج بحثية تعاونية تسمح لك بالعمل مع خبراء رائدين في الذكاء الاصطناعي الكمي. تساعدك البرامج في البحث وتحديد التطبيقات الواعدة للحوسبة الكمية لمؤسستك والاستعداد الكمي.
ابدأ استخدام الحوسبة الكمية والذكاء الاصطناعي على AWS من خلال إنشاء حساب مجاني اليوم.