O que é IA quântica?
Inteligência artificial quântica, ou IA quântica, é o uso de tecnologias quânticas para executar sistemas de IA. Os modelos de IA exigem um grande poder computacional e recursos de infraestrutura para serem executados com eficiência. A IA quântica visa substituir a infraestrutura de IA subjacente por recursos de computação quântica para que os modelos de IA possam processar dados com mais rapidez e economia. O campo prevê um maior avanço da IA e capacidades aprimoradas devido à velocidade de processamento exponencial da qual a computação quântica é capaz. Embora as possibilidades sejam ilimitadas, é importante observar que a IA quântica ainda está em fase de pesquisa, e as workloads de IA ainda exigem recursos de computação tradicionais para operar.
Qual é a diferença entre IA clássica e quântica?
A IA clássica (ou atual) usa recursos de computação clássicos baseados em bits binários, ou unidades de informação que podem ser representadas matematicamente como 0 ou 1. Fisicamente, os bits binários podem ser considerados pulsos eletrônicos. Cada dispositivo de computação, de calculadoras simples a computadores avançados, funciona com essa lógica binária. Esses sistemas processam dados de forma linear, passo a passo. Portanto, mais tempo e capacidade de computação são necessários para tarefas clássicas de IA, como analisar grandes conjuntos de dados correlacionando áudio, vídeo e dados de texto não estruturados.
Em contraste, a IA quântica usa recursos de computação quântica baseados em bits quânticos ou qubits. Fisicamente, os qubits são baseados em átomos e seus elétrons, e os princípios da mecânica quântica governam suas operações. Ao contrário dos bits clássicos, os qubits podem existir simultaneamente em um estado de 0, 1 ou ambos devido a um conceito de física conhecido como superposição. Eles também podem estar emaranhados, o que significa que o estado de um qubit está diretamente relacionado a outro, mesmo à distância.
Os qubits permitem que computadores quânticos processem milhões de operações simultaneamente. Teoricamente, a IA quântica executada em recursos de computação quântica pode resolver problemas complexos além do alcance da IA clássica.
Por que a pesquisa de IA quântica é importante?
A pesquisa de IA quântica visa ajudar os modelos de IA a atingir todo o seu potencial. Os modelos de IA são sistemas treinados para realizar tarefas que normalmente exigem inteligência humana, como reconhecer imagens, traduzir idiomas ou prever tendências futuras. Esses modelos aprendem padrões de grandes conjuntos de dados e usam esse aprendizado para tomar decisões ou gerar resultados. Há duas categorias principais de modelos de IA:
- Os modelos preditivos analisam os dados existentes para prever resultados futuros. Por exemplo, prever os preços das ações ou o comportamento do cliente.
- Os modelos generativos criam novos tipos de conteúdo com base em seu aprendizado, como gerar imagens, textos ou músicas realistas.
Ambos os modelos de IA têm sua capacidade restrita de analisar dados em grande escala devido às limitações dos computadores clássicos que os alimentam. A pesquisa de IA quântica visa superar essas limitações para aumentar os benefícios que a IA pode trazer para a sociedade.
Quais são os benefícios potenciais da IA quântica?
A combinação de computação quântica e inteligência artificial promete oferecer os benefícios a seguir.
Reduzir os custos de treinamento de IA
O treinamento de modelos de IA, especialmente modelos básicos generativos com bilhões de parâmetros, envolve a alimentação de grandes quantidades de dados por meio de redes neurais complexas. Essas redes realizam milhões de operações matemáticas para ajustar as ponderações internas e otimizar a precisão. Esse processo não é apenas pesado em computação, mas também consome muita energia. Modelos maiores geralmente exigem configurações de computação distribuída, o que aumenta a complexidade e o custo.
Os modelos de IA quântica, teoricamente, executam milhões de operações em paralelo em um único processador quântico. Isso elimina a necessidade de configurações de computação distribuída para as necessidades atuais de IA. As configurações de vários processadores treinariam modelos de IA em grande escala para tarefas que são inimagináveis atualmente. Isso pode reduzir significativamente o custo e o impacto ambiental do treinamento de modelos de IA de ponta.
Melhorar a precisão da previsão de IA
A capacidade da computação quântica de realizar simulações probabilísticas complexas e tarefas de otimização em grande escala pode melhorar a qualidade da saída de IA. Os sistemas clássicos podem simplificar suposições ou ignorar certas variáveis devido a restrições de hardware. A IA quântica, por outro lado, pode considerar essas variáveis, oferecendo previsões mais sutis e potencialmente mais precisas em ambientes de alto risco, como negociação de ações, pontuação de crédito e previsão da cadeia de suprimentos.
Por exemplo, a IA quântica pode transformar a avaliação de risco e a otimização do portfólio no setor financeiro. Analisar dados de mercado em um nível granular e considerar simultaneamente inúmeras variáveis pode fornecer insights que dão aos investidores uma vantagem significativa. Pode até ser capaz de prever as tendências do mercado com certo grau de precisão, fazendo com que os melhores algoritmos atuais pareçam suposições fundamentadas.
Pesquisa científica avançada
A IA quântica pode acelerar de forma significativa a medicina, o clima, a ciência dos materiais e outras pesquisas que exigem o processamento de grandes quantidades de dados. Por exemplo, a IA quântica pode simular reações químicas complexas com precisão sem precedentes, possivelmente levando à descoberta de medicamentos e avanços no tratamento de doenças. Ao modelar interações em nível atômico ou analisar conjuntos de dados em escala planetária, os cientistas podem fazer descobertas atualmente além do nosso alcance computacional.
Habilitar novos algoritmos de IA
A IA quântica não se trata apenas de acelerar os processos de IA existentes, mas também abre as portas para formas totalmente novas de projetar sistemas inteligentes. Os modelos atuais de IA são criados em função das limitações da computação clássica. À medida que os pesquisadores desenvolvem algoritmos específicos para computadores quânticos, os sistemas de IA podem abordar o aprendizado, o raciocínio ou o reconhecimento de padrões de maneiras fundamentalmente diferentes.
Por exemplo, redes neurais quânticas e aprendizado por reforço quântico são conceitos iniciais que tentam repensar como as máquinas podem “aprender” em ambientes com muitos resultados possíveis. Essas inovações podem um dia resultar em sistemas de IA com boa performance em domínios em que a IA clássica ainda tem dificuldades, como planejamento de longo prazo ou tomada de decisões em tempo real com informações incompletas.
Como funciona a IA quântica?
A IA quântica integra princípios da mecânica quântica com conceitos existentes de machine learning e IA para explorar novas abordagens. A IA tradicional usa álgebra linear e técnicas de otimização executadas em bits clássicos. No entanto, os modelos quânticos de IA usam algoritmos quânticos que operam em qubits. Esses algoritmos utilizam princípios da mecânica quântica, como superposição e emaranhamento, de maneiras fundamentalmente diferentes. No entanto, essas abordagens ainda estão em fase de pesquisa e estão sendo testadas principalmente em simuladores ou processadores quânticos de pequena escala. Confira abaixo alguns exemplos de esforços de pesquisa.
Algoritmos de otimização quântica
Esses algoritmos são úteis para resolver problemas de otimização combinatória em que o objetivo é encontrar a melhor combinação entre muitas configurações possíveis. Os algoritmos clássicos têm dificuldades para resolver esses problemas devido ao aumento exponencial da complexidade. Na IA, esses algoritmos estão sendo explorados como uma ferramenta para resolver subtarefas de otimização, como selecionar os melhores parâmetros do modelo ou minimizar funções de custo em ambientes de aprendizado por reforço.
Classificadores quânticos
Os classificadores quânticos são algoritmos que utilizam os princípios da computação quântica para resolver problemas de classificação. Eles atribuem rótulos aos dados com base nos padrões aprendidos. Por exemplo, o Classificador Quântico Variacional (VQC) está sendo explorado como uma prova de conceito na tomada de decisão não linear. Até agora, o VQC foi demonstrado em conjuntos de dados de pequena escala e hardware quântico com contagens limitadas de qubits, principalmente para comparar sua performance com classificadores clássicos sob condições controladas.
Redes neurais quânticas
As redes neurais quânticas (QNNs) visam imitar a estrutura das redes neurais clássicas usando interações de qubits. Elas estão sendo usadas para analisar se os circuitos quânticos podem aproximar funções complexas e aprender a reconhecer padrões nos dados. Alguns projetos experimentais tentam usar circuitos quânticos como camadas em modelos híbridos, em que partes da rede funcionam em processadores clássicos, e outras em dispositivos quânticos. Devido às limitações atuais de hardware, as QNNs permanecem em grande parte teóricos. Elas são testados em simuladores quânticos em vez de computadores quânticos em grande escala.
Aprendizado por reforço quântico
O aprendizado por reforço quântico investiga se a computação quântica pode melhorar a forma como os agentes de IA aprendem as ações ideais em um ambiente por meio de tentativa e erro. Uma área de estudo envolve o uso de estados quânticos para representar o domínio de decisão, permitindo a análise simultânea de vários caminhos de decisão. No entanto, o campo é altamente experimental, e as ideias estão sendo testadas principalmente em ambientes de teste ou modelos teóricos.
Como a AWS pode apoiar seus requisitos de computação quântica e IA?
A AWS torna a IA clássica acessível para mais pessoas, desde criadores e cientistas de dados até analistas de negócios e estudantes. A IA na AWS inclui serviços de IA pré-treinados para inteligência e infraestrutura de IA prontas para maximizar a performance e reduzir os custos.
- O Ocelot, nosso chip quântico de primeira geração, usa uma arquitetura escalável para acelerar o desenvolvimento de aplicações de computação quântica do mundo real. Isso representa a primeira materialização de uma arquitetura escalável para a criação de computadores quânticos comercialmente viáveis e escaláveis, voltados para futuras aplicações práticas da IA quântica.
- O Amazon Braket é um serviço totalmente gerenciado que ajuda você a começar a usar a computação quântica. Você pode usá-lo para aprender a programar computadores quânticos e projetar seus próprios algoritmos quânticos desde o início. O Amazon Braket também fornece simuladores de circuito quântico totalmente gerenciados que permitem a execução de seus algoritmos na infraestrutura gerenciada da AWS para validar e testar sua implementação.
- As interações no Laboratório de Soluções Quânticas da Amazon são programas de pesquisa colaborativa que permitem que você trabalhe com os principais especialistas em IA quântica. Esses programas ajudam você a pesquisar e identificar as aplicações mais promissoras da computação quântica para a sua empresa e a se preparar para ela.
Comece a usar a computação quântica e a inteligência artificial na AWS criando uma conta gratuita hoje mesmo.