شرکت سخت‌افزار و نرم‌افزار محاسبات کوانتومی IonQ اخیراً یک توافقنامه استراتژیک با متخصص هوش مصنوعی Zapata Computing برای بررسی تکنیک‌های هوش مصنوعی مولد بر روی سخت‌افزار کوانتومی را امضا کرد.

در یک جلسه پرسش و پاسخ که در ابتدا در Enter Quantum منتشر شد، بنیان‌گذار IonQ و مدیر ارشد فناوری Jungsang Kim در مورد آنچه که هوش مصنوعی مولد و کوانتوم می‌توانند با هم به دست بیاورند و اهمیت دنبال کردن مزیت کوانتومی برای مشکلات تجاری در سخت افزار کوانتومی به جای شبیه سازها بحث کردند.IonQ  از همکاری با Zapata برای محک زدن تکنیک‌های هوش مصنوعی در سخت‌افزار کوانتومی خبر داد. جونگ‌سانگ می‌گوید: ما برای مدت طولانی با زاپاتا کار کرده‌ایم، از جمله انتشار مقاله‌ای در مورد مدل‌های مولد کوانتومی به نام شبکه متخاصم مولد کوانتومی (QGAN). ما این پایگاه داده از ارقام دست نویس صفر تا نه را داشتیم. ابتدا، ما چند کار طبقه بندی را با شریک دیگری انجام دادیم، اما بعد متوجه شدیم که می‌توانیم از یک مدل مولد نیز استفاده کنیم. ما توانستیم با استفاده از یک الگوریتم ترکیبی کوانتومی - کلاسیک روی کامپیوتر IonQ تصاویری با وضوح بالا تولید کنیم. برخی از کارهای اخیر که ما را در مورد زاپاتا هیجان زده کرده است این است که آنها مقاله‌ای در مورد چگونگی ایجاد مدل‌های مولد برای کمک به کشف دارو منتشر کرده‌اند. آنها یک پایگاه داده از مواد شیمیایی کاندید برای ترکیبات دارویی دارند و مدل‌هایی ایجاد کرده‌اند که می‌تواند پیش بینی کند که چه مواد شیمیایی کاندیدای خوبی برای بهترین و مؤثرترین ترکیبات دارویی است. پیاده سازی این مدل‌ها بیشتر با توسعه الگوریتم و شبیه‌سازی انجام می‌شود، اما می‌بینیم که از این مدل‌های مولد ابتدایی می‌توان برای حل طیف وسیع‌تری از مسائل استفاده کرد. 

هوش مصنوعی و کوانتومی مولد با هم چه چیزی می‌توانند به دست آورند که به تنهایی نمی‌توانند؟

هوش مصنوعی مولد علم بسیار وسیع است و می‌تواند از تکنیک‌های یادگیری ماشینی برای تولید تصاویر، مدل‌های زبان یا متن استفاده کند. مزیت واقعی که ما می‌بینیم زمانی است که داده‌های زیادی برای آموزش مدل در دسترس نیست. وقتی داده‌های زیادی دارید کار آسان‌تر است، می‌توانید با استفاده از خوشه‌های GPU بزرگ در سخت‌افزار یادگیری ماشینی بهینه‌سازی شده، مدل‌های بسیار بزرگ بسازید و مدل خود را آموزش دهید. اما برنامه‌های بسیاری وجود دارد که در آنها داده‌های زیادی برای آموزش مدل‌های هوش مصنوعی وجود ندارد. بینش فعلی ما به این دلیل است که مدل‌های کوانتومی می‌توانند در ساخت بسیاری از محصولات بسیار کارآمد باشند. تکنیک کلی، ایجاد مدل‌هایی برای تکرار برخی از داده‌هایی است که در اختیار داریم، و سپس شروع به بررسی مناطقی می‌کنیم که هیچ داده‌ای در آنها وجود ندارد. اینجاست که قدرت این دو با هم ترکیب می‌شود و می‌تواند کمبود داده برای آموزش مدل را جبران کند.

آیا شما به طور فعال مزیت‌های کوانتومی را از طریق این پروژه دنبال می‌کنید؟

بله. در بسیاری از حوزه‌هایی که ما به آن‌ها می‌پردازیم، اگر مزیت کوانتومی وجود نداشته باشد، خود را به زحمت نمی‌اندازیم. مزیت کوانتومی یک هدف واحد و خیلی واضح نیست. باید ببینیم که آیا می‌توانیم از رایانه‌های کوانتومی برای انجام کارهایی استفاده کنیم که رایانه‌های کلاسیک قادر به انجام آن نیستند. ما می‌توانیم روش‌هایی را پیدا کنیم تا برخی فرایندها که به دلیل کمبود داده‌ها نمی‌توانیم آنها را انجام دهیم یا راه‌حل‌های کلاسیک قادر به ارائه پاسخ قابل قبولی برای آن نیستند را انجام دهیم.

دوست دارید IonQ یک سال دیگر کجا باشد؟

ما به دنبال کاربردهای دنیای واقعی هستیم که کوانتوم بتواند مزیت آشکاری از خود نشان دهد. ما باید کامپیوترهای کوانتومی بیشتری بیشتری بسازیم که توانایی شبیه سازی آنها در کامپیوترهای کلاسیک نباشد و یک نقشه راه داریم تا به نقطه‌ای برسیم که شبیه سازی کلاسیک امکان پذیر نباشد. اما اگر ما یک برنامه کاربردی واضح داشته باشیم که زمانی که این نوع ماشین‌ها در دسترس هستند مسیری به سمت مزیت کوانتومی داشته باشیم، این یک کشف شگفت‌انگیز خواهد بود.