La IA cuántica está todavía a años del horario de máxima audiencia empresarial

El potencial de la computación cuántica para revolucionar la inteligencia artificial depende del crecimiento de un ecosistema de desarrolladores en el que abundan las herramientas, habilidades y plataformas adecuadas. Para ser considerada lista para el despliegue de producción empresarial, la industria de la IA cuántica debería, como mínimo, alcanzar los siguientes hitos clave:

  • Encuentre una aplicación convincente para la que la computación cuántica tenga una clara ventaja sobre los enfoques clásicos para construir y entrenar IA.
  • Convergue en un marco de código abierto ampliamente adoptado para construir, entrenar y desplegar IA cuántica.
  • Cree un ecosistema de desarrolladores calificado y sustancial de aplicaciones de IA cuántica.

Todos estos hitos son todavía al menos unos años en el futuro. Lo que sigue es un análisis de la madurez de la industria de la IA cuántica en la actualidad.

Falta de una aplicación de IA convincente para la que la computación cuántica tenga una clara ventaja

Quantum AI ejecuta ML (aprendizaje automático), DL (aprendizaje profundo) y otros algoritmos de IA basados ​​en datos razonablemente bien.

Como enfoque, la IA cuántica ha ido mucho más allá de la etapa de prueba de concepto. Sin embargo, eso no es lo mismo que poder afirmar que los enfoques cuánticos son superiores a los enfoques clásicos para ejecutar las operaciones matriciales de las que dependen las cargas de trabajo de inferencia y entrenamiento de la IA.

En lo que respecta a la IA, el criterio clave es si las plataformas cuánticas pueden acelerar las cargas de trabajo de ML y DL más rápido que las computadoras construidas completamente sobre arquitecturas clásicas de von Neumann. Hasta el momento, no existe una aplicación de inteligencia artificial específica en la que una computadora cuántica pueda funcionar mejor que cualquier alternativa clásica. Para que podamos declarar la IA cuántica como una tecnología empresarial madura, debería haber al menos algunas aplicaciones de IA para las que ofrezca una clara ventaja (velocidad, precisión, eficiencia) sobre los enfoques clásicos para procesar estas cargas de trabajo.

Sin embargo, los pioneros de la IA cuántica han alineado sus algoritmos de procesamiento funcional con las propiedades matemáticas de las arquitecturas de computación cuántica. Actualmente, los principales enfoques algorítmicos para la IA cuántica incluyen:

  • Codificación de amplitud: asocia amplitudes de estado cuántico con las entradas y salidas de los cálculos realizados por los algoritmos ML y DL. La codificación de amplitud permite algoritmos estadísticos que admiten una representación exponencialmente compacta de variables multidimensionales complejas. Admite inversiones matriciales en las que el entrenamiento de modelos estadísticos ML se reduce a la resolución de sistemas lineales de ecuaciones, como los de regresiones lineales de mínimos cuadrados, la versión de mínimos cuadrados de las máquinas de vectores de soporte y los procesos gaussianos. A menudo requiere que el desarrollador inicialice un sistema cuántico en un estado cuyas amplitudes reflejen las características de todo el conjunto de datos.
  • Amplificación de amplitud : utiliza un algoritmo que encuentra con alta probabilidad la entrada única a una función de caja negra que produce un valor de salida particular. La amplificación de amplitud es adecuada para aquellos algoritmos ML que se pueden traducir en una tarea de búsqueda no estructurada, como k-medianas y k-vecinos más cercanos. Puede acelerarse mediante algoritmos de recorrido aleatorio en los que la aleatoriedad proviene de transiciones estocásticas entre estados, como la inherente a la superposición cuántica de estados y el colapso de las funciones de onda debido a las mediciones de estados.
  • Recocido cuántico : determina los mínimos y máximos locales de una función de aprendizaje automático sobre un conjunto dado de funciones candidatas. Comienza a partir de una superposición de todos los estados posibles, igualmente ponderados, de un sistema ML cuántico. Luego aplica una ecuación diferencial parcial lineal para guiar la evolución temporal del sistema mecánico-cuántico. Eventualmente produce un operador instantáneo, conocido como hamiltoniano, que corresponde a la suma de las energías cinéticas más las energías potenciales asociadas con el estado fundamental del sistema cuántico.

Aprovechando estas técnicas, algunas implementaciones de IA actuales utilizan plataformas cuánticas como coprocesadores en cargas de trabajo de cálculo seleccionadas, como autocodificadores, GAN (redes generativas adversarias) y agentes de aprendizaje por refuerzo.

A medida que la IA cuántica madura, deberíamos esperar que estos y otros enfoques algorítmicos muestren una clara ventaja cuando se apliquen a los grandes desafíos de la IA que implican cálculos probabilísticos complejos que operan sobre dominios de problemas altamente multidimensionales y conjuntos de datos multimodales. Ejemplos de desafíos de IA hasta ahora intratables que pueden ceder a enfoques mejorados cuánticamente incluyen modelos cognitivos neuromórficos, razonamiento bajo incertidumbre, representación de sistemas complejos, resolución colaborativa de problemas, aprendizaje automático adaptativo y paralelización del entrenamiento.

Pero incluso a medida que las bibliotecas, plataformas y herramientas cuánticas demuestren su valía para estos desafíos específicos, seguirán dependiendo de los algoritmos y funciones de IA clásicos dentro de los canales de aprendizaje automático de extremo a extremo.

Falta de un marco de formación y modelado de código abierto ampliamente adoptado

Para que la IA cuántica madure y se convierta en una tecnología empresarial robusta, será necesario un marco dominante para desarrollar, capacitar e implementar estas aplicaciones. TensorFlow Quantum de Google es uno de los favoritos en ese sentido. Anunciado en marzo pasado, TensorFlow Quantum es una nueva pila solo de software que amplía la biblioteca de inteligencia artificial y el marco de modelado de código abierto de TensorFlow, ampliamente adoptada.

TensorFlow Quantum brinda soporte para una amplia gama de plataformas de computación cuántica en uno de los marcos de modelado dominantes utilizados por los profesionales de la inteligencia artificial de hoy. Desarrollado por la unidad de I + D X de Google, permite a los científicos de datos utilizar código Python para desarrollar modelos cuánticos de ML y DL a través de funciones estándar de Keras. También proporciona una biblioteca de simuladores de circuitos cuánticos y primitivas de computación cuántica que son compatibles con las API de TensorFlow existentes.

Los desarrolladores pueden usar TensorFlow Quantum para el aprendizaje supervisado en casos de uso de IA como clasificación cuántica, control cuántico y optimización cuántica aproximada. Pueden ejecutar tareas avanzadas de aprendizaje cuántico, como metaaprendizaje, aprendizaje hamiltoniano y muestreo de estados térmicos. Pueden usar el marco para entrenar modelos híbridos cuánticos / clásicos para manejar las cargas de trabajo discriminativas y generativas en el corazón de las GAN utilizadas en falsificaciones profundas, impresión 3D y otras aplicaciones avanzadas de inteligencia artificial.

Reconociendo que la computación cuántica aún no está lo suficientemente madura como para procesar la gama completa de cargas de trabajo de IA con suficiente precisión, Google diseñó el marco para soportar los muchos casos de uso de IA con un pie en las arquitecturas informáticas tradicionales. TensorFlow Quantum permite a los desarrolladores crear prototipos rápidamente de modelos ML y DL que hibridan la ejecución de procesadores cuánticos y clásicos en paralelo en tareas de aprendizaje. Con la herramienta, los desarrolladores pueden crear conjuntos de datos tanto clásicos como cuánticos, con los datos clásicos procesados ​​de forma nativa por TensorFlow y las extensiones cuánticas procesando datos cuánticos, que constan de circuitos cuánticos y operadores cuánticos.

Google diseñó TensorFlow Quantum para respaldar la investigación avanzada de arquitecturas y algoritmos de computación cuántica alternativos para procesar modelos de AA. Esto hace que la nueva oferta sea adecuada para los científicos informáticos que están experimentando con diferentes arquitecturas de procesamiento cuántico e híbrido optimizadas para cargas de trabajo de aprendizaje automático.

Con este fin, TensorFlow Quantum incorpora Cirq, una biblioteca de Python de código abierto para programar computadoras cuánticas. Es compatible con la creación, edición e invocación programática de las puertas cuánticas que constituyen los circuitos cuánticos de escala intermedia ruidosa (NISQ) característicos de los sistemas cuánticos actuales. Cirq permite que los cálculos cuánticos especificados por el desarrollador se ejecuten en simulaciones o en hardware real. Para ello, convierte los cálculos cuánticos en tensores para usarlos dentro de los gráficos computacionales de TensorFlow. Como componente integral de TensorFlow Quantum, Cirq permite la simulación de circuitos cuánticos y la ejecución de circuitos por lotes, así como la estimación de la expectativa automatizada y los gradientes cuánticos. También permite a los desarrolladores crear compiladores, programadores y otros algoritmos eficientes para máquinas NISQ.

Además de proporcionar una pila de software de IA completa en la que ahora se puede hibridar el procesamiento cuántico, Google busca ampliar la gama de arquitecturas de chips más tradicionales en las que TensorFlow Quantum puede simular ML cuántico. Google también anunció planes para expandir la gama de plataformas de hardware de simulación cuántica personalizadas compatibles con la herramienta para incluir unidades de procesamiento de gráficos de varios proveedores, así como sus propias plataformas de hardware de acelerador de inteligencia artificial Tensor Processing Unit.

El último anuncio de Google aterriza en un mercado de computación cuántica en rápido movimiento pero aún inmaduro. Al extender el marco de desarrollo de inteligencia artificial de código abierto más popular, es casi seguro que Google catalizará el uso de TensorFlow Quantum en una amplia gama de iniciativas relacionadas con la inteligencia artificial.

Sin embargo, TensorFlow Quantum llega a un mercado que ya cuenta con varias herramientas de capacitación y desarrollo de IA cuántica de código abierto. A diferencia de la oferta de Google, estas herramientas de IA cuántica rivales vienen como parte de paquetes más grandes de entornos de desarrollo, servicios en la nube y consultoría para implementar aplicaciones de trabajo completo. Aquí hay tres ofertas de IA cuántica de pila completa:

  •  Azure Quantum, anunciado en noviembre de 2019, es un servicio en la nube de computación cuántica. Actualmente en versión preliminar privada y con disponibilidad general a finales de este año, Azure Quantum viene con un kit de desarrollo cuántico de código abierto de Microsoft para el lenguaje Q # orientado cuántico desarrollado por Microsoft, así como Python, C # y otros lenguajes. El kit incluye bibliotecas para el desarrollo de aplicaciones cuánticas en ML, criptografía, optimización y otros dominios.
  • Amazon Braket, anunciado en diciembre de 2019 y todavía en versión preliminar, es un servicio de AWS totalmente administrado. Proporciona un entorno de desarrollo único para construir algoritmos cuánticos, incluido ML, y probarlos en computadoras híbridas cuánticas / clásicas simuladas. Permite a los desarrolladores ejecutar ML y otros programas cuánticos en una variedad de arquitecturas de hardware diferentes. Los desarrolladores crean algoritmos cuánticos utilizando el kit de herramientas para desarrolladores de Amazon Braket y utilizan herramientas familiares como los cuadernos Jupyter.
  • IBM Quantum Experience es un entorno gratuito, disponible públicamente y basado en la nube para la exploración en equipo de aplicaciones cuánticas. Proporciona a los desarrolladores acceso a computadoras cuánticas avanzadas para aprender, desarrollar, entrenar y ejecutar IA y otros programas cuánticos. Incluye IBM Qiskit, una herramienta de desarrollo de código abierto con una biblioteca de algoritmos cuánticos de dominio cruzado para experimentar con aplicaciones de inteligencia artificial, simulación, optimización y finanzas para computadoras cuánticas.

La adopción de TensorFlow Quantum depende de la medida en que estos y otros proveedores de pila completa de IA cuántica la incorporen en sus carteras de soluciones. Eso parece probable, dado el grado en que todos estos proveedores de la nube ya admiten TensorFlow en sus respectivas pilas de IA.

TensorFlow Quantum no tendrá necesariamente el campo del SDK de IA cuántica solo en el futuro. Otros marcos de inteligencia artificial de código abierto, en particular, PyTorch desarrollado por Facebook, están compitiendo con TensorFlow por los corazones y las mentes de los científicos de datos que trabajan. Se espera que ese marco rival se amplíe con bibliotecas y herramientas de IA cuántica durante los próximos 12 a 18 meses.

Podemos echar un vistazo a la industria emergente de la IA cuántica multiherramienta si consideramos un proveedor pionero en este sentido. PennyLane de Xanadu es un marco de desarrollo y entrenamiento de código abierto para IA, que se ejecuta en plataformas híbridas cuánticas / clásicas.

Lanzada en noviembre de 2018, PennyLane es una biblioteca de Python multiplataforma para ML cuántico, diferenciación automática y optimización de plataformas de computación clásica cuántica híbrida. PennyLane permite la creación rápida de prototipos y la optimización de circuitos cuánticos utilizando herramientas de IA existentes, incluidas TensorFlow, PyTorch y NumPy. Es independiente del dispositivo, lo que permite ejecutar el mismo modelo de circuito cuántico en diferentes backends de software y hardware, incluidos Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK y ProjectQ.

Falta de un ecosistema de desarrolladores sustancial y calificado

A medida que maduran las aplicaciones y los marcos de código abierto, es seguro que catalizarán un ecosistema sólido de desarrolladores de inteligencia artificial cuántica capacitados que están realizando un trabajo innovador para impulsar esta tecnología en las aplicaciones cotidianas.

Cada vez más, estamos viendo el crecimiento de un ecosistema de desarrolladores para IA cuántica. Cada uno de los principales proveedores de nube de inteligencia artificial cuántica (Google, Microsoft, Amazon Web Services e IBM) está invirtiendo fuertemente para ampliar la comunidad de desarrolladores. Las iniciativas de los proveedores a este respecto incluyen las siguientes: