Tai pakeis net mediciną: sužinokite, kaip „Lockheed Martin“ kvantiniai kompiuteriai kurs dirbtinį intelektą
„Lockheed Martin“ ir Kanados kvantinių technologijų bendrovė „Xanadu“ pradėjo bendrą tyrimų projektą, kuriuo siekiama įvertinti, ar kvantinės sistemos galėtų kurti naujus dirbtinio intelekto modelius, veikiančius efektyviau už klasikinius sprendimus tada, kai duomenų kiekis yra ribotas. Pagrindinis dėmesys skiriamas generatyviesiems modeliams – sistemoms, kurios, išmokę iš pateiktų pavyzdžių, geba kurti naujus, realistiškus duomenis.
Klasikiniai generatyvieji modeliai dažnai reikalauja milžiniškų duomenų rinkinių ir itin didelių skaičiavimo išteklių. Tokie sprendimai sunaudoja daug energijos ir tampa sunkiai pritaikomi srityse, kur duomenys yra jautrūs, riboti ar griežtai reguliuojami. Dėl to ieškoma alternatyvių metodų, galinčių užtikrinti panašų ar geresnį rezultatą su mažesnėmis sąnaudomis.
Kvantiniai kompiuteriai veikia pagal kitokius principus nei klasikiniai. Jie išnaudoja kvantinės mechanikos reiškinius, tokius kaip superpozicija ir kvantinis susietumas, todėl gali atlikti tam tikras operacijas, kurios klasikiniams kompiuteriams yra labai sudėtingos arba praktiškai neįmanomos. Tai atveria galimybes kurti naujus dirbtinio intelekto architektūros sprendimus.
„Xanadu“ vadovo teigimu, šiuo projektu siekiama iš naujo permąstyti, kaip kvantiniai kompiuteriai galėtų mokytis ir apdoroti informaciją. Partnerystė su „Lockheed Martin“, turinčia ilgametę patirtį pažangiųjų technologijų ir gynybos srityse, vertinama kaip strategiškai svarbi tokiems tyrimams.
„Lockheed Martin“ projekte mato potencialą nacionalinio saugumo ir aukštųjų technologijų plėtros kontekste. Bendrovės atstovai pabrėžia, kad kvantinis mašininis mokymasis gali padėti geriau suprasti, kaip būsimos kvantinės sistemos galėtų prisidėti prie sudėtingų užduočių sprendimo.
Galimos taikymo sritys neapsiriboja vien gynyba. Finansų sektoriuje kvantiniai generatyvieji modeliai galėtų padėti kurti tikslesnes rizikos prognozes, farmacijoje – spartinti vaistų kūrimo procesus, o medžiagų moksle – modeliuoti naujų junginių savybes. Ypač svarbu tai, kad tokiose srityse dažnai trūksta didelių ir išsamių duomenų rinkinių.
Šiuo metu projektas tebėra eksperimentinio pobūdžio. Didelio masto kvantinis mašininis mokymasis vis dar susiduria su techniniais iššūkiais, tokiais kaip sistemų stabilumas ir klaidų valdymas. Vis dėlto abi bendrovės įsitikinusios, kad šiandien atliekami fundamentiniai tyrimai gali ateityje atverti visiškai naujas skaičiavimo galimybes ir pakeisti dirbtinio intelekto raidą.
