Quanten-Computing verspricht, die Datenanalyse mit Lichtgeschwindigkeit zu beschleunigen, aber sie fühlt sich trotz der ersten Anzeichen einer breiten Kommerzialisierung immer noch etwas unwirklich an. [...]
Quantum ist nicht der nächste große Trend in der fortgeschrittenen Informatik, sondern eher ein futuristischer Ansatz, der möglicherweise der bedeutendste von allen sein könnte.
Wenn man die theoretische Möglichkeit von Quantengeweben in Betracht zieht, die scheinbar magische, astronomisch parallele, unknackbar verschlüsselte und subatomare Berechnungen schneller als das Licht ermöglichen, könnte dies die Omega-Architektur in der Entwicklung der KI sein.
Niemand bezweifelt, dass die IT-Industrie beeindruckende Fortschritte bei der Entwicklung und Kommerzialisierung von Quantentechnologien macht. Aber diese Manie entwickelt sich auch zu einem Hype, der jeden Hype zunichte macht. Es wird einige Zeit dauern, bis sich die Quantentechnologie als würdiger Nachfolger der traditionellen Von-Neumann-Architektur der Informatik erweist.
Obwohl sich die Schlagzeilen mit der Quantenüberlegenheit rühmen, die sich auf die Behauptung bezieht, dass programmierbare Quantenbauelemente Probleme lösen können, die über die Reichweite der von Neumann-Architekturen hinausgehen, wurde der Fokus bisher weit weniger auf die praktische Anwendbarkeit der Quantentechnologie gelegt. Mit anderen Worten, es gibt immer noch wenig Beweise dafür, dass Quantencomputer in realen Anwendungsfällen der KI, des maschinellen Lernens (ML) und anderer fortgeschrittener Analytik eingesetzt werden können.
Der lange Weg der Quantencomputer in die allgemeine KI und ML
KI wird schon seit einiger Zeit als Quantenkiller-App bezeichnet, aber Quanten haben bisher nur eine minimale Präsenz in der kommerziellen Datenanalyse-Branche.
Wir müssen uns fragen, ob die gesamte jüngste Aktivität der Industrie sich auf den gefürchteten „Quantenwinter“ einstellt, analog zum langen KI-Winter, in der es eine Gegenreaktion auf den frühen Hype um diese Technologie gibt. Es ist eine Sache, über das überwältigende Potenzial der Quantenanalytik zu sprechen, die über parallele Universen hinweg wirkt, als wäre sie der heilige Gral. Es ist eine ganz andere Sache, auf eine ausgereifte Technologie mit klaren Killer-Apps hinzuweisen, die unser Leben heute enorm verändern können.
Dennoch gibt es unter Forschern und sogar unter Analytikern ein wachsendes Gefühl, dass ML zum zentralen Anwendungsfall für Quanten in unserem Leben werden könnte.
Dies ist keine neue Offenbarung. Ein Professor des MIT erklärte 2013, dass die „erste Quantenanwendung“ ML sei. Konkret schlug Professor Seth Lloyd eine „q-app“ vor, die „Google-ähnliche Abfragen mit q-bits kodiert, die es Quantencomputern nicht nur ermöglichen, selbst die gigantischsten Datenbanken in Echtzeit zu durchsuchen, sondern auch ihre absolute Privatsphäre zu gewährleisten, da Versuche des Suchmaschinenanbieters, die Abfrage zu belauschen, die empfindliche q-bit-Überlagerung von Zuständen stören würden“.
Noch wichtiger ist, dass die jüngsten Produkteinführungen und andere Ankündigungen von Amazon Web Services, Microsoft, IBM und Honeywell im Bereich der Quantencomputer in unterschiedlichem Maße Anwendungsfälle der KI und ML ansprechen. Keine dieser Ankündigungen bezieht sich auf ein allgemein verfügbares Quantenprodukt oder eine Dienstleistung, die praktische Geschäftsprobleme löst. Die meisten dieser Ankündigungen enthalten allerdings Haken für Programmierer, um solche Lösungen auf Quanten-Hardware-Plattformen oder Cloud-Diensten zu entwickeln.
Im November 2019 kündigte Microsoft das Produkt Azure Quantum an. Dieser Quanten-Computing-Cloud-Service befindet sich derzeit in der geschlossenen Preview und wird voraussichtlich im Laufe dieses Jahres allgemein verfügbar sein. Er wird mit einem Microsoft Open Source Quantum Development Kit für die von Microsoft entwickelte quantenorientierte Sprache Q# sowie Python, C# und andere Sprachen geliefert. Das Kit enthält Bibliotheken für die Entwicklung von Quantenanwendungen in ML, Kryptographie, Optimierung und anderen Bereichen.
Einen Monat später kündigte AWS den Amazon Braket-Dienst an. Dies ist ein vollständig verwalteter AWS-Dienst, der es Wissenschaftlern, Forschern und Entwicklern ermöglicht, an einem einzigen Ort mit Computern von Quanten-Hardware-Anbietern (einschließlich D-Wave, IonQ und Rigetti) zu experimentieren. Er stellt eine einzige Entwicklungsumgebung zur Verfügung, um Quantenalgorithmen zu erstellen – einschließlich ML – und sie auf simulierten Quantencomputern zu testen. Entwickler können ML und andere Quantenprogramme auf einer Reihe von verschiedenen Hardware-Architekturen ausführen. Und es ermöglicht den Benutzern, Quantenalgorithmen mit dem Amazon Braket-Entwickler-Toolkit zu entwerfen und bekannte Tools wie Jupyter-Notebooks zu verwenden.
Im Januar kündigte IBM dann die Erweiterung seines Q-Netzwerks an, in dem mehr als 200.000 Benutzer Hunderte von Milliarden von Ausführungen auf IBMs Quantensystemen und Simulatoren über die IBM-Cloud ausführen. Die Teilnehmer des Netzwerks haben Zugang zu IBMs Quanten-Know-how und -Ressourcen, Open-Source-Qiskit-Software und Entwicklertools sowie einen Cloud-basierten Zugang zum IBM-Quanten-Rechenzentrum. Viele der ausgeführten Workloads umfassen ML sowie Echtzeitsimulationen von Quantencomputer-Architekturen.
Vor weniger als zwei Wochen kündigte Honeywell an, dass sein Hochleistungsquantencomputer innerhalb von drei Monaten allgemein verfügbar sein wird. Außerdem kündigte das Unternehmen an, dass Honeywell Ventures Investitionen in Cambridge Quantum Computing und Zapata Computing tätigt. Beide Unternehmen verfügen über Fachwissen in ML und anderen vertikalen Algorithmen und Software für Quantencomputeranwendungen.
Quanten-Tools sind zum dominierenden KI/ML-Entwicklungsrahmen geworden
Die wichtigste Ankündigung, die erst vor wenigen Tagen erfolgte, war die Einführung von TensorFlow Quantum durch Google. Dieser neue reine Software-Stack erweitert die weit verbreitete Open-Source ML-Bibliothek und das Modellierungsframework TensorFlow, um die Erstellung und das Training von ML-Modellen zu unterstützen, die auf Quantencomputer-Plattformen verarbeitet werden sollen.
TensorFlow Quantum wurde von Googles F&E-Einheit X entwickelt und ermöglicht Datenwissenschaftlern die Verwendung von Python-Code zur Entwicklung von Quanten-ML-Modellen mit Hilfe von Standard-Keras-Funktionen. Es bietet eine Bibliothek von Quantenschaltungssimulatoren und Quantencomputer-Primitiven, die mit den bestehenden TensorFlow APIs kompatibel sind.
Die Veröffentlichung von TensorFlow Quantum ist keine große Überraschung, da sie einige Monate nach der Erklärung der „Quantenüberlegenheit“ durch Google erfolgt, was sich auf das Erreichen einer Quantencomputerleistung bezieht, die auf der traditionellen Computerarchitektur unmöglich gewesen wäre.
Zusätzlich zur Bereitstellung eines vollständigen KI/ML-Software-Stacks, in welchen die Quantenverarbeitung nun hybridisiert werden kann, beabsichtigt Google, die Palette der eher traditionellen Chip-Architekturen zu erweitern, auf denen TensorFlow Quantum Quanten-ML simulieren kann. Das Unternehmen kündigte Pläne an, die Palette der benutzerdefinierten, vom Tool unterstützten Quantensimulations-Hardwareplattformen zu erweitern, um Grafikverarbeitungseinheiten verschiedener Anbieter sowie seine eigenen Tensor Processing Unit AI-Accelerator-Hardwareplattformen einzubeziehen.
Google hat erkannt, dass das Quantencomputing noch nicht reif genug ist, um die gesamte Bandbreite der ML-Arbeitslasten mit ausreichender Genauigkeit zu bewältigen, und hat sein neues Open-Source-Tool klugerweise so konzipiert, dass es die vielen KI-Anwendungsfälle mit einem Bein in traditionellen Computerarchitekturen unterstützt. TensorFlow Quantum ermöglicht es Entwicklern, schnell Prototypen von ML-Modellen zu erstellen, die die Ausführung von Quanten- und klassischen Prozessoren bei Lernaufgaben parallelisieren. Mit dem Tool können Entwickler sowohl klassische als auch Quanten-Datensätze erstellen, wobei die klassischen Daten von TensorFlow nativ verarbeitet werden und die Quanten-Erweiterungen Quantendaten verarbeiten, die sowohl aus Quanten-Schaltungen als auch aus Quanten-Operatoren bestehen.
Entwickler können TensorFlow Quantum für überwachtes Lernen in ML-Anwendungsfällen wie Quantenklassifizierung, Quantenkontrolle und quantennahe Optimierung verwenden. Sie können auch fortgeschrittene Quanten-Lernaufgaben wie Meta-Lernen, Hamiltonianisches Lernen und Abtasten thermischer Zustände ausführen.
Darüber hinaus hat Google TensorFlow Quantum so konzipiert, dass es die wachsende Zahl von KI-Anwendungsfällen unterstützt, wie z. B. „Deepfakes“, die Video-, Sprach- und Bilderzeugung mit einem hohen Grad an Verisimilität durchführen. Google ML-Entwickler können mit TensorFlow Quantum hybride Quanten/Klassik-Modelle trainieren, um sowohl die diskriminierende als auch die generative Arbeitslast im Herzen der in solchen Anwendungen verwendeten generativen gegnerischen Netzwerke zu bewältigen.
Strategisch gesehen wird Googles wahrscheinlicher nächster Schritt darin bestehen, TensorFlow Quantum mit seinem bereits bestehenden Quantum Computing Playground zu einem voll ausgestatteten, verwalteten Quanten-ML-Dienst zu kombinieren. Wenn man bedenkt, dass Googles wichtigste Public-Cloud-Konkurrenten (Microsoft, AWS und IBM) alle solche Dienste entweder auf dem Markt oder in der Preview haben, wäre es schockierend, wenn das in Mountain View, Kalifornien, ansässige Unternehmen nicht versucht, sie mit einem eigenen Quanten-ML-Dienst zu überbieten.
Quanten-KI/ML-Forscher legen Schienen vor ihren rasenden Zug
Der Aufbau von „write once run anywhere“ Quanten-ML wird noch eine ganze Weile schwierig sein, selbst mit TensorFlow Quantum. Das liegt daran, dass die Quantenforscher mit einer Vielzahl alternativer Architekturen experimentieren, während sie versuchen, praktische Anwendungen zu entwickeln.
Hier sind einige der wichtigsten Möglichkeiten, wie die führenden Quanten-ML-Anbieter diese grundlegenderen Anforderungen der Quantenforschung und -entwicklung unterstützen:
- Google hat TensorFlow Quantum entwickelt, um fortgeschrittene Forschung in alternativen Quantencomputer-Architekturen und Algorithmen zur Verarbeitung von ML-Modellen zu unterstützen. Dies macht das neue Angebot zu einem unschätzbaren Forschungswerkzeug für Informatiker, die mit verschiedenen Quanten- und Hybrid-Verarbeitungsarchitekturen experimentieren, die für ML-Arbeitslasten optimiert sind. Zu diesem Zweck umfasst TensorFlow Quantum Cirq, eine Open-Source-Python-Bibliothek zur Programmierung von Quantencomputern. Sie unterstützt die programmatische Erstellung, Bearbeitung und das Aufrufen der Quantengatter, die die für heutige Quantensysteme charakteristischen Noisy Intermediate-Scale Quantum (NISQ)-Schaltungen bilden. Es ermöglicht auch die Ausführung von entwicklerspezifischen Quantenberechnungen in Simulationen oder auf realer Hardware.
- Azure Quantum von Microsoft enthält Bibliotheken zur Simulation alternativer Quantenschaltungs-Verarbeitungsszenarien und zur Vorhersage der wahrscheinlichen Programmleistung in diesen Umgebungen.
- Amazon Braket ermöglicht es Benutzern, Quantencomputer-Hardware zu untersuchen, zu bewerten und damit zu experimentieren, Quantenalgorithmen zu entwerfen und die Leistung der Ausführung ihrer Programme entweder auf Low-Level-Quantenschaltungen oder vollständig verwalteten Hybridalgorithmen zu simulieren.
- IBM Q Network unterstützt Echtzeitsimulationen alternativer Quantencomputer-Architekturen.
Das Mainstreaming von Quantum-ML in den 20er Jahren
Quantum Computing befindet sich schon so lange in einer Warteschleife, dass wir dazu neigen, die Tatsache zu übersehen, dass es schnell in die Praxis umgesetzt werden kann.
Selbst während die Anbieter von Quantencomputer-Plattformen mit neuen Materialien, Methoden und Architekturen experimentieren, haben Forscher auf der ganzen Welt gezeigt, dass die Quantenverarbeitung von ML-Modellen tatsächlich machbar ist. Wir können erwarten, dass KI/ML-Forscher bei Google und anderswo wahrscheinlich TensorFlow Quantum verwenden werden, um einige ziemlich erstaunliche Dinge zu tun, die auf traditionellen KI-Beschleuniger-Hardware-Plattformen nie machbar waren.
Aus all diesen jüngsten Ankündigungen der Industrie geht klar hervor, dass wir zu unseren Lebzeiten nicht nur kommerzialisiertes Quanten-ML sehen werden, sondern dass es bereits begonnen hat, sich herauszubilden und in diesem Jahrzehnt stetig an Bedeutung gewinnen wird.
*James Kobielus ist Forschungsdirektor und leitender Analyst bei Futurum Research.
Be the first to comment