为什么量子计算应该成为您企业AI战略的一部分

文章 (50) 2021-03-26 12:31:00

人工智能是蚂蚁业务的基石。通过使用蚂蚁的核心产品支付宝移动支付服务进行的每笔交易,人工智能都可以更好地了解其用户的财务状况,然后将其应用于为用户提供新的金融服务,例如适合其需求的贷款,投资或保险选择。蚂蚁还使用AI检测欺诈并预测财务风险。

人工智能已经在各种用例中证明了其强大功能。但是,这些强大的结果并不一定能很快交付。机器学习(ML)模型需要训练,除了需要大量的数据外,这还需要时间。有些模型需要几个月的训练时间。但是,鉴于量子机器相对于传统机器的固有优势,量子计算可以大大减少训练时间并提高ML模型的准确性。

IBM最近的研究证实了ML的这种量子优势。研究人员证明,对于某些类别的监督ML模型,启用量子的ML算法不仅比传统的计算算法执行得更快而且更准确。在实践中,这意味着与今天最强大的经典计算机相比,启用量子功能的ML还将提取出更多有价值的见解,并且能够更快地做到这一点。

生成式AI模型

此图像中的人不存在。尽管它们看上去栩栩如生,但它们的图片是由AI生成的。所讨论的AI,称为生成对抗网络(GAN),由两个相互配合的神经网络组成。一个网络生成与训练数据相似的数据(在这种情况下为真实人物的照片),另一个网络尝试从生成的数据中区分训练数据。两者来回移动,直到生成的数据几乎不可能与真实事物区分开。

GAN不仅限于图片。它们还可以用于创建音乐,视频和许多其他形式的复杂数据。5月,由Nvidia开发的GAN仅通过观看正在播放的游戏就可以重新创建可玩版本的《吃豆人》。其他用途包括从2D图像创建3D模型,预测气候变化的影响并为制药应用生成新分子。

事实证明,即使在短期内,量子设备也可以提高对抗网络的学习质量。例如,麻省理工学院的研究人员开发了一种对抗网络架构,他们称之为“量子经典关联对抗网络(QAAN)”。这种混合系统(“混合”,因为它同时依赖于经典元素和量子元素)“由经典的生成对抗网络组成,该网络具有小型辅助量子Boltzmann机器,该机器同时在生成网络的鉴别器的中间层进行训练。” 通过利用辅助设备,QAAN可以比纯经典的前辈更有效地学习。

填补机器学习训练数据中的空白

量子设备的生成能力还有另一个强大的应用:填补训练ML模型所需数据的空白。传统上,数据一直是训练ML算法的限制因素。也就是说,当尝试使用ML来预测罕见事件或罕见事件(例如全球大流行)的结果时,健壮数据集的缺乏或匮乏构成了重大挑战。启用了量子的生成AI模型可以创建新的“合成”数据集,该数据集与您已有的训练数据非常相似,从而大大减轻了这一限制。

为了说明这一点,想象一下训练一个面部识别算法来仅基于面部的侧面来识别面部。您的数据集可能非常有限;但是,也许您有很多正面图像,但没有足够的侧面图像,反之亦然。借助启用了量子的生成式AI,您可以使用所需的匹配图片来生成更多图片,从而扩展数据集。这种方法可用于改进ML模型,该模型的重点是从发现罕见癌症到在不久的将来对风险情景进行建模。

THE END

发表评论