Komputery kwantowe to nasza szansa na mądrzejszą sztuczną inteligencję

Powoli osiągamy bowiem granice technologiczne upakowania coraz większej liczby tranzystorów na tak małych powierzchniach. Granica, której fizycznie przekroczyć się nie da, to tranzystor o rozmiarze pojedynczego atomu oraz pojedynczy elektron służący do przełączania jego stanu z 0 do 1.

W przypadku komputera kwantowego mówimy o wykorzystaniu stanu pośredniego, czyli wyjściu poza schemat dwóch przeciwnych wartości. Kubit (od bitów kwantowych) – bo tak się nazywa jednostka urządzeń kwantowych – może przyjmować jednocześnie wartość 0 i 1, a będąc precyzyjnym – może przyjmować nieskończoną liczbę stanów między 0 a 1. Taki stan nazywa się superpozycją. Dopiero podczas sprawdzenia wartości kubita przyjmuje on jeden z dwóch stanów podstawowych – 0 lub 1.

Wydaje się, że to mała różnica, jednakże kubit znajdujący się w stanie superpozycji może podczas obliczeń wykonywać wiele poleceń jednocześnie. Pomagają nam tu podstawowe zasady fizyki kwantowej. Fizycznie kubit może być reprezentowany przez dowolny układ kwantowy o dwóch różnych stanach podstawowych: na przykład spinu elektronu lub atomu, dwóch poziomów energetycznych w atomie, czy dwóch poziomów polaryzacji fotonu - pionową i poziomą.

Ta całkowicie abstrakcyjna sytuacja nabiera realności, gdy zaczynamy mówić o użyciu komputera kwantowego. Potrafi on liczyć nawet setki tysięcy – a w założeniu miliony – razy szybciej od urządzeń zbudowanych w oparciu o zaawansowane podzespoły krzemowe!

Tworzenie algorytmów kwantowych jest bardzo trudne, bo muszą one być opracowywane w oparciu o zasady mechaniki kwantowej. Algorytmy wykonywane przez komputer kwantowy działają w oparciu o zasady prawdopodobieństwa (nazywamy je algorytmami probabilistycznymi). Oznacza to, że uruchamiając ten sam algorytm na komputerze kwantowym dwukrotnie, ze względu na losowość samego procesu, można otrzymać różne wyniki. Z tego wniosek, że – upraszczając – dla uzyskania wiarygodnych wyników obliczenia należy uwzględniać zasady prawdopodobieństwa.

Brzmi to jak bardzo skomplikowany proces. I niestety tak jest. Komputery kwantowe nadają się do bardzo wyspecjalizowanych, określonych obliczeń - algorytmów, które pozwolą zaprzęgnąć całą ukrytą w nich moc. Najbardziej powszechne zastosowania algorytmów probabilistycznych to test Millera-Rabina do sprawdzania, czy liczba jest pierwsza (z szerokim zastosowaniem w kryptografii) oraz Quicksort - szybki algorytm sortowania liczb. To wszystko oznacza, że komputery kwantowe nie pojawią się na każdym biurku i w każdym domu.

Jednak bez względu na to, ile czasu potrzebujemy na uzyskanie danego wyniku pracy algorytmu, możemy już dzisiaj wyobrazić sobie sytuację, w której do rozwiązania konkretnego problemu angażujemy maszynę kwantową.

Technologie kwantowe mogą znacząco wpłynąć na takie dziedziny nauki jak astronomia, matematyka czy fizyka. Komputery kwantowe mogą błyskawicznie przeszukiwać olbrzymie ilości danych – być może to jest główny powód, dlaczego służby specjalne i koncerny technologiczne wiele inwestują w tę technologię. Komputery kwantowe mogą być idealnymi narzędziami do łamania szyfrów. Algorytmy kryptografii asymetrycznej, wykorzystywane jako jeden z elementów ochrony połączeń przeglądarek internetowych i połączeń w aplikacjach bankowości mobilnej i internetowej, można by za ich pomocą błyskawicznie złamać. Jest to też potencjalnie pierwsza technologia, która zagrozi algorytmom kryptograficznym sieci blockchain, a dokładnie metodom kryptograficznym opartym na parze kluczy: publicznym i prywatnym.

Chociaż moc komputerów kwantowych jest imponująca, nie oznacza to, że istniejące oprogramowanie działa po prostu miliard razy szybciej. Raczej komputery kwantowe są przeznaczone do rozwiązywania określonych typów problemów.

Podstawowym zastosowaniem komputerów kwantowych może być sztuczna inteligencja, a dokładniej uczenie maszynowe (machine learning). Sieci neuronowe będące fundamentem AI muszą być trenowane, nauczone określonych zachowań w oparciu o algorytmy i ogromne ilości danych. Oznacza to, w bardzo dużym uproszczeniu, że sieci neuronowe, mając do wyboru określone działanie jako wynik obliczeń algorytmu, kierują się również prawdopodobieństwem wystąpienia określonego pożądanego wyniku działania. Dostając informacje zwrotną o tym, czy wynik działania jest pożądany lub poprawny, automatycznie korygują swoje algorytmy tak, aby zwiększyć szansę wystąpienie działania pożądanego, poprawnego.

Jest to przykład uczenia maszynowego w oparciu o informację zwrotną. Ten model działania opiera się w wielkim skrócie na obliczeniu prawdopodobieństwa wielu możliwych wyborów. Sztuczna inteligencja jest idealnym kandydatem do obliczeń kwantowych, gdzie elementy probabilistyczne są podstawą działania algorytmów komputerów kwantowych.

Komputery kwantowe i sztuczna inteligencja mają również inną wspólną cechę: ogromną, wykładniczą skalowalność. Moc komputerów kwantowych jest mierzona w kubitach, przy czym najbardziej zaawansowane komputery kwantowe mają moc około 50 kubitów. Przy takiej mocy są one odpowiednikiem jednego superkomputera. Zwiększenie tej mocy do zaledwie 60 kubitów oznaczałoby przekroczenie mocy obliczeniowej wszystkich superkomputerów na świecie.

Quantum machine learning to najnowsza sfera badań naukowych i powstająca technologia, która próbuje wykorzystać moc komputera kwantowego, aby zwiększyć szybkość klasycznych algorytmów uczenia maszynowego. Dzisiejsze systemy sztucznych inteligencji i ich algorytmy uczenia maszynowego są już zdolne do przetwarzania gigantycznych ilości informacji. Proces, w którym te algorytmy przeszukują bazy danych zyskałby na mocy obliczeń kwantowych.  Szacuje się, że za kilka lat takie algorytmy i moce komputerów kwantowych będą dostępne. Ale wtedy czeka nas nie tylko skokowy wzrost szybkości sieci neuronowych. Mówimy o wzrostach rzędu milionów razy.

Samoreplikująca się sztuczna inteligencja, mogłaby skalować się wraz z rozbudową sprzętu czy sieci obliczeniowej w chmurze. Pozwalało by to sztucznej inteligencji tworzyć samodzielnie algorytmy o wiele bardziej złożone niż algorytmy które mógłby stworzyć człowiek. A wszystko to po to, by wykorzystać w pełni moc obliczeń kwantowych.

Na przykład, jeden z koncernów lotniczych planuje wykorzystać komputer kwantowy w celu testowania oprogramowania autopilota samolotu. Najnowsze modele zachowań sieci neuronowych i algorytmów, według których ten autopilot działa, są zbyt skomplikowane dla klasycznych komputerów. Komputery kwantowe są też wykorzystywane do projektowania oprogramowania, które może odnaleźć i oznaczyć pojazdy autonomiczne.

Osiągnęliśmy już punkt, w którym sztuczne inteligencje tworzą nowe sztuczne inteligencje bez udziału człowieka. A wszystko to dzięki komputerom kwantowym i zasadom fizyki kwantowej, która jest fundamentem działania tych maszyn.

Nowoczesne rynki finansowe tworzą jedne z najbardziej skomplikowanych ekosystemów na świecie. Choć powstało wiele skomplikowanych narzędzi matematycznych, które miały zarządzać tymi rynkami, ciągle są one nieefektywne.

Dla każdego asset managera zarządzającego funduszem inwestycyjnym zaprojektowanie idealnie zoptymalizowanego portfela jest niespełnionym marzeniem. Za każdym razem, gdy dopasowuje on swój portfel inwestycyjny (rebalancing), zmieniając wagi składników portfela, kupuje lub sprzedaje aktywa w portfelu w celu utrzymania pierwotnego pożądanego poziomu alokacji aktywów. Przykładowo pierwotna docelowa alokacja aktywów w portfelu miała wynosić 50% akcji i 50% obligacji. Gdyby akcje w portfelu osiągnęły dobre wyniki w danym okresie czasu, mogłoby to zwiększyć wagę akcji portfela do 70 proc. Asset manager, żeby powrócić do zakładanych 50/50, powinien podjąć decyzję o sprzedaży części akcji i zakupie obligacji. Oznacza to straty wynikające z kosztów transakcyjnych, a na rynku, gdzie większość funduszy osiąga krótkoterminowo zyski jednocyfrowe, strata kilku procent kosztów transakcji w wyniku dopasowania portfela inwestycyjnego może oznaczać ogromne koszty. A taki proces dopasowania portfela może być wykonywany kilkakrotnie w okresie sprawozdawczym na takim portfelu.

Komputery kwantowe mogą optymalizować portfolio inwestycji znacznie szybciej niż algorytmy wykorzystywane w tradycyjnych komputerach, nie wspominając o człowieku.

To tylko jeden z przykładów na to, jak komputery kwantowe mogą poradzić sobie z poważnymi wyzwaniami, przed jakimi stoją zarządzający funduszami. Za kilka lat algorytmy kwantowe powinny być na tyle stabilne, by zastępować ludzi w projektowaniu i zarządzaniu portfelem inwestycyjnym.

Chociaż fizyka kwantowa pod postacią komputerów kwantowych ma już teraz ogromny wpływ na obszary, które wymieniłem powyżej, z pewnością można sobie wyobrazić wiele innych jej zastosowań Technologia kwantowa i algorytmy kwantowe ewoluują. Co przyniosą? Mam nadzieję, że dużo dobrego.

Head of Services CEE, Microsoft. Kieruje usługami Microsoft w 36 krajach, ich zakres obejmuje doradztwo biznesowe i konsulting technologiczny, w szczególności w takich obszarach jak big data i sztuczna inteligencja, aplikacje biznesowe, cybersecurity, usługi premium oraz cloud. Poprzednio jaklo Vice President Digital McKinsey odpowiedzialny za region CEE oraz usługi łączące doradztwo strategiczne i wdrażanie zaawansowanych rozwiązań informatycznych. Od kompleksowej transformacji cyfrowej przez szybkie wdrożenia aplikacji biznesowych, rozwiązania i analizy big data, biznesowe zastosowania sztucznej inteligencji po rozwiązania blockchain i IoT. Wcześniej Norbert pełnił funkcję Prezesa Zarządu i CEO Atos Polska, był również szefem ABC Data S.A. oraz Prezesem Zarządu i CEO Sygnity S.A. Poprzednio również pracował w firmie McKinsey jako partner, był dyrektorem działu usług doradczych, oraz rozwoju biznesu firmy Oracle.

Pasją Norberta są najnowsze technologie robotyzacja, zastosowania sztucznej inteligencji, blockchain, VR i AR, Internet Rzeczy, oraz ich wpływ na gospodarkę i społeczeństwo. Więcej na ten temat można przeczytać na blogu Norberta.

Cytowane prace: