Hiện tại và tương lai của Tính toán Lượng tử đối với Trí tuệ nhân tạo
Tính toán lượng
tử vẫn còn trong giai đoạn đầu tiên, và chưa có kiến trúc phổ quát nào cho các
máy tính lượng tử tồn tại tại thời điểm này. Tuy nhiên, các prototype của nó đã
có và cho thấy những kết quả đầy hứa hẹn trong các nhiệm vụ như mã hóa,
logistic, mô hình hóa và tối ưu hóa. Đối với các nhà nghiên cứu AI, tối ưu hóa
và lấy mẫu đặc biệt quan trọng, vì nó cho phép đào tạo các mô hình Machine
Learning nhanh hơn nhiều với độ chính xác cao hơn.
Hiện tại, công
ty D-Wave của Canada là công ty dẫn đầu trong mảng tính toán lượng tử. Cỗ máy mới
nhất của họ D-Wave 2000Q chứa 2000 qubit hoạt động ở nhiệt độ 0.015K (cao hơn một
chút so với độ không tuyệt đối). Họ không hướng tới việc tạo ra một Máy tính Lượng
tử Phổ biến trong tương lai gần, mà là một thứ mà các thiết bị của họ có thể
làm được khá tốt – Quantum Annealing (Nhiệt luyện Lượng tử).
D-Wave 2000Q hoạt
động theo thang đo mili giây để tải dữ liệu đầu vào, tìm kiếm giải pháp và đọc
nó ra. Bạn có thể dễ dàng lặp lại toàn bộ quá trình nhiều lần để thu được các
giải pháp khác nhau. Và nó hoạt động nhanh gấp hàng nghìn lần so với việc sử dụng
GPU hiện đại cho việc Simulated Annealing (mô phỏng Nhiệt Luyện).
Quantum Annealing
khá phù hợp với việc đào tạo và lấy mẫu từ các mô hình dựa trên năng lượng như
Các cỗ mãy Boltmann. Đáng chú ý có Unsupervised Learning (Học không giám sát) vốn
là một thách thức lớn với các nhà nghiên cứu AI, và rất có khả năng tính toán
lượng tử sẽ là chìa khóa. Thật khó xử lý ngay cả với các số thập phân half-precision
(kiểu số chấm động 16 bit), vì thế tại thời điểm này hầu hết các việc đều xử lý
bằng các biến nhị phân.
D-Wave đang có kế
hoạch tạo ra các máy tính lượng tử/cổ điển hỗn hợp dùng trong công nghiệp cho
Machine Learning vào năm 2019. Ngoài ra, 1QBit cũng đang phát triển phần mềm
chuyên dụng cho các cỗ máy của họ.
Quantum Annealing (QA) hoạt động như thế nào?
Nói ngắn gọn, QA
là một phương thức giảm năng lượng có kiểm soát của hệ thống lượng tử bằng cách
dịch chuyển các qubit từ trạng thái xếp chồng (superposition) sang trạng thái cổ
điển có cấu hình năng lượng thấp. Nhiệm vụ này có thể mô tả như việc mã hóa hàm
năng lượng liên kết các qubit và thông qua nhiệt luyện (Annealing), chúng sẽ di
chuyển theo hướng một số cấu hình tối ưu.
Nếu quá trình
chuyển đổi được thực hiện đủ chậm, thuật toán sẽ tìm thấy một trạng thái cơ bản
(ví dụ: một giải pháp tối ưu chẳng hạn) với xác suất cao:
Quantum Coupling
(Ghép đôi Lượng tử) cho phép các qubit khám phá tất cả các giải pháp tiềm năng
đồng thời, và cùng lúc đó Quantum Tunneling (Xuyên hầm Lượng tử) cho phép chúng
di chuyển xuyên qua các rào cản năng lượng cao hướng tới các trạng thái “tốt hơn”.
Hai hiệu ứng này cho phép các máy tính lượng tử giải quyết nhiều bài toán tối
ưu hóa khó nhanh hơn nhiều so với các máy tính cổ điển. Đoạn video này của
D-Wave sẽ giải thích QA chi tiết hơn:
IBM Q
Một tay chơi lớn
khác là IBM Q. Big Blue đang làm việc với tính toán lượng tử dựa trên mô hình
Gate và các cỗ máy của họ là Các Máy tính Lượng tử Phổ biến. Chúng sẽ có một tập
các ứng dụng rộng lớn hơn nhiều, nhưng đồng thời cũng khó kiểm soát hơn nhiều.
Các bộ vi xử lý tối tân nhất ở IBM hiện có 16 và 17 qubit, và thực sự rất khó mở
rộng hơn nữa.
Kiến trúc chung
phổ biến hơn của các bộ vi xử lý của IBM cho phép chúng chạy được bất kỳ thuật
toán lượng tử nào. Ví dụ, thuật toán Grover có thể tìm thấy đầu vào cho một hàm
kín (như chiếc hộp đen) nếu hàm đó có đầu ra xác định chỉ trong các ước lượng O(√N)
của hàm. Chưa cần nói đến thuật toán Shor tìm thừa số nguyên (thuật toán này
gây ra rất nhiều lo ngại về tính bảo mật của nhiều thuật toán mã hóa cổ điển).
Dù sao đi nữa,
phiên bản 16 qubit đang được cung cấp công khai thông qua chương trình IBM Q
Experience. Danh tiếng các dịch vụ nhận dạng của IBM Watson trong cộng đồng Trí
tuệ nhân tạo hiện tại khá tệ. Có lẽ IBM Q có khả năng thay đổi tình hình.
Một điều nữa, tại
chỗ giao thoa giữa thế giới Lượng tử và Trí tuệ nhân tạo – Mạng neuron lượng tử
(Quantum Neural Network) là một dạng sửa đổi ngẫu nhiên vốn có của mạng neuron nhân
tạo cổ điển. Đây là một hướng nghiên cứu thú vị, nhưng chưa có gì có ý nghĩa được
hoàn thành. Mới chỉ có nghiên cứu lý thuyết và các mô phỏng bằng các bài toán
trò chơi.
Nhìn chung, tính
toán lượng tử có vẻ là một hướng đi đầy hứa hẹn cho các mô hình ngẫu nhiên
trong Machine Learning. Với những tiến bộ gần đây từ D-Wave và IBM, chúng ta có
thể hy vọng các ứng dụng thực tế của các máy tính lượng tử trong lĩnh vực Trí
tuệ nhân tạo sẽ xuất hiện vào năm 2020.
Egor Dezhic
Dịch từ Medium
