Obwohl das Training großer Sprachmodelle (LLMs) auf aktuellen Quantencomputern eine Herausforderung darstellt, deuten aktuelle Erkenntnisse auf eine vielversprechende Synergie zwischen Quantencomputing und künstlicher Intelligenz hin. Experten von IBM und Eviden (Atos-Gruppe) erforschen dieses Potenzial und zeigen Fortschritte in mehreren Schlüsselbereichen auf.
Eine Studie aus dem Jahr 2021 in Nature Computational Science zeigte, dass Quanten-Neuronale Netze schneller trainiert werden können als klassische Pendants, was auf ein erhebliches Potenzial bei größeren Netzwerken hindeutet. Quantencomputing zeichnet sich durch Optimierungsprobleme aus und ermöglicht die Feinabstimmung von neuronalen Netzwerkparametern für genauere Vorhersagen.
Die Europäische Weltraumorganisation (ESA) demonstrierte die Leistungsfähigkeit des Quantencomputings in der Computer Vision und erreichte mit einem Quanten-Neuronalen Netz eine Bilderkennungsrate von 96 % im Vergleich zu 85 % mit einem klassischen Netz, wobei Satellitenbilder zur Erkennung von Vulkanausbrüchen verwendet wurden. Das Quantenmodell verwendete deutlich weniger Parameter, was zu einem geringeren Energie- und Datenverbrauch führte.
Die in Nature Communications im Jahr 2024 veröffentlichte Forschung untermauerte diese Ergebnisse weiter und zeigte, dass ein Quantenmodell mit zehnmal weniger Daten eine ähnliche Genauigkeit wie klassische Modelle erzielen kann. Quantencomputing erleichtert auch die Erstellung hochwertiger synthetischer Daten für das Modelltraining und verbessert die Erkennung von Mustern in komplexen Datensätzen, was Bereichen wie Chemie und Materialwissenschaft zugute kommt.
Diese Fortschritte deuten auf die Fähigkeit des Quantencomputings hin, die Präzision mit kleineren Modellen zu verbessern, die Leistung zu optimieren und zuverlässige Ergebnisse zu beschleunigen, was möglicherweise KI-Anwendungen revolutionieren könnte.