Хотя обучение больших языковых моделей (LLM) на современных квантовых компьютерах остается сложной задачей, недавние открытия свидетельствуют о многообещающей синергии между квантовыми вычислениями и искусственным интеллектом. Эксперты из IBM и Eviden (группа Atos) изучают этот потенциал, выявляя достижения в нескольких ключевых областях.
Исследование 2021 года в Nature Computational Science показало, что квантовые нейронные сети можно обучать быстрее, чем их классические аналоги, что намекает на значительный потенциал с более крупными сетями. Квантовые вычисления превосходно справляются с задачами оптимизации, позволяя точно настраивать параметры нейронной сети для более точных прогнозов.
Европейское космическое агентство (ESA) продемонстрировало возможности квантовых вычислений в компьютерном зрении, достигнув 96% скорости распознавания изображений с помощью квантовой нейронной сети по сравнению с 85% с классической сетью, используя спутниковые снимки для обнаружения извергающихся вулканов. Квантовая модель использовала значительно меньше параметров, что привело к снижению энергопотребления и потребления данных.
Исследование, опубликованное в Nature Communications в 2024 году, еще больше укрепило эти выводы, показав, что квантовая модель может достичь аналогичной точности, что и классические модели, с в десять раз меньшим количеством данных. Квантовые вычисления также облегчают создание высококачественных синтетических данных для обучения моделей и улучшают обнаружение закономерностей в сложных наборах данных, что выгодно для таких областей, как химия и материаловедение.
Эти достижения указывают на способность квантовых вычислений повышать точность с помощью меньших моделей, оптимизировать производительность и ускорять получение надежных результатов, что потенциально может революционизировать приложения ИИ.