Хоча навчання великих мовних моделей (ВММ) на сучасних квантових комп'ютерах залишається викликом, нещодавні результати свідчать про багатообіцяючу синергію між квантовими обчисленнями та штучним інтелектом. Експерти з IBM та Eviden (група Atos) вивчають цей потенціал, розкриваючи досягнення в кількох ключових областях.
Дослідження 2021 року, опубліковане в Nature Computational Science, показало, що квантові нейронні мережі можна навчати швидше, ніж їхні класичні аналоги, що натякає на значний потенціал з більшими мережами. Квантові обчислення чудово справляються з задачами оптимізації, дозволяючи точно налаштовувати параметри нейронної мережі для більш точних прогнозів.
Європейське космічне агентство (ESA) продемонструвало потужність квантових обчислень у комп'ютерному зорі, досягнувши 96% рівня розпізнавання зображень за допомогою квантової нейронної мережі, порівняно з 85% з класичною мережею, використовуючи супутникові знімки для виявлення вулканів, що вивергаються. Квантова модель використовувала значно менше параметрів, що призвело до нижчого споживання енергії та даних.
Дослідження, опубліковане в Nature Communications у 2024 році, ще більше зміцнило ці висновки, показавши, що квантова модель може досягти подібної точності до класичних моделей з у десять разів меншою кількістю даних. Квантові обчислення також полегшують створення високоякісних синтетичних даних для навчання моделей і покращують виявлення закономірностей у складних наборах даних, приносячи користь таким областям, як хімія та матеріалознавство.
Ці досягнення вказують на здатність квантових обчислень підвищувати точність за допомогою менших моделей, оптимізувати продуктивність і прискорювати отримання надійних результатів, що потенційно може революціонізувати застосування ШІ.