Kvantdatorer del 3: AI möter kvantberäkning.

I de två första delarna gick vi igenom hur kvantdatorer fungerar och vilka algoritmer som får kraftiga lyft av kvantberäkning. I den avslutande delen handlar det om vad som händer när artificiell intelligens och kvantdatorer börjar samverka på allvar. Vi rör oss i ett område där det forskas flitigt i dagsläget och därför innehåller veckans artikel en hel del länkar till forskningsartiklar för de extra intresserade (för de artiklar som ligger bakom betalväg eller liknande har jag istället lagt med klassiska källhänvisningar).

AI handlar om att lära sig ur data. Kvantdatorer handlar om att utforska och manipulera sannolikheter i system som klassiska datorer har svårt att beskriva. När de kombineras skapas en ny typ av beräkningsmiljö där artificiell intelligens och kvantmekanik kan förstärka varandra.

Som jag beskriver nedan finns det redan ett stort antal områden där det här sker eller förväntas ske. Den utveckling jag personligen tror på är hybridlösningar där klassiska datorer sköter databearbetning och övergripande logik, medan kvantdatorer används för delar där kvantmekanikens struktur gör störst skillnad..

AI som styr och förbättrar kvantdatorer

Som jag berättat i en tidigare artikel gör brus, fel och korta koherenstider det svårt att bygga ut kvantdator-tekniken. Utvecklingen går dock hela tiden framåt och ett viktigt verktyg i att lära sig hur man kan förbättra kvantdatorers stabilitet och precision är AI. Här följer tre hyfsat aktuella exempel:

• Flera forskargrupper har visat att maskininlärning kan optimera styrpulser, minska brus och hitta bättre kontrollstrategier för supraledande qubitar (Artificial intelligence and machine learning for quantum technologies).
• Man har också visat hur maskininlärning kan användas för att lära sig brusmönster och ta fram korrektioner som drastiskt minskar den extra beräkningskostnaden i error mitigation på dagens kvantdatorer (Källa: Machine Learning for Practical Quantum Error Mitigation, 2023).
• Till sist finns studier som visar att AI-baserade metoder kan optimera kvantkontroll genom att analysera mönster i brus och justera styrparametrar, vilket i praktiken förlänger den användbara koherenstiden (Optimal control of quantum thermal machines using machine learning).

Kvantdatorer som stöd i AI och maskininlärning

Det mest jordnära exemplet på hur kvantdatorer kan förstärka AI ligger nog i hur de kan accelera träningen av dem. Men det finns fler områden där man förväntar sig positiva synergier:

• I AI-träning tros fördelar nås framför allt vid optimering och sampling. I många teoretiska resultat bygger detta på amplitude estimation eller kvantparallellism, där man under ideala förhållanden får en kvadratisk hastighetsvinst jämfört med klassiska Monte Carlo-metoder (Quantum-accelerated multilevel Monte Carlo methods for stochastic differential equations in mathematical finance)
• Kvantdatorer kan också skapa kvantbaserade feature maps som i teorin är svåra att approximera klassiskt (tänk stort/oändligt antal dimensioner, typ Hilbertrum). I dessa Hilbertrum kan en kvantdator beräkna kernelvärden mellan två datapunkter, så kallade quantum kernels. Detta är grunden för kvantkärnor och kvantförstärkta klassificerare (Quantum machine learning in feature Hilbert spaces).
• Studier har även visat att kvantkretsar kan användas som träningsbara modeller och klassificerare som påminner om neurala nät, där kvanttillståndens struktur spelar rollen som en form av aktiveringsfunktion (Källa: Havlíček med flera, Supervised learning with quantum-enhanced feature spaces, 2019).

Hybridberäkning som bro mellan världarna

Som jag nämnde i inledningen tror jag den mest realistiska vägen framåt är en hybridlösning där klassiska datorer sköter databearbetning och övergripande logik, medan kvantdatorn används för delar där kvantmekanikens struktur gör störst skillnad, till exempel optimering och sampling.

Industrin har redan visat proof of concept där hybridmetoder förbättrar maskininlärningsmodeller, framför allt när datamängden är liten eller brusig. Koden i illustrationen är hämtad från en IBM Tutorial som inte bara delar erhållna resultat utan också hur man kan återskapa dem. Den avslutande stycket är inspirerande:

While current hardware introduces some noise and depth limitations, this workflow demonstrates a near-term hybrid approach where classical and quantum components cooperate: the quantum optimizer provides a better initialization landscape for the classical loop, improving convergence and final model quality. As quantum processors evolve, these scalability benefits are expected to extend to larger datasets, broader ensembles, and deeper circuit depths.

En ny fas i beräkningens historia

Kurzweils idé om accelererande utveckling säger att varje teknikskifte bygger verktygen för nästa. Om kombinationen av AI och kvantteknik driver nästa stora språng inom beräkning så har Kurzweil fått rätt (igen).

Framåt kan vi alltså förvänta oss att AI och kvantum integreras ännu tätare. När kvantdatorer blir mer skalbara och AI-modeller allt mer autonoma kan hybridarkitekturer utvecklas som dynamiskt fördelar beräkningar mellan klassiska och kvantbaserade resurser. Det kan göra realtidsoptimering möjlig på sätt som idag bara är teoretiska, till exempel genom självlärande algoritmer som justerar kvantkretsar automatiskt eller AI-system som använder kvanteffekter för att utforska komplexa problem mer effektivt.

Men dit är det alltså ett tag. ChatGPT sammanfattar nuvarande förväntningar väl:

I think we’ll see meaningful but narrow usefulness from quantum computers before 2030, but true, broadly operational, fault-tolerant quantum computers—the kind that can reliably outperform classical supercomputers on valuable real-world problems—are more realistically a mid-2030s milestone.

Det här avslutar min miniserie om kvantdatorer men jag ser fram emot att återbesöka ämnet i framtiden så har du input vad du vill veta mer om så dela gärna.

Åter om en vecka!

//Emil