Как квантовый ИИ можно использовать для получения прибыли бизнесом в будущем
Будущее уже наступило, и искусственный интеллект в моде. Машинное обучение (подраздел ИИ) стало настолько популярной темой исследований, что в сети есть бесчисленное множество статей и примеров его применения — обсуждение нейронных сетей, методов обрезки, моделей трансформаторов и многого другого. Точно так же квантовые вычисления стали новой горячей темой в области технологий: такие компании, как Google и IBM, проводят обширные исследования на своих собственных квантовых компьютерах, и написано множество статей, в которых исследуется их потенциал. Даже небольшие консалтинговые компании, такие как Accenture, проводят исследования в области квантов, причем квантовое превосходство с каждым годом становится все более очевидным, а его использование означает увеличение прибыли для бизнеса во всем мире.
Обзор
Итак, что вы получите, если объедините ИИ и контроль качества? Квантовое машинное обучение, конечно. Это совершенно новая область исследований с большим потенциалом для развития и исследований. Существует два широких класса QML: методы для работы на квантовом компьютере (это включает в себя подготовку, хранение и обработку квантовых состояний для получения классического решения) и методы, предназначенные для работы на устройствах квантового отжига, которые решают задачи оптимизации (это включает в себя физическую эволюцию). квантовых систем в соответствии с адиабатическими квантовыми вычислениями). Адиабатический контроль качества — это форма контроля качества, основанная на адиабатической теореме для выполнения вычислений. Он тесно связан с квантовым отжигом, который представляет собой метаэвристический алгоритм оптимизации, использующий квантовые эффекты для решения задач квадратичной неограниченной бинарной оптимизации (QUBO).
Это много громких слов, и если вы чем-то похожи на меня, вы можете подумать, что это слишком расплывчато для вашего понимания. Однако на самом деле все сводится к идее классических алгоритмов и практик машинного обучения, запускаемых на квантовом компьютере с использованием квантово-механических концепций, которые позволяют повысить эффективность и решить существующие проблемы, неразрешимые классическими методами.
Спекуляция
Теперь, когда мы лучше понимаем QML, давайте взглянем на следующую диаграмму Венна ниже:
Очевидно, в нем отсутствуют компоненты (я сделал это на полуночной встрече в Zoom в шутку для друга). Оглядываясь назад, я должен был заменить криптографию на информационную безопасность в целом, поскольку криптография на самом деле является лишь подразделом информационной безопасности. QCrypto — это концепция алгоритмов квантового шифрования. В частности, есть QHE, который относится к квантовому гомоморфному шифрованию, форме шифрования, которая позволяет выполнять вычисления с зашифрованными данными без их предварительной расшифровки. Подробнее об этом можно прочитать здесь (тема действительно увлекательная, но я отвлекся).
Помимо теоретического обсуждения, каковы фактически предлагаемые приложения QML в промышленности? Как предприятия (большие или малые) могут использовать QML для решения реальных проблем в наши дни или в ближайшем будущем?
Что ж, как уже говорилось ранее, QML является развивающейся областью, а это означает, что сейчас не так много свидетельств его коммерческого использования. Мы знаем, что группа квантовых исследований Университета Квазулу-Наталь изучает, как квантовая теория может улучшить машинное обучение и наоборот, и мы подозреваем, что, если квантовый рынок продолжит расти нынешними темпами развития, последовательное использование КК и По оценкам, QML появится через два-пять лет. Однако предприятия могут начать внедрять инновации уже сейчас, используя существующие квантовые аппаратные платформы и программные приложения, такие как квантовый облачный сервис IBM.
Другими словами, это в основном вопрос предположений — отсюда и «???» в центре диаграммы. Однако есть одна такая область, где она может быть чрезвычайно полезна, область, с которой я лучше знаком, и это информационная безопасность.
QML в информационной безопасности
Кибербезопасность имеет основополагающее значение для любого бизнеса или организации, поскольку поддержание безопасности системы жизненно важно для ее CIA (конфиденциальность, целостность и доступность, также известная как триада безопасности). Если какой-либо из этих компонентов скомпрометирован, производительность падает, личная идентифицируемая информация теряется, а бизнес страдает.
QML может принести пользу предприятиям, участвующим в информационной безопасности, поскольку сети квантовой связи намного быстрее и более неуязвимы для кибератак, тем самым защищая конфиденциальность и целостность хранимых и передаваемых данных. Квантовые компьютеры уже продемонстрировали способность взломать некоторые алгоритмы шифрования, такие как криптография RSA, тем самым продемонстрировав необходимость шифрования с квантовой устойчивостью. Точно так же классическое ML продемонстрировало мастерство в решении задач информационной безопасности, таких как выявление аномалий в сетевом трафике или поведении пользователей и обнаружение мошенничества в Интернете. Это мастерство будет только увеличиваться в сочетании с квантовым превосходством.
В классическом машинном обучении существует инновационный GPT-3 (Generative Pre-trained Transformer 3), созданный OpenAI, исследовательским бизнесом, соучредителем которого является Илон Маск. Это было описано как самое важное и полезное достижение в области ИИ за последние годы. GPT-3 генерирует текст с использованием предварительно обученных алгоритмов — им уже переданы все данные, необходимые для выполнения их задачи. В частности, им было передано около 570 ГБ текстовой информации, собранной из Интернета, как и вся Википедия.
Уже проводятся исследования о применении этой модели Transformer в области кибербезопасности. Например, мы можем видеть, что GPT-3 способен генерировать код для модели машинного обучения, просто описывая набор данных и требуемый результат (см. здесь). Следовательно, GPT-3 также сможет писать сценарии, которые будут выполнять тесты, просматривать файловые системы, запускать эксплойты и пытаться атаковать для поиска уязвимостей. Теоретически он также может создавать вредоносное ПО, что одновременно и волнительно, и страшно представить.
Все эти приложения возможны и с QML, и они будут выполняться с экспоненциально более высокой скоростью. В целом, это будет означать повышение эффективности предприятий в обеспечении безопасности своих систем и обеспечении производительности.
Отказ от ответственности
Возможно, мне следовало бы начать с этого, но я не являюсь экспертом ни в квантовых вычислениях, ни в машинном обучении, ни в QML. Я всего лишь изучаю эти концепции, и мне удалось подружиться с учеными, которые потратили больше времени на изучение этих тем.
При этом я предоставил список ссылок ниже, который включает исследовательские работы и статьи, предлагающие дополнительные разъяснения по вышеупомянутым темам.
Ссылки:
Методы квантовых вычислений для контролируемого обучения (Вирадж Кулкарни, Милинд Кулкарни и Анируддха Пант)
Что такое квантовое машинное обучение и как оно может нам помочь?
«ИИ и машинное обучение и их использование в кибербезопасности»
