Llegamos a ustedes gracias a:



Reportajes y análisis

Las empresas de IA plantan las semillas

Para el aprendizaje automático cuántico

[13/04/2020] Lo cuántico no es la próxima gran novedad en la computación avanzada, sino un enfoque futurista que podría ser lo más importante de todo.

Teniendo en cuenta la posibilidad teórica de los tejidos cuánticos que permiten cálculos subatómicos aparentemente mágicos, astronómicamente paralelos, irrompiblemente encriptados y más rápidos que la luz, esta podría ser la arquitectura omega en la evolución de la IA (inteligencia artificial).

Nadie duda de que la industria de TI ha progresado de manera impresionante en el desarrollo y comercialización de tecnologías cuánticas. Pero esta manía también se perfila como el hype que termina con todos los hypes. La tecnología cuántica tardará un tiempo en demostrar ser un sucesor digno de la arquitectura de computación tradicional de von Neumann.

Aunque los llamativos titulares se jactan de la supremacía cuántica -que se refiere a las afirmaciones de que los dispositivos cuánticos programables pueden resolver problemas más allá del alcance de las arquitecturas von Neumann- se ha hablado mucho sobre la practicidad cuántica. En otras palabras, todavía existe poca evidencia de que las computadoras cuánticas se estén aplicando a casos de uso del mundo real en IA, ML (aprendizaje automático) y otros tipos de analítica avanzada.

El largo camino de lo cuántico hacia la IA y el ML convencionales

La IA ha sido señalada como una aplicación cuántica sin par durante bastante tiempo, pero lo cuántico hasta ahora tiene una presencia mínima en el ámbito de la analítica de datos comerciales.

Necesitamos preguntarnos si toda la actividad reciente de la industria nos está preparando para el temido "invierno cuántico, análogo al largo período de invierno de la IA, en el que hubo una reacción contraria a la exaltación temprana ligada a esa tecnología. Una cosa es hablar sobre el potencial alucinante de la analítica cuántica, que se ejecuta a través de universos paralelos como si fuera el santo grial. Otra muy distinta es señalar una tecnología madura con aplicaciones claras que marcan una gran diferencia en nuestras vidas hoy.

Sin embargo, existe una sensación cada vez mayor entre los investigadores, e incluso entre los profesionales de la analítica, de que el ML podría convertirse en el caso de uso principal para lo cuántico en nuestras vidas.

Esta no es una revelación reciente. En el 2013, un profesor del MIT declaró que la "primera aplicación cuántica es el ML. Específicamente, el profesor, Seth Lloyd, propuso una "aplicación c que "codifica las consultas de Google con q-bits, que permiten que las computadoras cuánticas puedan no solo realizar búsquedas en tiempo real, incluso a través de las bases de datos más gigantescas, sino que también puedan garantizar su privacidad absoluta. Esto se debe a que los intentos del proveedor del motor de búsqueda de espiar la consulta alterarían la delicada superposición de estados del q-bit.

Más significativamente, lanzamientos recientes de productos y otros anuncios de Amazon Web Services, Microsoft, IBM, y Honeywell en el campo de la computación cuántica abordan los casos de uso de la IA y el ML en diversos grados. Ninguno de estos anuncios se refiere a un producto o servicio cuántico disponible para todos, que resuelva problemas prácticos de negocios. Sin embargo, la mayoría de estos anuncios incluyen ganchos para que los programadores desarrollen tales soluciones en plataformas de hardware cuántico o servicios en la nube.

En noviembre del 2019, Microsoft anunció Azure Quantum. Este servicio de computación cuántica en la nube se encuentra actualmente en versión privada, y se espera que esté disponible públicamente a finales de este año. Viene con un kit de desarrollo cuántico de código abierto de Microsoft para el lenguaje Q# orientado a lo cuántico, desarrollado por Microsoft, así como Python, C# y otros lenguajes. El kit incluye bibliotecas para el desarrollo de aplicaciones cuánticas en ML, criptografía, optimización y otros dominios.

Un mes después, AWS anunció el servicio Amazon Bracket. Aún en versión preliminar, este es un servicio de AWS totalmente gestionando que permite que los científicos, investigadores y desarrolladores comiencen a experimentar con computadoras de proveedores de hardware cuántico (incluidos D-Wave, IonQ y Rigetti) en un solo lugar. Proporciona un ambiente de desarrollo único para construir algoritmos cuánticos, incluido el ML, y probarlos en computadoras cuánticas simuladas. Los desarrolladores pueden ejecutar ML y otros programas cuánticos en una variedad de arquitecturas de hardware diferentes. También permite a los usuarios diseñar algoritmos cuánticos utilizando el kit de herramientas para desarrolladores de Amazon Braket y utilizar herramientas familiares, como los portátiles Jupyter.

Luego, en enero, IBM anunció la expansión de su red Q, en la cual -a través de IBM Cloud- más de 200 mil usuarios están ejecutando cientos de miles de millones de ejecuciones en los sistemas cuánticos y simuladores de IBM. Los participantes en la red tienen acceso a la experiencia y los recursos cuánticos de IBM, el software Qiskit de código abierto y las herramientas de desarrollo, así como también el acceso basado en la nube al Quantum Computation Center de IBM. Muchas de las cargas de trabajo que se ejecutan incluyen ML, así como simulaciones en tiempo real de arquitecturas de computación cuántica.

Hace menos de dos semanas, Honeywell anunció que su computadora cuántica de alta capacidad estará disponible para todos en tres meses. También anunció que Honeywell Ventures está haciendo inversiones en Cambridge Quantum Computing y Zapata Computing. Ambas compañías tienen experiencia en ML y otros algoritmos, así como en software transversal para aplicaciones de computación cuántica.

Las herramientas cuánticas han entrado en el marco de desarrollo dominante de IA/ML

El anuncio más importante, que llegó hace solo unos días, fue el lanzamiento de Google de TensorFlow Quantum. Este nuevo stack, únicamente de software, amplía el marco de modelado y biblioteca ML de código abierto TensorFlow, ampliamente adoptado para apoyar la construcción y capacitación de modelos ML destinados al procesamiento en plataformas de computación cuántica.

Desarrollado por la unidad de X R&D de Google, TensorFlow Quantum permite que los científicos de datos utilicen el código Python para desarrollar modelos cuánticos de ML a través de las funciones estándar de Keras. Proporciona una biblioteca de simuladores de circuitos cuánticos y primitivos de computación cuántica que son compatibles con las APIs existentes de TensorFlow.

El lanzamiento de TensorFlow Quantum no es una gran sorpresa, ya que llegó varios meses después de que Google declaró la "Supremacía cuántica, que se refiere al logro de una hazaña de computación cuántica que hubiera sido imposible en la arquitectura informática tradicional.

Además de proporcionar un stack completo de software IA/ML en la que ahora se puede hibridar el procesamiento cuántico, Google tiene la intención de ampliar el rango de arquitecturas de chips más tradicionales en las que TensorFlow Quantum puede simular un ML cuántico. Ha anunciado planes para expandir la gama de plataformas personalizadas de hardware de simulación cuántica, compatibles con la herramienta, para incluir unidades de procesamiento de gráficos de varios proveedores, así como su propia Tensor Processing Unit para las plataformas de hardware de aceleración de IA.

Reconociendo que la computación cuántica aún no es lo suficientemente madura y precisa como para procesar la gama completa de cargas de trabajo de ML, Google ha diseñado sabiamente su nueva herramienta de código abierto para soportar muchos casos de uso de IA con un pie en las arquitecturas informáticas tradicionales. TensorFlow Quantum permite que los desarrolladores creen rápidamente prototipos de modelos ML que, en paralelo, hibridan la ejecución de procesadores cuánticos y clásicos en las tareas de aprendizaje. Usando la herramienta, los desarrolladores pueden construir conjuntos de datos clásicos y cuánticos, con los datos clásicos procesados de forma nativa por TensorFlow, y las extensiones cuánticas que procesan datos cuánticos, que consisten en circuitos y operadores cuánticos.

Los desarrolladores pueden usar TensorFlow Quantum para el aprendizaje supervisado en casos de uso de ML, como clasificación cuántica, control y optimización cuánticos aproximada. También pueden ejecutar tareas avanzadas de aprendizaje cuántico como metaaprendizaje, aprendizaje hamiltoniano y muestreo de estados térmicos.

Además, Google ha diseñado TensorFlow Quantum para soportar la creciente gama de casos de uso de IA, como los "deepfakes que generan video, voz e imagen con un alto grado de verosimilitud. Los desarrolladores de Google ML pueden usar TensorFlow Quantum para entrenar modelos cuánticos/clásicos híbridos para manejar las cargas de trabajo discriminatorias y generativas en el corazón de las redes de confrontaciones generativas, utilizadas en dichas aplicaciones.

Estratégicamente, el próximo paso probable de Google será combinar TensorFlow Quantum con su preexistente Quantum Computing Playground en un servicio de gestión cuántica de ML completo y gestionado. Teniendo en cuenta el hecho de que los principales rivales de la nube pública de Google (Microsoft, AWS e IBM) tienen todos estos servicios en el mercado o en versión preliminar, sería impactante si la empresa con sede en Mountain View, California, no intentara superarlos con un servicio de ML cuántico propio.

Los investigadores de IA/ML cuánticos establecen la vía antes de usar su tren de alta velocidad

Construir el ML cuántico "escribir una vez, ejecutar en cualquier lugar será complicado durante bastante tiempo, incluso en TensorFlow Quantum. Esto se debe a que los investigadores cuánticos están experimentando con una amplia gama de arquitecturas alternativas, incluso mientras intentan crear aplicaciones prácticas.

Estas son algunas de las principales formas en que los principales proveedores de ML cuánticos están apoyando estos requisitos de I+D cuánticos más fundamentales:

* Con el fin de procesar modelos de ML, Google diseñó TensorFlow Quantum para soportar la investigación avanzada en arquitecturas y algoritmos alternativos de computación cuántica. Esto hace que la nueva oferta sea una herramienta de investigación invaluable para los científicos de computación, que se encuentran experimentando con diferentes arquitecturas de procesamiento cuántico e híbrido optimizadas para cargas de trabajo de ML. Con este propósito, TensorFlow Quantum incorpora Cirq, una biblioteca de Python de código abierto para programar computaciones cuánticas. Este soporta la creación, edición e invocación programática de las compuertas cuánticas que constituyen los Circuitos Cuánticos de Escala Intermedia ruidosa (NISQ, por sus siglas en inglés) característica de los sistemas cuánticos actuales. También permite que los cálculos cuánticos especificados por el desarrollador (ver video) se ejecuten en simulaciones o en hardware real.

https://www.youtube.com/watch?v=16ZfkPRVf2w

Azure Quantum de Microsoft incluye bibliotecas para la simulación de contextos alternativos de procesamiento de circuitos cuánticos y la predicción del rendimiento probable del programa en estos ambientes.

Amazon Braket permite que los usuarios exploren, evalúen y experimenten con hardware de computación cuántica, diseñen algoritmos cuánticos y simulen el rendimiento de la ejecución de sus programas, ya sea en circuitos cuánticos de bajo nivel o en algoritmos híbridos totalmente administrados.

En tiempo real, IBM Q Network soporta simulaciones alternativas de arquitecturas de computación cuántica.

Incorporación de Quantum ML en los años 20

La computación cuántica ha estado en modo de espera durante tanto tiempo que tendemos a pasar por alto el hecho de que se está poniendo rápidamente en usos prácticos.

A pesar de que los proveedores de plataformas de computación cuántica experimentan con nuevos materiales, metodologías y arquitecturas, los investigadores de todo el mundo han demostrado que el procesamiento cuántico de los modelos de ML es realmente factible. Podemos esperar que los investigadores de IA/ML en Google y en otros lugares probablemente usen TensorFlow Quantum para hacer cosas bastante sorprendentes, que nunca fueron factibles en las plataformas de hardware de acelerador de IA tradicionales.

De todos estos anuncios recientes en la industria, queda claro que no solo veremos ML cuántico comercializado en nuestra vida, sino que ya ha comenzado a surgir y obtendrá una adopción constante en esta década.