[17/06/2020] El potencial de la computación cuántica para revolucionar la IA depende del crecimiento de un ecosistema de desarrolladores en el que abunden herramientas, habilidades y plataformas adecuadas. Para ser considerado listo para el despliegue en producción en la empresa, la industria de la IA cuántica tendría que, como mínimo, alcanzar los siguientes hitos clave:
- Encontrar una aplicación atractiva para la cual la computación cuántica tenga una clara ventaja sobre los enfoques clásicos para construir y entrenar la IA.
- Converger en un marco de código abierto ampliamente adoptado para construir, entrenar y desplegar la IA cuántica.
- Construir un ecosistema sustancial y calificado de desarrolladores de aplicaciones cuánticas de IA.
Todos estos hitos recién aparecerán dentro de algunos años en el futuro. Lo que sigue es un análisis de la madurez de la industria de la IA cuántica en la actualidad.
Ausencia de una aplicación de IA convincente para la cual la computación cuántica tenga una clara ventaja
Quantum AI ejecuta razonablemente bien ML (aprendizaje automático), DL (aprendizaje profundo) y otros algoritmos de inteligencia artificial basados en datos.
Como enfoque, la inteligencia artificial cuántica ha ido mucho más allá de la etapa de prueba de concepto. Sin embargo, eso no es lo mismo que poder afirmar que los enfoques cuánticos son superiores a los enfoques clásicos para ejecutar las operaciones matriciales de las que dependen las cargas de trabajo de inferencia y entrenamiento de la inteligencia artificial.
En lo que respecta a la inteligencia artificial, el criterio clave es si las plataformas cuánticas pueden acelerar las cargas de trabajo de ML y DL más rápido que las computadoras creadas completamente en las arquitecturas clásicas de Von Neumann. Hasta ahora no existe una aplicación de inteligencia artificial específica que una computadora cuántica pueda ejecutar con un desempeño superior al de cualquier alternativa clásica. Para que podamos declarar que la inteligencia artificial cuántica es una tecnología empresarial madura, necesitaría al menos algunas aplicaciones de inteligencia artificial en las que ofrezca una ventaja -como velocidad, precisión, eficiencia- evidentemente superior a la de los enfoques clásicos para procesar estas cargas de trabajo.
Sin embargo, los pioneros de la inteligencia artificial cuántica han alineado sus algoritmos de procesamiento funcional, con las propiedades matemáticas de las arquitecturas de computación cuántica. Actualmente, los principales enfoques algorítmicos para la inteligencia artificial cuántica incluyen:
Codificación de amplitud: Asocia las amplitudes del estado cuántico con los inputs y outputs de los cálculos realizados por los algoritmos de ML y DL. La codificación de amplitud permite algoritmos estadísticos que soportan una representación exponencialmente compacta de variables multidimensionales complejas. Soporta inversiones matriciales en las que el entrenamiento de los modelos estadísticos de ML se reduce a la resolución de sistemas lineales de ecuaciones, como los de las regresiones lineales de mínimos cuadrados, versión de mínimos cuadrados de máquinas de vectores de soporte y procesos gaussianos. A menudo requiere que el desarrollador inicialice un sistema cuántico en un estado cuyas amplitudes reflejen las características de todo el conjunto de datos.
Amplificación de amplitud: Utiliza un algoritmo que encuentra, con alta probabilidad, el input único a una función de caja negra que produce un valor de output particular. La amplificación de amplitud es adecuada para aquellos algoritmos de ML que se pueden traducir en una tarea de búsqueda no estructurada, como k-medians y k-nearest neighbors. Se puede acelerar a través de algoritmos de camino aleatorio donde la aleatoriedad proviene de las transiciones estocásticas entre estados, como en el caso de la superposición cuántica de estados, y el colapso de las funciones de onda debido a las mediciones de estado.
Refuerzo cuántico: Esto determina los mínimos y máximos locales de una función de aprendizaje automático sobre un conjunto dado de funciones candidatas. Comienza a partir de una superposición de todos los posibles estados igualmente ponderados de un sistema cuántico de ML. Luego aplica una ecuación diferencial lineal y parcial para guiar la evolución temporal del sistema mecánico cuántico. Eventualmente produce un operador instantáneo, conocido como Hamiltoniano, que corresponde a la suma de las energías cinéticas más las energías potenciales asociadas con el estado fundamental del sistema cuántico.
Aprovechando estas técnicas, algunas implementaciones actuales de inteligencia artificial utilizan plataformas cuánticas como coprocesadores en cargas de trabajo de cálculo seleccionadas, como autoencoders, GAN (redes de confrontación generativas) y agentes de aprendizaje de refuerzo.
A medida que la inteligencia artificial cuántica madura, deberíamos esperar que estos y otros enfoques algorítmicos muestren una clara ventaja, cuando se apliquen a los grandes desafíos de la inteligencia artificial que involucran cálculos probabilísticos complejos, los cuáles operan sobre campos de problemas multidimensionales y conjuntos de datos multimodales. Los ejemplos de desafíos de la inteligencia artificial, que hasta ahora son intratables y pueden dar lugar a enfoques cuánticos mejorados, incluyen modelos cognitivos neuromórficos, razonamiento bajo incertidumbre, representación de sistemas complejos, resolución colaborativa de problemas, aprendizaje automático adaptativo, y paralelización de entrenamiento.
Pero incluso cuando las bibliotecas, las plataformas y las herramientas cuánticas se prueben a sí mismas para estos desafíos específicos, seguirán confiando en los algoritmos y funciones de inteligencia artificial clásicos dentro de las pipelines de aprendizaje automático de extremo a extremo.
Falta de un marco de entrenamiento, y modelado de código abierto, ampliamente adoptado
Para que la inteligencia artificial cuántica se convierta en una tecnología empresarial robusta, será necesario que exista un marco de trabajo dominante para desarrollar, capacitar e implementar estas aplicaciones. El TensorFlow Quantum de Google es uno de los favoritos en ese sentido. Anunciado en marzo pasado, TensorFlow Quantum es un nuevo stack de software que amplía el marco de modelado y biblioteca de inteligencia artificial de código abierto, TensorFlow, ampliamente adoptado.
TensorFlow Quantum brinda soporte para una amplia gama de plataformas de computación cuántica en uno de los marcos de modelado dominantes utilizados por los profesionales de inteligencia artificial actuales. Desarrollado por la unidad X R&D de Google, permite a los científicos de datos usar el código Python para desarrollar modelos cuánticos de ML y DL a través de las funciones estándar de Keras. También proporciona una biblioteca de simuladores de circuitos cuánticos, así como de primitivas de la computación cuántica que son compatibles con las API existentes de TensorFlow.
Los desarrolladores pueden usar TensorFlow Quantum para el aprendizaje supervisado en casos de uso de inteligencia artificial, como clasificación cuántica, control y optimización cuánticos. Pueden ejecutar tareas avanzadas de aprendizaje cuántico, como metaaprendizaje, aprendizaje hamiltoniano y muestreo de estados térmicos. Pueden usar el marco de trabajo para entrenar modelos cuánticos/clásicos híbridos destinados a manejar las cargas de trabajo discriminatorias y generativas en el corazón de las GAN utilizadas en deep fakes, impresión 3D y otras aplicaciones avanzadas de inteligencia artificial.
Reconociendo que la computación cuántica aún no es lo suficientemente madura como para procesar la gama completa de cargas de trabajo de la inteligencia artificial con suficiente precisión, Google diseñó el marco para soportar los cuantiosos casos de uso de inteligencia artificial con un pie en las arquitecturas de computación tradicionales. TensorFlow Quantum permite a los desarrolladores crear rápidamente prototipos de modelos de ML y DL 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, donde los datos clásicos son procesados de forma nativa por TensorFlow y las extensiones cuánticas procesan datos cuánticos, que consisten en circuitos y operadores cuánticos.
Google diseñó TensorFlow Quantum para soportar la investigación avanzada en arquitecturas y algoritmos alternativos de computación cuántica destinados a procesar modelos de aprendizaje automático. Esto hace que la nueva oferta sea adecuada para los científicos de computación que están experimentando con diferentes arquitecturas de procesamiento cuántico, e híbrido, optimizadas para cargas de trabajo de aprendizaje automático.
Con este fin, TensorFlow Quantum incorpora Cirq, una biblioteca de código abierto de Python para programar computadoras cuánticas. Soporta la creación programática, la edición y la invocación de las compuertas cuánticas que constituyen la característica de los circuitos Noisy Intermediate Scale Quantum (NISQ) de los sistemas cuánticos de hoy. Cirq permite que los cálculos cuánticos especificados por el desarrollador se ejecuten en simulaciones o en hardware real. Para ello, convierte los cálculos cuánticos en tensores para su uso dentro de los gráficos computacionales de TensorFlow. Como componente integral de TensorFlow Quantum, Cirq hace posible la simulación de circuitos cuánticos y la ejecución de circuitos por lotes, así como la estimación de expectativas automáticas y gradientes cuánticos. También permite a los desarrolladores crear compiladores, programadores y otros algoritmos eficientes para máquinas NISQ.
Además de proporcionar un stack completo de software de inteligencia artificial en el que ahora se puede hibridar el procesamiento cuántico, Google está buscando expandir el rango de arquitecturas de chips tradicionales en las que TensorFlow Quantum pueda simular aprendizaje automático cuántico. Google también anunció planes para expandir la gama de plataformas de hardware de simulación cuántica personalizadas compatibles con la herramienta para incluir unidades de procesamiento de gráficos de varios proveedores, así como sus propias plataformas, Tensor Processing Unit, de hardware para aceleración de inteligencia artificial.
El último anuncio de Google aterriza en un mercado de computación cuántica de rápido movimiento, pero aún inmaduro. Al extender el marco de desarrollo de inteligencia artificial de código abierto más popular, Google seguramente catalizará el uso de TensorFlow Quantum en una amplia gama de iniciativas relacionadas con la inteligencia artificial.
Sin embargo, TensorFlow Quantum llega a un mercado que ya tiene varias herramientas de desarrollo y capacitación de inteligencia artificial cuántica de código abierto. A diferencia de la oferta de Google, estas herramientas de inteligencia artificial cuántica rivales vienen como parte de paquetes más grandes de ambientes de desarrollo, servicios en la nube y consultoría para aplicaciones de trabajo completas. Aquí existen tres ofertas de inteligencia artificial cuántica de stack completo:
- Azure Quantum, anunciado en noviembre del 2019, es un servicio en la nube de computación cuántica. Actualmente en vista previa privada y con disponibilidad general a finales de este año, Azure Quantum viene con un kit de desarrollo Quantum de código abierto de Microsoft para el lenguaje Q# orientado a cuántica desarrollado por Microsoft, así como Python, C# y otros lenguajes. El kit incluye bibliotecas para el desarrollo de aplicaciones cuánticas en aprendizaje automático, criptografía, optimización y otros campos.
- Amazon Bracket, anunciado en diciembre del 2019, y aún en versión preliminar, es un servicio AWS totalmente gestionado. Proporciona un ambiente de desarrollo único para construir algoritmos cuánticos, incluido el aprendizaje automático, y probarlos en computadoras cuánticas/clásicas híbridas simuladas. Permite a los desarrolladores ejecutar aprendizaje automático y otros programas cuánticos en una variedad de arquitecturas de hardware diferentes. Los desarrolladores elaboran algoritmos cuánticos utilizando el kit de herramientas para desarrolladores de Amazon Braket y utilizan herramientas familiares como las computadoras portátiles Jupyter.
- IBM Quantum Experience es un ambiente gratuito, disponible públicamente y basado en la nube para la exploración en equipo de aplicaciones cuánticas. Proporciona a los desarrolladores acceso a computadoras cuánticas avanzadas para aprender, desarrollar, entrenar y ejecutar inteligencia artificial y otros programas cuánticos. Incluye IBM Qiskit, una herramienta de desarrollo de código abierto con una biblioteca de algoritmos cuánticos entre campos para experimentar con aplicaciones de inteligencia artificial, simulación, optimización y finanzas para computadoras cuánticas.
La adopción de TensorFlow Quantum depende de la medida en que estos y otros proveedores de inteligencia artificial cuántica de stack completo lo incorporen en sus carteras de soluciones. Parece probable, dado el grado en que todos estos proveedores de nube ya soportan TensorFlow en sus respectivos stacks de inteligencia artificial.
TensorFlow Quantum no necesariamente tendrá el campo de los SDK para inteligencia artificial cuántica para sí mismo en el futuro. Otros marcos de inteligencia artificial de código abierto -PyTorchen particular, que se desarrolló en Facebook- están compitiendo con TensorFlow por los corazones y las mentes de los científicos que trabajan con datos. Uno espera que el marco rival se amplíe con bibliotecas y herramientas de inteligencia artificial cuántica durante los próximos 12 a 18 meses.
Podemos echar un vistazo a la emergente industria de la inteligencia artificial cuántica de herramientas múltiples al considerar a un proveedor pionero en este respecto. PennyLane, de Xanadu, es un marco de trabajo destinado al desarrollo y la capacitación de código abierto para inteligencia artificial, que se ejecuta en plataformas híbridas cuánticas/clásicas.
Lanzado en noviembre del 2018, PennyLane es una biblioteca Python multiplataforma para aprendizaje automático cuántico, diferenciación automática y optimización de plataformas híbridas de computación cuántica-clásica. PennyLane permite la creación rápida de prototipos y la optimización de circuitos cuánticos utilizando las herramientas de inteligencia artificial existentes, como TensorFlow, PyTorch y NumPy. Es independiente del dispositivo, lo que permite que el mismo modelo de circuito cuántico se ejecute en diferentes programas y hardware, como Strawberry Fields, IBM Q, Google Cirq, Rigetti Forest SDK, Microsoft QDK, y ProjectQ.
Falta de un ecosistema de desarrolladores sustancial y calificado
La madurez de las killer apps y de los marcos de código abierto, seguramente catalizará un ecosistema robusto de desarrolladores calificados de inteligencia artificial cuántica, que realice un trabajo innovador para llevar esta tecnología a las aplicaciones cotidianas.
Cada vez más, estamos viendo el crecimiento de un ecosistema de desarrolladores para la inteligencia artificial cuántica. Cada uno de los principales proveedores de nube cuántica de inteligencia artificial (Google, Microsoft, Amazon Web Services e IBM) está invirtiendo fuertemente en la ampliación de la comunidad de desarrolladores. Las iniciativas de los proveedores a este respecto incluyen lo siguiente:
- Microsoft planea integrar su QDK con herramientas de desarrollo y Visual Studio para que puedan usarse con el fin de construir programas cuánticos destinados a las plataformas de hardware cuántico de Honeywell, IonQ, QCI y otros, así como para simular el desempeño del programa en estas y otras plataformastambién.
- La oferta de AWS permite a los científicos, investigadores y desarrolladores comenzar a experimentar con computadoras de proveedores de hardware cuántico (como D-Wave, IonQ y Rigetti) en un solo lugar. Permite a los usuarios explorar, evaluar y experimentar con hardware de computación cuántica para obtener experiencia interna mientras planean para el futuro.
- IBM anunció recientemente la expansión de Q Network, su ecosistema de desarrolladores cuánticos creado hace tres años, en el que más de 200 mil usuarios ejecutan cientos de miles de millones de ejecuciones en sistemas cuánticos y simuladores de IBM a través de IBM Quantum Experience. Los participantes en la red tienen acceso a Qiskit, a la experiencia y los recursos cuánticos de IBM, y al acceso basado en la nube al Centro de Computación Cuántica de IBM. Muchas de las cargas de trabajo que se ejecutan incluyen inteligencia artificial, así como simulaciones en tiempo real de arquitecturas de computación cuántica.
Además, los proveedores de la industria de computación cuántica para empresas como D-Wave, Baidu, AmberFlux, CogniFrame y Honeywell generalmente tienen ofertas de consultoría orientadas a construir el ecosistema de desarrollo de socios y clientes.
Creative Destruction Lab es un catalizador clave en el desarrollo de un ecosistema para desarrolladores de inteligencia artificial cuántica, independiente de herramientas y plataformas. Su Quantum Incubator Stream reúne a empresarios, inversionistas, científicos en tecnologías cuánticas y proveedores de hardware cuántico para construir empresas en el naciente campo de la computación cuántica, aprendizaje automático, optimización, detección y otras aplicaciones de tecnologías cuánticas. Proporciona recursos de computación cuántica de D-Wave Systems (acceso al último sistema D-Wave y bibliotecas de software), IBM (acceso y soporte técnico práctico de los sistemas públicos IBM Q Experience y la herramienta Qiskit), Rigetti (ambiente de programación Rigetti Forest, con acceso a procesadores cuánticos superconductores conectados a la nube y máquina virtual cuántica), y Xanadu (Strawberry Fields, una biblioteca de código abierto para computación cuántica fotónica, con un conjunto de simuladores para ejecución en CPU/GPU y acceso a los chips fotónicos cuánticos basados en la nube de Xanadu).
Recomendaciones
El mercado de la inteligencia artificial cuántica aún se encuentra lejos de desplegarse ampliamente a nivel empresarial, pero ha comenzado a escalar esa curva de madurez.
Por lo menos, la industria de la inteligencia artificial cuántica necesitará alcanzar los hitos destacados anteriormente para ser considerada plenamente madura: una aplicación convincente de consenso, un ambiente de desarrollo de código abierto ampliamente adoptado y un amplio ecosistema de desarrollo. Estos hitos de madurez ya han sido alcanzados por las principales herramientas de inteligencia artificial que soportan el modelado y la capacitación en arquitecturas informáticas puramente clásicas. Esperamos ver madurar el mercado de la inteligencia artificial híbrida cuántica/clásica en este punto dentro de los próximos tres a cinco años.
La inmadurez del mercado de la inteligencia artificial cuántica no debería disuadir a los científicos de datos y otros desarrolladores de explorar la tecnología hoy para obtener pruebas de concepto, proyectos piloto e incluso algunas implementaciones de producción. En este sentido, proporcionamos las siguientes recomendaciones estratégicas.
Para adelantarse a la curva de la inteligencia artificial cuántica, los desarrolladores de aplicaciones y los científicos de datos deben adoptar soluciones que aprovechen las plataformas de computación cuántica/clásica híbridas. Deben desplegar plataformas cuánticas como coprocesadores, no como reemplazos directos para manejar cargas de trabajo de inteligencia artificial específicas, como codificadores automáticos, GAN y agentes de aprendizaje de refuerzo. Además, deberían integrar las inversiones en herramientas de inteligencia artificial mejoradas cuánticamente con las plataformas de capacitación y modelado de inteligencia artificial previa. También deberían aplicar herramientas de inteligencia artificial cuántica a modelos cognitivos neuromórficos, aprendizaje automático adaptativo, paralelización de entrenamiento y otros proyectos avanzados para identificar cargas de trabajo en las que estas soluciones ofrecen una clara ventaja respecto a las plataformas informáticas clásicas.
Para posicionarse ante esta creciente oportunidad, los proveedores de soluciones de TI deben expandir sus ofertas y asociaciones de servicios profesionales para capacitar al ecosistema de desarrollo de siguiente generación para la inteligencia artificial cuántica. Deben integrar sus ambientes de desarrollo de inteligencia artificial cuántica con los marcos de inteligencia artificial de código abierto ampliamente adoptados, en particular TensorFlow (especialmente el nuevo TensorFlow Quantum) y PyTorch. Además, deberán incorporar características del aprendizaje automático más automatizadas en sus herramientas de inteligencia artificial cuántica para simplificar y acelerar la preparación de los datos, el desarrollo de modelos, la capacitación y la implementación de aplicaciones de inteligencia artificial cuántica. Deben alinear sus bibliotecas, software y servicios de inteligencia artificial cuántica con los principales ambientes de gestión de canalizaciones de ciencia de datos, DevOps y multinube con el fin de allanar el camino para futuras implementaciones de producción de aplicaciones de inteligencia artificial mejoradas cuánticamente.
Los inversionistas del mercado deberían hacer sus apuestas con cualquier proveedor de soluciones de inteligencia artificial mejoradas cuánticamente que estén construyendo las herramientas para el despliegue empresarial amplio de estas capacidades en los próximos años. Específicamente, la prioridad debería estar en financiar nuevas empresas que sigan el liderazgo de Xanadu en el abastecimiento de bibliotecas de Python, que no dependen de un solo marco de trabajo, para la creación rápida de prototipos de aplicaciones de inteligencia artificial cuántica para ejecutarse en diversos backends de software y hardware.
James Kobielus, InfoWorld
James Kobielus es director de investigación y analista principal de Futurum Research.