Daftar Isi
IonQ Menjalin Aliansi dengan Zapata Computing untuk Mengeksplorasi Teknik Generative AI pada Hardware Kuantum
Perusahaan perangkat keras dan perangkat lunak komputasi kuantum, IonQ, baru-baru ini mengumumkan perjanjian aliansi strategis dengan spesialis generative AI, Zapata Computing, untuk mengeksplorasi teknik generative AI industri pada hardware kuantum. Dalam wawancara ini yang awalnya diterbitkan di Enter Quantum, salah satu pendiri dan kepala teknologi IonQ, Jungsang Kim, membahas apa yang dapat dicapai oleh generative AI dan kuantum bersama-sama yang tidak dapat dicapai secara individu, serta pentingnya mengejar keunggulan kuantum untuk masalah bisnis nyata pada hardware kuantum daripada simulator.
Jungsang Kim: Kami telah bekerja dengan Zapata dalam waktu yang lama, termasuk merilis sebuah makalah tentang model generative kuantum yang disebut quantum generative adversarial network (QGAN). Kami memiliki database angka tulisan tangan dari nol hingga sembilan. Pertama, kami melakukan beberapa pekerjaan klasifikasi dengan mitra lain, tetapi kemudian menyadari bahwa kami juga dapat menggunakan model generative. Kami dapat menghasilkan gambar dengan resolusi tinggi menggunakan algoritma hibrida kuantum-klasik pada komputer IonQ. Baru-baru ini, kami mulai memikirkan bagaimana komputer kuantum dapat melakukan hal-hal yang bermakna. Beberapa pekerjaan terbaru yang membuat kami tertarik dengan Zapata adalah mereka telah menerbitkan sebuah makalah tentang bagaimana menciptakan model generative untuk membantu penemuan obat. Mereka memiliki database senyawa kandidat dan mereka membuat model serta memprediksi senyawa mana yang akan menjadi kandidat yang baik untuk diteliti. Hal ini sebagian besar dilakukan dengan pengembangan algoritma dan simulasi, tetapi kami mulai melihat bahwa jenis model generative yang sangat awal ini dapat diterapkan pada rentang masalah yang jauh lebih luas. Kami mulai melihat masalah-masalah semacam itu menggunakan mesin-mesin canggih kami yang telah tersedia.
Apa itu Generative AI
Generative AI adalah bidang yang sangat luas dan Anda dapat menggunakan teknik pembelajaran mesin untuk menghasilkan kandidat-kandidat, baik itu gambar, model bahasa, atau teks. Pada tahap awal komputasi kuantum, kita tidak berbicara tentang model bahasa yang memiliki miliaran titik data. Keuntungan nyata yang kami lihat adalah ketika Anda tidak memiliki banyak data. Ketika Anda memiliki banyak data, Anda dapat membuat model-model yang sangat besar menggunakan klaster GPU besar pada perangkat keras pembelajaran mesin yang dioptimalkan dan Anda dapat melakukannya dengan sangat baik. Tetapi ada banyak aplikasi di mana tidak ada banyak data untuk membuat model yang terlatih dengan baik. Namun, hasilnya sangat berdampak. Wawasan kami saat ini adalah karena model-model kuantum dapat sangat efisien dalam membangun banyak produk. Teknik umumnya adalah menciptakan model untuk mereplikasi sebagian dari data yang kita miliki, dan kemudian mulai melihat area-area di mana tidak ada data dan menggunakan model funnel yang efisien untuk melihat peluang-peluang tersebut. Di sinilah kekuatan kedua hal tersebut digabungkan.
Apakah ada aplikasi yang jelas di mana keunggulan kuantum dapat terlihat?
Tentu saja. Di banyak bidang yang kami masuki, jika tidak ada keunggulan kuantum, mengapa repot-repot? Keunggulan kuantum bukanlah tujuan tunggal yang sangat jelas. Ini adalah melihat apakah kita dapat menggunakan komputer kuantum untuk melakukan hal-hal yang komputer klasik tidak akan mampu lakukan. Masalah faktorisasi dikenal sangat sulit secara klasik, dan itu adalah salah satu arahnya. Tetapi kita juga bisa menemukan keunggulan-keunggulan tersebut di mana kita tidak dapat melakukannya karena kurangnya data atau solusi klasik tidak akan mampu memberikan jawaban di mana kuantum bisa melakukannya. Saya percaya bahwa kita masih harus membangun dan menggunakan komputer kuantum yang tidak dapat disimulasikan secara klasik, jika tidak, Anda menggunakan algoritma kuantum tetapi mensimulasikannya secara klasik dapat membawa Anda ke sana. Peluang nyata yang kami kejar adalah, di mana saja area-area di mana jenis sifat kuantum ini benar-benar diperlukan? Baik itu situasi di mana model Anda harus jauh lebih efisien atau situasi di mana ada banyak korelasi mendasar dalam data. Hal-hal ini pada umumnya sangat sulit, sangat mahal, dan sulit dilakukan secara klasik. Kami sedang mencari aplikasi dunia nyata di mana kuantum dapat menunjukkan keunggulan yang jelas. Kami perlu membangun lebih banyak komputer dan kami memiliki rencana untuk mencapai titik di mana simulasi klasik tidak mungkin. Tetapi jika kami memiliki aplikasi yang jelas yang memberikan jalan menuju keunggulan kuantum ketika mesin-mesin tersebut tersedia, itu akan menjadi penemuan yang menarik.
Artikel ini pertama kali muncul di Enter Quantum. Untuk mendapatkan berita, saran, dan wawasan terbaru tentang komputasi kuantum, daftarlah untuk menerima newsletter kami.
