Table des matières
Qu’est-ce que l’intelligence artificielle quantique ?
Qu’est-ce que l’informatique quantique ?
Pourquoi est-ce si important ?
Comment fonctionne l’intelligence artificielle quantique ?
Quelles sont les possibilités d’application de l’informatique quantique à l’intelligence artificielle ?
Quelles sont les étapes clés de l’intelligence artificielle quantique ?
Maison Périphériques technologiques IA Encyclopédie de l'intelligence | Guide détaillé 2022 sur l'intelligence artificielle quantique

Encyclopédie de l'intelligence | Guide détaillé 2022 sur l'intelligence artificielle quantique

Apr 10, 2023 am 08:31 AM
人工智能 量子计算

2022 年量子人工智能深度指南 | 智能百科

L'informatique quantique et l'intelligence artificielle sont toutes deux des technologies transformatrices, et l'intelligence artificielle nécessitera probablement l'informatique quantique pour faire des progrès significatifs. Bien que l’intelligence artificielle utilise des ordinateurs classiques pour produire des applications fonctionnelles, elle est limitée par la puissance de calcul des ordinateurs classiques. L'informatique quantique peut fournir un élan informatique à l'intelligence artificielle, lui permettant de résoudre des problèmes plus complexes et l'AGI (intelligence artificielle générale).

Qu’est-ce que l’intelligence artificielle quantique ?

L'intelligence artificielle quantique est l'utilisation de l'informatique quantique pour calculer des algorithmes d'apprentissage automatique. Grâce aux avantages informatiques de l’informatique quantique, l’intelligence artificielle quantique peut aider à obtenir des résultats qui ne peuvent être obtenus par les ordinateurs classiques.

Qu’est-ce que l’informatique quantique ?

La mécanique quantique est un modèle général basé sur des principes différents de ceux observés dans la vie quotidienne. Utiliser l’informatique quantique pour traiter des données nécessite d’établir un modèle quantique des données. Les modèles classiques quantiques hybrides sont également nécessaires à la correction des erreurs en informatique quantique et au bon fonctionnement des ordinateurs quantiques.

  • Données quantiques : Les données quantiques peuvent être considérées comme des paquets de données contenus dans des qubits utilisés pour l'informatisation. Cependant, observer et stocker des données quantiques est un défi car des propriétés telles que la superposition et l’intrication les rendent précieuses. De plus, les données quantiques sont bruitées, ce qui nécessite l’application de l’apprentissage automatique au stade de l’analyse et de l’interprétation correctes de ces données.
  • Modèle classique quantique hybride : Lors de la génération de données quantiques en utilisant uniquement un processeur quantique, il existe une forte probabilité d'obtenir des données dénuées de sens. Par conséquent, un modèle hybride a émergé, piloté par des mécanismes de traitement de données rapides tels que les CPU et les GPU couramment utilisés dans les ordinateurs traditionnels.
  • Algorithme Quantique : Un algorithme est une séquence d'étapes qui mène à la solution d'un problème. Afin d'effectuer ces étapes sur un appareil, un ensemble d'instructions spécifiques pour la conception de l'appareil doit être utilisé. Par rapport à l’informatique classique, l’informatique quantique introduit un jeu d’instructions différent basé sur une philosophie d’exécution complètement différente. Le but des algorithmes quantiques est d’exploiter les effets quantiques tels que la superposition et l’intrication pour parvenir plus rapidement à des solutions.

Pourquoi est-ce si important ?

Bien que l’intelligence artificielle ait fait de grands progrès au cours de la dernière décennie, elle n’a pas encore surmonté les limites technologiques. Les obstacles à la réalisation de l’AGI (Intelligence générale artificielle) peuvent être supprimés grâce aux propriétés uniques de l’informatique quantique. L'informatique quantique peut être utilisée pour la formation rapide de modèles d'apprentissage automatique et la création d'algorithmes d'optimisation. L'intelligence artificielle optimisée et stable fournie par l'informatique quantique peut réaliser des années d'analyse en peu de temps et mener des progrès technologiques. Les modèles cognitifs neuromorphiques, l’apprentissage automatique adaptatif ou le raisonnement sous incertitude sont quelques-uns des défis fondamentaux auxquels est confrontée l’intelligence artificielle aujourd’hui. L’intelligence artificielle quantique est l’une des solutions les plus probables pour la prochaine génération d’intelligence artificielle.

Comment fonctionne l’intelligence artificielle quantique ?

Récemment, Google s'est associé à l'Université de Waterloo, ​​X​​ et Volkswagen pour lancer TensorFlow Quantum (TFQ) : une bibliothèque open source pour l'apprentissage automatique quantique. L'objectif de TFQ est de fournir les outils nécessaires pour contrôler et simuler des systèmes quantiques naturels ou artificiels. TFQ est un exemple de suite d’outils combinant des techniques de modélisation quantique et d’apprentissage automatique.

2022 年量子人工智能深度指南 | 智能百科

Source : Google

  1. Convertir des données quantiques en un ensemble de données quantiques : Les données quantiques peuvent être représentées comme un tableau multidimensionnel de nombres, appelé tenseur quantique. TensorFlow traite ces tenseurs pour créer des ensembles de données destinés à une utilisation ultérieure.
  2. Choisissez un modèle de réseau neuronal quantique : Choisissez un modèle de réseau neuronal quantique basé sur la compréhension de la structure des données quantiques. L’objectif est d’effectuer un traitement quantique pour extraire des informations cachées dans des états intriqués.
  3. Échantillon ou moyenne : La mesure d'un état quantique extrait des informations classiques d'une distribution classique sous la forme d'un échantillon. Ces valeurs sont obtenues à partir de l'état quantique lui-même. TFQ fournit des méthodes pour faire la moyenne de plusieurs exécutions impliquant les étapes (1) et (2).
  4. Évaluation des modèles de réseaux neuronaux classiques - Étant donné que les données quantiques sont désormais converties en données classiques, des techniques d'apprentissage en profondeur sont utilisées pour apprendre les corrélations entre les données.

Les autres étapes d'évaluation des fonctions de coût, des gradients et de la mise à jour des paramètres sont des étapes classiques du deep learning. Ces étapes garantissent la création de modèles efficaces pour les tâches non supervisées.

Quelles sont les possibilités d’application de l’informatique quantique à l’intelligence artificielle ?

L’objectif réaliste à court terme des chercheurs en matière d’intelligence artificielle quantique est de créer des algorithmes quantiques qui surpassent les algorithmes classiques et de les mettre en pratique.

  • Algorithmes quantiques pour l'apprentissage : Développer des algorithmes quantiques pour la généralisation quantique des modèles d'apprentissage classiques. Il peut fournir une éventuelle accélération ou d’autres améliorations lors de la formation en deep learning. La contribution de l’informatique quantique à l’apprentissage automatique classique peut être obtenue en restituant rapidement des ensembles de solutions optimaux pour les poids des réseaux neuronaux artificiels.
  • Algorithme quantique pour les problèmes de prise de décision : Les problèmes de prise de décision classiques sont formulés sur la base d'arbres de décision. Une façon d’arriver à un ensemble de solutions consiste à créer des branches à partir de certains points. Cependant, cette approche devient moins efficace lorsque chaque problème devient trop complexe pour être résolu en le coupant continuellement en deux. Les algorithmes quantiques basés sur l'évolution temporelle ​hamiltonienne​​ peuvent résoudre des problèmes représentés par plusieurs arbres de décision plus rapidement que des marches aléatoires.
  • Recherche quantique : La plupart des algorithmes de recherche sont conçus pour le calcul classique. L'informatique classique surpasse les humains sur les problèmes de recherche. Lov Grover, quant à lui, a présenté son algorithme de Grover et a déclaré qu'un ordinateur quantique pourrait résoudre ce problème plus rapidement qu'un ordinateur classique. L’intelligence artificielle alimentée par l’informatique quantique est prometteuse pour des applications à court terme telles que le chiffrement.
  • Théorie des jeux quantiques : La théorie des jeux classique est un processus de modélisation largement utilisé dans les applications d'intelligence artificielle. L’extension de cette théorie aux champs quantiques est la théorie quantique des jeux. Cela peut constituer un outil prometteur pour surmonter les problèmes clés liés à la mise en œuvre des communications quantiques et de l’intelligence artificielle quantique.

Quelles sont les étapes clés de l’intelligence artificielle quantique ?

Bien que l’IA quantique soit une technologie immature, les améliorations de l’informatique quantique augmentent son potentiel. Cependant, l’industrie de l’IA quantique a besoin d’étapes clés pour devenir une technologie plus mature. Ces étapes peuvent être résumées comme suit :

  • Des systèmes informatiques quantiques moins sujets aux erreurs et plus puissants
  • Des cadres de modélisation et de formation open source largement adoptés
  • Un écosystème de développeurs vaste et compétent
  • Des applications d'IA convaincantes, dont l'informatique quantique est supérieure à informatique classique

Ces étapes clés permettront de poursuivre le développement de l'intelligence artificielle quantique. (par Cem Dilmegani)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Meilleurs paramètres graphiques
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Comment réparer l'audio si vous n'entendez personne
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Comment déverrouiller tout dans Myrise
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Cinq écoles d'apprentissage automatique que vous ne connaissez pas Cinq écoles d'apprentissage automatique que vous ne connaissez pas Jun 05, 2024 pm 08:51 PM

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Jul 15, 2024 pm 12:21 PM

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g

See all articles