Quantum de IA: custo do benchmark de diagnóstico

por Amara Graps

O treinamento de redes neurais quânticas híbridas (HQNN) e redes neurais quânticas (QNNs) pode ser muito caro. Até US$ 100 mil por qubit. Se esse for o preço, você gostaria de treinar seu QNN? Apresento pesquisas de 2023 sobre esse tema, que podem conscientizar os gestores. Sim, existem ressalvas.

Quântico de IA

Em um artigo anterior, apresentei uma questão dupla: IA quântica? ou Quantum de IA? Neste artigo, concentro-me na IA quântica, no contexto mais amplo de medição. Para esclarecer o que significa “Quantum for AI”:

• Aprendizado de máquina quântica
• Inteligência quântica artificial
• Redes neurais quânticas
• Separação automática de estados quânticos

O conceito “Quantum for AI” descreve como o campo quântico pode ajudar a melhorar a inteligência artificial. O aprendizado de máquina quântico (QML) permite a computação quântica tolerante a ruído em aplicações como segmentação de imagens e testes de estabilidade, introduzindo técnicas como circuitos quânticos parametrizados (PQC) e pesquisa adaptativa de ruído (QuantumNAS). A Inteligência Artificial Quântica (QAI) fornece mais capacidade de processamento com modelos híbridos e algoritmos quânticos, auxiliando na detecção de erros e sistemas de recuperação. Ao automatizar circuitos quânticos, as Redes Neurais Quânticas (QNNs) simplificam as tarefas de informação quântica e mostram-se promissoras para análise de linguagem e rede energética.

Custos de treinamento de rede neural quântica

No artigo de referência de diagnóstico: Kordzanganeh et al., 2023: Comparação de unidades de processamento quântico simuladas e reais usando algoritmos quânticos e híbridosos autores estudam o custo de treinamento da rede, que é um fator importante no desenvolvimento e teste de QNNs e HQNNs.

Os pesquisadores explicam que a estrutura de preços das QPUs acessíveis ao público é definida de forma que o número de circuitos quânticos diferentes que precisam ser testados durante o processo de treinamento determine o custo do treinamento. O número de circuitos quânticos discretos é proporcional ao número de parâmetros treináveis ​​ao usar o método de comutação de parâmetros para integração de gradiente. Como resultado, o custo de treinamento de QNN e HQNN aumenta proporcionalmente com o número de qubits. Isso leva rapidamente a milhões ou milhões de circuitos quânticos diferentes que precisam ser implementados e testados em uma QPU com um número crescente de épocas e amostras de treinamento. O gráfico do 'dinheiro' é 3b no artigo deles, na próxima figura.

Os autores explicam o cálculo: Suponha que o modelo seja treinado ao longo de 100 épocas com 100 amostras de treinamento e 1.000 disparos de circuito para o valor esperado. A taxa de conversão para IBM Falcon r5.11 é 1,06 USD = 1,00 CHF e os preços estão disponíveis em CHF. Deve-se observar que o serviço IBM Cloud Estimator fornece um método de treinamento em circuito que pode reduzir os preços da IBM em duas ordens de grandeza, conforme descrito na Seção. IIIA.

Minha aproximação errada do logaritmo no eixo esquerdo com alinhamento em 10 qubits dá:

IBM ~ 10 ^ 3,2 = US$ 1.585 mil/10 qubits = US$ 158,5 mil/qubit

IONQ ~ 10 ^ 3,1 = $ 1.259 mil / 10 qubits = $ 126,0 mil / qubit

OQC, Rigetti ~ 10 ^ 1,6 = US$ 40 mil/10 qubits = US$ 4 mil/qubit

Os autores incluem a equação acima comparando plataformas de hardware e kits de desenvolvimento de software (SDKs) para encontrar a maneira mais rápida e econômica de criar algoritmos quânticos exclusivos. QNNs, ou arquiteturas de redes quânticas em sua forma geral, são usadas para implementar este benchmark. AWS SV1 é melhor para circuitos com 28–34 qubits, QMware basiq para circuitos com 36–40 qubits e simulador QMware basiq para circuitos com 2–26 qubits, de acordo com o benchmark de diagnóstico.

Os autores concluem com previsões de quando, à medida que o hardware quântico amadurece e o número de qubits disponíveis aumenta, a simulação de circuitos quânticos será capaz de fornecer uma vantagem significativa em tempo de execução sobre o hardware do simulador. O tempo de execução dos simuladores quânticos aumenta linearmente com o tamanho do circuito, mas o dos processadores quânticos aumenta exponencialmente. QPUs disponíveis publicamente já fornecem melhorias de tempo de execução em relação ao hardware de simulação para grandes circuitos qubit. QNNs com muito poucos qubits podem enfrentar problemas desafiadores de ciência de dados e industriais devido ao espaço computacional exponencial. Portanto, reduzir o custo e melhorar a precisão das QPUs e, ao mesmo tempo, integrá-las com sucesso à infraestrutura convencional é a chave para o sucesso da computação quântica. O truque é usar interações híbridas entre máquinas clássicas e quânticas para aproveitar o melhor desempenho de simuladores e QPUs dependendo do caso de aplicação.

Avisos?

1. Os autores trabalham para um dos fornecedores de nuvem listados, portanto não é um estudo objetivo.
2. Devemos acompanhar o seguinte neste estudo, à medida que os custos diminuem. Este artigo foi citado desde hoje, 33 vezes, mas os Linked Papers ainda não apresentam acompanhamento público para confirmar os resultados.
3. É um benchmark de diagnóstico, utilizando a definição de 'benchmark de diagnóstico' em Amico et al., 2022 publicado no IEEE (ver também: em ArXiV). Como os benchmarks são uma das peças-chave do progresso da tecnologia quântica, falaremos sobre essas definições de benchmark na próxima vez.

Podemos pensar em benchmarks como uma forma de ambos:

1. medir o progresso e
2. avaliar a precisão das medições de pesquisa quântica (QRE).

Estimador de recursos quânticos (QRE)

O custo é um problema, então tente estimar os segundos, minutos, horas e dias necessários no tempo de QPU do seu exercício pré-treinamento. Uma parte importante deste caso de uso é o algoritmo quântico variacional (VQA), do qual o algoritmo QPU: mudança de parâmetro é uma parte. Você pode começar determinando qual caso de uso melhor corresponde à sua abordagem exclusiva de mudança de parâmetros lendo Quetschlich et al., 2024 Usando estimativa de recursos no desenvolvimento de aplicativos de computação quântica.

A GQI possui um Use Case Tracker que pode fornecer assistência adicional. No Use Case Tracker da GQI, pode-se selecionar “QML” como “Mapeamento de Domínio do Problema para Indústria” e navegar até a seção “Métodos Computacionais” à direita para ver se é apropriado para o tipo de Caso de Uso. Esses são os princípios básicos da computação quântica. Observe a ilustração a seguir. Isso o ajudará a determinar qual área de aplicação de medição de recursos quânticos é mais adequada para você. Então, você pode usar QRE com valores tabulados para diversos algoritmos conforme publicado em nosso artigo Quantum Resource Estimator aqui, fornecido pela GQI com suporte da Microsoft.

Para aqueles interessados ​​em explorar o painel de casos de uso de computação quântica, que oferece a capacidade de filtrar resultados por empresas, locais, tecnologias ou compatibilidade de hardware específicos, não hesite em entrar em contato.

[email protected]