IonQ exploite l’informatique quantique pour faire progresser l’IA
IonQ a fait progresser la recherche sur l’application de l’informatique quantique à l’IA et à l’apprentissage automatique, marquant des progrès significatifs dans les approches hybrides quantiques-classiques qui améliorent les grands modèles de langage (LLM) et l’IA générative.
IonQ, est une société américains utilisant des licences de technologie de base de l’Université du Maryland et de l’Université Duke. Deux nouveaux articles des chercheurs d’IonQ ont présenté comment l’informatique quantique peut soutenir le développement de matériaux avancés en générant des images synthétiques d’anomalies rares et en améliorant les grands modèles de langage par l’ajout d’une couche quantique pour un réglage fin. Ces efforts reflètent l’attention constante que porte l’IonQ aux applications quantiques pratiques et commerciales à court terme dans le domaine de l’intelligence artificielle pour des tâches complexes.
Architecture hybride quantique-classique
L’article récent d’IonQ a présente une architecture hybride quantique-classique conçue pour améliorer le réglage fin du LLM, où un LLM pré-entraîné est complété par un petit ensemble de données d’entraînement pour personnaliser sa fonctionnalité grâce à l’apprentissage automatique quantique. Pour comparer les performances aux méthodes classiques, les chercheurs de ont utilisé un grand modèle de langage libre, largement utilisé pour prédire les mots dans une phrase, et ont incorporé un circuit quantique paramétré en tant que nouvelle couche. Grâce à cette étape d’ajustement quantique, le modèle hybride a été réorienté pour comprendre le contexte de la phrase.
L’approche hybride quantique qui en résulte a surpassé en termes de précision les méthodes classiques qui utilisent un nombre similaire de paramètres. Les chercheurs ont observé une tendance à l’augmentation de la précision de la classification avec celle du nombre de qubits. Ils ont également prévu des économies d’énergie significatives pour l’inférence à l’aide de l’algorithme quantique hybride, par rapport à l’inférence à l’aide de modèles entièrement classiques, lorsque la complexité du problème augmente au-delà de 46 qubits. Ces résultats ouvrent la voie à l’amélioration, grâce à l’algorithme quantique, de classes plus larges de modèles d’IA fondamentaux, y compris les modèles d’IA pour le traitement du langage naturel, le traitement des images et la prédiction des propriétés en chimie, en biologie et en science des matériaux.
« Ce travail met en évidence la façon dont l’informatique quantique peut être stratégiquement intégrée dans les flux de travail classiques de l’IA, en tirant parti de l’expressivité accrue pour améliorer les LLM traditionnels de l’IA dans les régimes de données rares », a déclaré Masako Yamada, directeur du développement des applications chez IonQ. Les LLM ont démontré leur polyvalence bien au-delà des applications purement « linguistiques », et nous pensons que les modèles hybrides quantiques-classiques sont bien placés pour débloquer la prochaine vague de capacités d’IA. »
Une autre publication
Dans une autre publication de recherche, IonQ a collaboré avec un fabricant automobile de premier plan pour appliquer les réseaux adversaires génératifs (GAN) à la science des matériaux. Les chercheurs ont entraîné les GAN à échantillonner la distribution de sortie d’un circuit quantique, générant des images synthétiques de microstructures d’acier qui améliorent les techniques d’imagerie conventionnelles, où les données sont souvent rares et, par conséquent, la capacité d’entraînement du modèle est faible.
Les images de microstructure produites à l’aide de la méthode hybride QGAN d’IonQ ont obtenu un score de qualité plus élevé dans 70 % des cas par rapport à celles produites à l’aide de modèles génératifs classiques de base. Les modèles d’IA industriels reposent souvent sur des ensembles de données propriétaires, ce qui peut entraîner un manque de données, un déséquilibre des données ou un coût élevé des données. La possibilité de compléter les données d’images est essentielle pour développer des modèles d’IA dont l’objectif est d’optimiser les paramètres du processus de fabrication afin d’obtenir des propriétés matérielles qui répondent à des exigences strictes.
« Ce travail est un exemple convaincant de la façon dont la combinaison des ordinateurs quantiques d’IonQ et de l’apprentissage automatique classique peut produire des résultats impressionnants pour la science des matériaux et la fabrication », a déclaré Ariel Braunstein, vice-président des produits chez IonQ. « L’utilisation de l’informatique classique pour augmenter les données expérimentales avec une génération synthétique peut être coûteuse et limitée en valeur. Ce travail montre qu’une approche hybride quantique peut produire des images de meilleure qualité avec moins de données que les méthodes classiques et pourrait conduire à de nouvelles applications dans des secteurs tels que la science des matériaux, l’imagerie médicale et les prévisions financières. »
Si vous avez apprécié cet article, vous aimerez les suivants : ne les manquez pas en vous abonnant à :
