„Lockheed Martin“ kartu su Kanados kvantinių technologijų bendrove „Xanadu“ pradėjo bendrą tyrimų projektą. Jo tikslas – įvertinti, ar kvantinės sistemos galėtų padėti kurti naujus dirbtinio intelekto modelius, kurie, esant ribotam duomenų kiekiui, veiktų efektyviau nei klasikiniai sprendimai. Pagrindinis dėmesys skiriamas generatyviesiems modeliams – sistemoms, kurios, pasimokiusios iš pateiktų pavyzdžių, geba generuoti naujus, realistiškai atrodančius duomenis.
Klasikiniai generatyvieji modeliai dažnai reikalauja milžiniškų duomenų rinkinių ir didelių skaičiavimo išteklių. Dėl to jie sunaudoja daug energijos ir tampa sunkiai pritaikomi srityse, kuriose duomenys yra jautrūs, riboti arba griežtai reguliuojami. Todėl ieškoma alternatyvių metodų, galinčių užtikrinti panašų ar net geresnį rezultatą mažesnėmis sąnaudomis.
Kvantiniai kompiuteriai veikia kitokiais principais nei klasikiniai. Jie pasitelkia kvantinės mechanikos reiškinius, pavyzdžiui, superpoziciją ir kvantinį susietumą, todėl gali atlikti tam tikras užduotis, kurios klasikiniams kompiuteriams yra itin sudėtingos arba praktiškai neįmanomos. Tai atveria galimybę ieškoti naujų dirbtinio intelekto architektūrų ir mokymo metodų.
„Xanadu“ vadovo teigimu, šiuo projektu siekiama iš naujo permąstyti, kaip kvantiniai kompiuteriai galėtų mokytis ir apdoroti informaciją. Partnerystė su „Lockheed Martin“, sukaupusia ilgametę patirtį pažangiųjų technologijų ir gynybos srityse, laikoma strategiškai svarbia vykdant tokius tyrimus.
Savo ruožtu „Lockheed Martin“ šiame projekte mato potencialą nacionalinio saugumo ir aukštųjų technologijų plėtros kontekste. Bendrovės atstovai pabrėžia, kad kvantinis mašininis mokymasis gali padėti geriau suprasti, kaip būsimos kvantinės sistemos galėtų prisidėti prie sudėtingų užduočių sprendimo.
Galimos taikymo sritys neapsiriboja vien gynyba. Finansų sektoriuje kvantiniai generatyvieji modeliai galėtų padėti tiksliau prognozuoti riziką, farmacijoje – spartinti vaistų kūrimą, o medžiagų moksle – modeliuoti naujų junginių savybes. Ypač svarbu tai, kad būtent šiose srityse dažnai trūksta didelių, išsamių ir lengvai prieinamų duomenų rinkinių.
Kol kas projektas išlieka eksperimentinis. Didelio masto kvantinis mašininis mokymasis vis dar susiduria su techniniais iššūkiais, tokiais kaip sistemų stabilumas ir klaidų valdymas. Vis dėlto abi bendrovės laikosi pozicijos, kad šiandien vykdomi fundamentiniai tyrimai ateityje gali atverti naujas skaičiavimo galimybes ir reikšmingai pakeisti dirbtinio intelekto raidą.
