Dr. Florian Neukart, Chief Product Officer, und George Gesek, CTO, QMware, diskutieren im Rahmen der techUK’s Quantum Commercialisation Week #QuantumUK über Quantum und seine Beziehung zu Cloud, AI, HPC

Seit der Entwicklung der Künstlichen Intelligenz (KI) und den frühen, bedeutenden Arbeiten von Alan Turing und anderen besteht das primäre Ziel darin, eine digitale oder physische Maschine zu schaffen, die intelligent handelt.

Der Begriff Intelligenz selbst ist ein Kofferwort. Er kann Verhaltensmerkmale zusammenfassen, die wir zum Beispiel biologischen Organismen zuordnen, die in ihrer Umwelt agieren und diese vorteilhaft manipulieren. Da die der Intelligenz zugrundeliegenden Algorithmen noch nicht verstanden sind, haben sich die letzten Jahrzehnte der Forschung und Entwicklung im Bereich der KI auf Verhaltensmuster und Fähigkeiten konzentriert, die wir als intelligent ansehen, wie z. B. Computersehen, agentenorientiertes Verhalten oder Logik.

In unserer heutigen Ära der KI schaffen wir kein intelligentes Verhalten in Maschinen, sondern wir schaffen Imitationen intelligenten Verhaltens. Die ausgefeiltesten KI-Systeme von heute, wie z. B. selbstfahrende Fahrzeuge, nutzen die neuesten Innovationen der KI. Obwohl sich die Leistung dieser Systeme ständig verbessert, scheint etwas Grundlegendes zu fehlen, wenn wir uns bemühen, eine allgemeine künstliche Intelligenz (Artificial General Intelligence, AGI) zu entwickeln.

Wir nennen die heutigen KI-Algorithmen, die mit begrenzter Leistung in engen Bereichen arbeiten, „enge KI“. Viele Aufgaben, auf die enge KI und künftige AGI-Systeme angewiesen sind, werden auch weiterhin von klassischen Hochleistungsrechnern (HPC), Grafikprozessoren (GPU), neuromorphen Prozessoren (NPU) und spezialisierter Hardware effizient berechnet werden. Diese Aufgaben umfassen die gesamte Datenvorverarbeitung sowie wesentliche Teile der Algorithmen, die KI-Systeme in die Lage versetzen, ähnlich wie der Mensch aus Daten zu lernen.

Es fehlt jedoch noch die explizite Beschreibung der Algorithmen, die unser Gehirn arbeiten lassen. Seit 120 Jahren wissen wir, dass das Universum auf der Quantenphysik beruht. Ob es sich um die fundamentalen Kräfte, die Kernfusion in Sternen, die Gehirne biologischer Organismen oder sogar einen einfachen Stuhl handelt, sie alle funktionieren nach den Gesetzen der Quantenphysik.

In den letzten Jahrzehnten haben wir versucht, die Funktion des menschlichen Gehirns zu entmystifizieren und künstlich zu reproduzieren. Die Erkenntnis, dass es nach den Gesetzen der Quantenphysik funktioniert, eröffnet eine aufregende neue Denkweise über technische Intelligenz. Solange wir keinen Computer verwenden, dem die Architektur der Quanteninformation innewohnt, werden wir nicht in der Lage sein, eine echte KI zu implementieren, die sich nicht darauf beschränkt, die menschliche Intelligenz in engen Bereichen zu imitieren – geschweige denn eine AGI. Quantenschaltungen sind explizite prozedurale Darstellungen neuronaler Netze, die es uns ermöglichen, zu verstehen, wie ein impliziter Algorithmus aufgebaut ist und warum die Ausgabe probabilistisch ist.

Dennoch werden wir nicht alles auf Quantenbasis machen müssen. Aufgaben, die klassische Algorithmen bereits gut erledigen können, wie z. B. die Vorverarbeitung von Daten, und wichtige Teile der heute verwendeten Algorithmen werden auch weiterhin klassisch durchgeführt werden. Dennoch werden sie durch Quanten beeinflusst und werden es auch in Zukunft. So wird beispielsweise im Gehirn das Feuern von Neuronen nicht nur durch makroskopische elektrochemische Wechselwirkungen gesteuert. Vielmehr wird eine quantenklassische Übergangsdynamik dafür verantwortlich sein, dass die mikroskopischen Quanteneffekte beispielsweise auf der Ebene der Neuronen makroskopisch relevant werden.

Die aktuelle KI-Forschung zielt darauf ab, Algorithmen zu entwickeln, die sowohl aus klassischen als auch aus Quantenanteilen bestehen und in einem hybriden Quantencomputing-Modell (HQC) verarbeitet werden – einer technologischen Plattform, die mit klassischem HPC, GPU, Quantenverarbeitungseinheiten (QPU) und speziellerer Hardware ausgestattet ist.

HQC ist nicht nur für die Ausführung von KI-Algorithmen von Bedeutung, sondern kann uns auch bei der Lösung faszinierender Probleme helfen, die wir mit klassischen Methoden allein nicht lösen können. Zu diesen Problemen gehört die Suche nach der Wechselwirkung von Molekülen untereinander – relevant für die Entwicklung einer verbesserten Elektrochemie in Fahrzeugbatterien durch die Automobilindustrie. Auch im Bereich der Optimierung sind die Anwendungen in einem HQC vielfältig und reichen von der Optimierung des Verkehrs über Produktionsprozesse bis hin zur Orbitalmechanik und den Flugbahnen von Satelliten.