Чи можна створити штучний інтелект на квантовому комп’ютері?
- Ігор Сальниченко
- 22 бер.
- Читати 12 хв
Оновлено: 23 бер.
Штучний інтелект (ШІ) – це галузь інформатики, що займається розробкою інтелектуальних машин, здатних виконувати завдання, які зазвичай потребують людського інтелекту [1]. Ідея створити розумну машину хвилює науковців вже понад пів століття. За цей час ШІ пройшов шлях від теоретичних концепцій до повсякденних технологій, як-от голосові помічники чи системи рекомендацій. Паралельно розвивається й інша передова сфера – квантові обчислення. Квантовий комп’ютер обіцяє революцію в обчислювальній техніці, використовуючи закони квантової фізики для досягнення продуктивності, недосяжної для класичних комп’ютерів. Чи стануть квантові комп’ютери ключем до створення нового покоління ШІ? У цій статті розглянемо історію та сучасний стан розвитку ШІ, принципи роботи квантових комп’ютерів, відмінності між квантовими та класичними обчисленнями, а також обговоримо, які виклики і перспективи виникають на шляху до квантового ШІ.
Штучний інтелект: від народження ідеї до сьогодення
Термін «штучний інтелект» з’явився в середині ХХ століття, але мрії про створення штучного розуму виникали ще раніше. У 1950 році англійський математик Алан Тюрінг запропонував критерій визначення інтелекту машини – так званий тест Тюрінга, у своїй знаменитій статті «Обчислювальна техніка та інтелект»[2] . Вже за кілька років, у 1956-му, на Дартмутському семінарі в США закріпилася назва «artificial intelligence» (штучний інтелект) для нової наукової дисципліни. Цей семінар, організований Дж. Маккарті, М. Мінським, К. Шенноном та ін., увійшов в історію як момент народження ШІ [3]. На ньому дослідники вперше окреслили місію створити машини, здатні імітувати людський інтелект, і продемонстрували перші програми, що вирішували логічні задачі та доводили теореми – на той час це здавалося дивом .
Початковий ентузіазм був надзвичайно високим – вчені прогнозували появу сильного ШІ (машини з інтелектом на рівні людського) вже за 20 років [3] . У 1960-х роках з’явилися перші мовні й зорієнтовані на знання системи, ранні нейронні мережі. Однак згодом з’ясувалося, що багато амбітних обіцянок виконати важче, ніж гадали. Настали так звані «зими ШІ» – періоди спаду фінансування та інтересу (в 1970-80-х роках), коли прогрес сповільнився.
Новий підйом ШІ почався з кінця 1990-х завдяки розвитку машинного навчання та появі великих обсягів даних. Алгоритми навчання на прикладах дозволили комп’ютерам розпізнавати образи, текст, мову ефективніше. У 2010-х роках проривом стало глибинне навчання – багаторівневі нейронні мережі почали перевершувати людей у завданнях на зразок розпізнавання образів чи гри в складні ігри. Сьогодні ШІ застосовується повсюдно: від пошукових систем до медичних діагностичних програм. Водночас науковці міркують над штучним загальним інтелектом – універсальним розумом, здатним вчитись будь-чому, але його створення поки залишається далекою перспективою.
Квантові обчислення: від ідеї Річарда Фейнмана до перших машин
Поки комп’ютерна наука робила успіхи в ШІ, інші вчені замислилися: чи не можна піднести обчислення на новий рівень, використавши закони квантової механіки? Перші ідеї з’явилися ще у 1980-х роках. Річард Фейнман, видатний фізик, у 1982 році звернув увагу, що симулювати квантові процеси на звичайному комп’ютері надзвичайно важко, і запропонував концепцію машини, яка б працювала за квантовими принципами . Ця ідея фактично заклала основи того, що ми сьогодні називаємо квантовим комп’ютером. Невдовзі, у 1985 році, британський фізик Девід Дойч розвинув цю концепцію, сформулювавши теорію універсального квантового комп’ютера – тобто квантового аналога машини Тюрінга, здатного виконати будь-які обчислення . У своїй праці Дойч показав, що квантова машина теоретично може розв’язувати деякі задачі ефективніше, ніж класична, і навіть описав перший алгоритм для такої машини [4].
Протягом 1990-х років з’явилися перші реальні квантові алгоритми, що демонстрували унікальні можливості. Так, у 1994 році Пітер Шор розробив алгоритм факторизації чисел, який на квантовому комп’ютері працює набагато швидше, ніж усі відомі класичні алгоритми – це створило фурор у сфері криптографії . Інший алгоритм, запропонований Лов Гровером у 1996-му, прискорив пошук у неспорядкованих даних . Всі ці теоретичні відкриття підживлювали інтерес до побудови справжнього квантового комп’ютера.
Перші експериментальні квантові пристрої з’явилися на межі тисячоліть. Спочатку це були дуже прості системи на кілька кубітів (квантових бітів). З часом лабораторії по всьому світу – від університетів до компаній – почали змагатися за квантову перевагу. Сьогодні провідні корпорації, такі як IBM, Google, Intel, а також спеціалізовані стартапи (D-Wave, IonQ та інші) вже створили прототипи квантових комп’ютерів із десятками і навіть сотнями кубітів. У 2019 році компанія Google заявила про досягнення «квантової переваги», виконавши на своєму процесорі Sycamore задачу, практично не підйомну для класичного суперкомп’ютера . Хоча це був специфічний експеримент, він продемонстрував потенціал нової технології.
Класичні vs квантові обчислення: в чому різниця?
Щоб зрозуміти, як квантові комп’ютери можуть вплинути на ШІ, треба розібратися, чим вони відрізняються від звичних нам комп’ютерів. У класичному комп’ютері найменшою одиницею інформації є біт, який може набувати значення 0 або 1. Усі операції з даними зводяться до маніпуляцій цими двома станами (виключно 0 або 1). Натомість у квантовому комп’ютері базовим елементом є кубіт (квантовий біт) . Кубіт здатен перебувати одночасно у стані 0 і 1 (точніше, в їхній квантовій суперпозиції). Це означає, що поки ми не зробили вимірювання, стан кубіта описується комбінацією значень «0» і «1» із певними ймовірностями. Така властивість називається суперпозицією. Наприклад, якщо класичний біт – це монета, що лежить решкою або гербом догори, то кубіт – це монета, яка крутиться і «є» обома сторонами одразу. Лише коли зупинити – ми побачимо конкретне значення [5].
Крім суперпозиції, квантові обчислення використовують явище квантової заплутаності. Заплутаність – це своєрідний зв’язок між кубітами, коли стан одного залежить від стану іншого незалежно від відстані між ними. Заплутані кубіти поводяться як єдина система. Завдяки цьому квантовий комп’ютер може дуже ефективно передавати інформацію між кубітами та виконувати паралельні обчислення. Якщо група кубітів перебуває в суперпозиції, вони створюють багатовимірний простір станів, і заплутаність дозволяє обробляти ці стани узгоджено .
Таким чином, класичне обчислення оперує визначеними станами (0/1) і обробляє їх послідовно (або з певною паралельністю на рівні багатоядерних систем), тоді як квантове обчислення оперує розподілами ймовірностей на безлічі станів одразу. Це дає квантовій машині експоненційний паралелізм: з додаванням кожного нового кубіта загальна «потужність» представлення станів подвоюється. Н-подібний кубітовий регістр може одночасно представляти 2 степені N станів . Саме тому 300 кубітів, працюючи спільно, можуть паралельно описувати більше станів, ніж є атомів в Всесвіті! Звісно, не всі задачі вдасться так легко прискорити, але для певних класів проблем квантові алгоритми демонструють кардинальну перевагу.
Квантовий комп’ютер – це не просто швидший процесор; це зовсім інша парадигма. Водночас вона не витісняє класичні обчислення, а доповнює їх. Сучасні підходи часто передбачають гібридні алгоритми, де квантова частина розв’язує ту підзадачу, яка їй пасує, а класичний комп’ютер – інші частини. Особливо перспективними є квантові алгоритми для оптимізації, пошуку, факторизації, симуляції квантових систем – тобто там, де класичні методи впираються в експоненційне зростання обчислювальної складності.
Виклики на шляху до квантового ШІ
Отже, квантові комп’ютери теоретично можуть прискорити обчислення, потрібні для ШІ. Але чи можна вже зараз просто взяти і запустити нейромережу на квантовому процесорі? На жаль, усе не так просто. Станом на сьогодні квантові машини перебувають на ранній стадії розвитку, яку називають NISQ (Noisy Intermediate-Scale Quantum) – «шумні квантові пристрої середнього масштабу». Вони мають обмежену кількість кубітів, і ці кубіти дуже нестабільні. Однією з головних проблем є декогеренція – втрата квантовим бітом своїх квантових властивостей через вплив зовнішнього середовища. Кубіти надзвичайно чутливі: будь-які коливання температури, електромагнітні шуми чи інші фактори можуть порушити стан суперпозиції або заплутаності . Тому квантові комп’ютери вимагають спеціальних умов (наприклад, охолодження до кількох мілі-кельвінів), а все одно помилки (фліп битів, фліп фаз) трапляються постійно.
Щоб виконувати складні алгоритми ШІ, потрібні сотні або тисячі надійних кубітів. Експерти оцінюють, що для справді корисних застосувань може знадобитися близько мільйона кубітів з квантовою корекцією помилок . Нині ж найбільші прототипи мають рахунок кубітів у сотнях, і вони далекі від досконалості. Інженери стикаються з грандіозним завданням: як масштабувати квантові процесори, зберігши їх стабільність? Адже спроектувати систему, яка б утримувала мільйон кубітів при наднизьких температурах і захищала їх від шуму – це виклик на межі сучасних технологій .
Інша складність – розробка алгоритмів. Квантове програмування відрізняється від класичного; тут потрібні зовсім інші підходи. Тільки нещодавно дослідники почали створювати квантові аналоги машинного навчання: квантові нейронні мережі, квантові варіаційні алгоритми, квантові дерева рішень тощо. Але знайти ефективний квантовий алгоритм для конкретного завдання ШІ – нетривіальне завдання. Потрібно врахувати обмеження теперішніх квантових пристроїв (наприклад, короткий час когерентності, обмежену топологію зв’язків між кубітами). Як відзначають аналітики, поки що розробка дієвих квантових алгоритмів для задач ШІ залишається серйозною перешкодою .
Ще один момент – введення/виведення даних. ШІ-системи оперують великими масивами даних. Навіть якщо квантовий процесор може швидко обробити інформацію, її ще треба туди помістити. Зчитування результатів теж не миттєве – при вимірюванні кубіти «рухаються» в класичний стан. Нинішні квантові пристрої не можуть безпосередньо завантажити терабайти «великих даних». Обмежена кількість кубітів фактично не дозволяє працювати з великими наборами даних – фундаментом сучасного машинного навчання . Тому зараз досліджуються гібридні підходи, де класичний комп’ютер готує певні стислі ознаки або здійснює попередню обробку, а квантовий – виконує важкий обчислювальний модуль на відносно малому вхідному розмірі.
І, нарешті, квантові системи потребують ефективної корекції помилок. У традиційному процесорі біт доволі стабільний, тоді як кубіт без спеціальних методів виправлення помилок за лічені мікросекунди втратить інформацію. Квантова корекція помилок існує теоретично, але вона дуже ресурсоємна: один «логічний» кубіт може вимагати сотні фізичних кубітів для підтримки. Нещодавно вчені з Google DeepMind представили систему AlphaQubit, яка за допомогою методів ШІ покращує виявлення та виправлення помилок у квантовому комп’ютері . Проте до повністю стабільного квантового комп’ютера ще далеко – це активна область досліджень, в якій роблять перші кроки такі гіганти, як IBM та Microsoft, а також стартапи на кшталт IonQ чи D-Wave .
Отже, основні труднощі на шляху квантового ШІ – це незрілість квантового «заліза» (мало кубітів, багато шумів), відсутність готових універсальних алгоритмів і складність поєднання квантових обчислень з великими даними. Але попри всі перешкоди, дослідники продовжують працювати над цим, адже потенційні вигоди надто великі, щоб їх ігнорувати.
Потенційні переваги квантового ШІ
Чому взагалі виникла ідея поєднати квантові комп’ютери та штучний інтелект? Річ у тому, що квантові обчислення можуть дати ШІ якісно нові можливості. Ось кілька потенційних переваг, які очікують від квантового ШІ у майбутньому:
1) Експоненційне прискорення навчання. Деякі задачі, зокрема навчання моделей, можуть прискоритися на квантових машинах у багато разів. Існують докази, що квантові алгоритми здатні розв’язувати окремі проблеми експоненційно швидше, ніж класичні . Якщо, скажімо, навчання великої нейронної мережі на класичному суперкомп’ютері триває місяць, то квантовий алгоритм міг би впоратися за години чи навіть хвилини. Це відкриє шлях до значно швидших експериментів і ітерацій при розробці ШІ-моделей. Вчені вже працюють над квантовими версіями алгоритмів лінійної алгебри (розв’язання систем рівнянь, обчислення власних значень тощо), які лежать в основі машинного навчання. Наприклад, квантовий алгоритм Гарро для лінійних рівнянь (HHL) потенційно дає експоненційний виграш у швидкості розв’язання лінійних систем, що може прискорити алгоритми навчання.
2) Покращені оптимізаційні алгоритми. Багато завдань ШІ зводяться до оптимізації – мінімізувати функцію помилки, підібрати найкращу конфігурацію моделі, або навіть вирішити комбінаційні головоломки (наприклад, розклад маршрутів доставки). Квантові обчислення пропонують нові алгоритми для оптимізації, такі як QAOA (Quantum Approximate Optimization Algorithm) та інші варіаційні алгоритми. Вони можуть ефективніше знаходити глобальний мінімум складних функцій, уникаючи пасток локальних мінімумів, що часто заважають класичним методам. За рахунок дослідження багатьох варіантів паралельно квантовий алгоритм може швидше відшукати оптимальне рішення задачі, яку класичний комп’ютер перебирає занадто довго . Практично це означає поліпшення продуктивності ШІ-систем – від більш розумного планування логістики до тоншого налаштування нейронних мереж.
3) Аналіз великих масивів даних. Хоча нинішні квантові машини не можуть прямо оперувати дуже великими даними, у перспективі, із збільшенням числа кубітів, вони зможуть обробляти масштабніші набори даних або їхні квантово закодовані представлення. Квантовий комп’ютер може одночасно аналізувати велику кількість входів завдяки суперпозиції, що дає надію на більш ефективне розпізнавання закономірностей у даних [11]. Уявімо, що треба проаналізувати геномні дані мільйонів людей у пошуках патернів, пов’язаних з хворобою – квантові алгоритми могли б виконати таку складну багатовимірну кореляцію значно швидше. Звичайно, для цього мають бути вирішені згадані вище проблеми з введенням даних, але концептуально квантові системи обіцяють новий рівень продуктивності в задачах Big Data.
4) Нові типи моделей та алгоритмів. Квантова природа обчислень може надати ШІ принципово нові інструменти. Наприклад, квантові нейронні мережі можуть працювати в гігантському просторі станів, недоступному класичним мережам. Квантові_kernel-и (функції ядра) дозволяють краще вимірювати подібність складних об’єктів, що вже демонструє IBM у своїх дослідженнях з квантовими SVM – показано, що квантові ядра можуть розрізняти дані, які класичні алгоритми розрізнити не здатні . Це значить, що деякі задачі класифікації чи кластеризації можуть стати вирішуваними тільки з появою квантових методів. Так само квантова випадковість може бути використана для покращення генеративних моделей (наприклад, квантових варіаційних автокодерів або генеративних змагальних мереж). Квантовий ШІ може виявитися здатним моделювати складні системи (як-от хімічні реакції або економічні процеси) точніше, ніж класичний, бо сам оперує квантовою природою матерії.
Звісно, ці переваги поки що переважно теоретичні. Жодна з них не реалізована повною мірою на практиці – для цього потрібно більш потужне квантове обладнання. Але поступово, крок за кроком, дослідники демонструють окремі «фрагменти» квантової переваги на завданнях, пов’язаних з ШІ. Наприклад, уже є прототипи квантових алгоритмів швидшої кластеризації, прискореного навчання перцептрону, квантового підсилення градієнта тощо. Кожен такий результат підтверджує: потенціал у поєднання ШІ та квантових технологій величезний.
На стику ШІ та квантових обчислень: сучасні проєкти і розробки
Попри ранній етап розвитку квантової техніки, у світі вже тривають активні спроби інтегрувати квантові обчислення та штучний інтелект. Цим займаються як академічні дослідницькі групи, так і провідні технологічні компанії.
Google була однією з перших компаній, що заговорили про “квантовий ШІ”. Ще у 2013 році спільно з NASA вони відкрили лабораторію Quantum AI, експериментуючи з квантовими пристроями D-Wave [9]. У 2020 році Google представила TensorFlow Quantum – бібліотеку, яка дозволяє створювати гібридні квантово-класичні моделі на основі популярного фреймворка машинного навчання TensorFlow . Це інструмент для дослідників: можна будувати квантові нейронні мережі, тренувати їх разом із класичними шарами, виконувати симуляцію квантових схем і оптимізацію параметрів. Таким чином, Google намагається залучити спільноту фахівців ШІ до експериментів із квантовими алгоритмами. Також підрозділ Google Quantum AI разом з командою DeepMind працює над квантовою корекцією помилок за допомогою ШІ (згаданий проект AlphaQubit) [9].
IBM інвестує значні ресурси у розвиток програмної екосистеми квантового машинного навчання. Їхня платформа Qiskit має окремий модуль Qiskit Machine Learning, який надає готові компоненти для квантових моделей – наприклад, імплементації квантових нейронних мереж і квантових kernel-методів . IBM Research демонструвала, як квантові kernel-и можуть покращувати класичні алгоритми класифікації . Компанія також об’єднала зусилля з науковцями (наприклад, центром Hartree у Британії) для спільного дослідження квантового ШІ . Крім того, IBM через хмарний сервіс IBM Quantum надає доступ до своїх квантових процесорів усім охочим, що дозволяє ентузіастам і науковцям пробувати запускати алгоритми машинного навчання на реальних квантових пристроях [12].
D-Wave Systems, канадська компанія, ще з 2010-х пропонує так звані квантові відпалювачі (quantum annealers) – спеціалізовані квантові пристрої для вирішення оптимізаційних задач. Вони вже використовувалися в проектах з оптимізації маршрутизації, розкладів та навіть в задачах машинного навчання, де проблему навчання зводили до оптимізаційної постановки. Хоча пристрої D-Wave працюють за дещо іншими принципами, ніж універсальні квантові комп’ютери, вони фактично є першими комерційними квантовими обчислювачами, які партнери (як-от Volkswagen чи Lockheed Martin) випробували на практичних задачах. D-Wave тепер також розробляє гібридне програмне забезпечення, що поєднує квантовий відпал з класичними методами, спеціально для застосувань у ШІ.
Стартапи теж не стоять осторонь: компанія Xanadu (Канада) створила платформу PennyLane – відкриту бібліотеку для квантового машинного навчання, яка підтримує різні типи квантових апаратних засобів (включно з фотонними чипами, над якими працює сама Xanadu). Cambridge Quantum Computing (Велика Британія, зараз частина компанії Quantinuum) працює над квантовою обробкою мови та квантовими генераторами випадковостей для покращення безпеки ШІ. Microsoft розвиває службу Azure Quantum, де, подібно до IBM, надає дослідникам доступ до квантових систем і інструментів, і паралельно веде фундаментальні дослідження (наприклад, в галузі топологічних кубітів, які в перспективі можуть бути стабільнішими для обчислень).
В університетах створюються міждисциплінарні дослідницькі групи з квантового машинного навчання. Публікуються роботи про квантові варіанти класичних алгоритмів: квантові кластеризації, квантові бустингові методи, квантова PCA (метод головних компонент) тощо. Наприклад, вже є експериментальні реалізації квантових нейронних мереж Варіаційного квантового включення (VQC), де параметри квантових гейтів налаштовуються під час навчання, подібно до ваг нейронної мережі. Інші дослідники вивчають явище «квантових плато» (barren plateaus) – ситуацій, коли простір оптимізації квантової моделі стає пласким і градієнт зникає, що заважає навчанню. Вирішення цих питань важливе для побудови глибоких квантових нейронних мереж.
Отже, попри те що повноцінного квантового ШІ ще не існує, екосистема на стику двох технологій уже формується. Великі гравці (Google, IBM, Microsoft) пропонують інструменти та «залізо», стартапи – інноваційні підходи, науковці – нові алгоритми. Кожен новий крок – це своєрідна перевірка: чи справді квантові методи можуть дати виграш у задачах ШІ, чи це поки лише красива теорія? На даний момент вже є вузькі демонстрації переваг, але попереду ще багато роботи.
Прогнози: коли з’явиться ефективний квантовий ШІ?
З огляду на нинішній стан технологій, наскільки реальним є сценарій, коли квантовий комп’ютер стане «мозком» потужного штучного інтелекту? Експерти сходяться на думці, що у найближчі кілька років цього не станеться. Квантові комп’ютери поки що занадто незрілі, аби конкурувати з класичними у загальних завданнях ШІ. За оцінками аналітиків Gartner, знадобиться принаймні близько десяти років, перш ніж квантові обчислення почнуть давати комерційну перевагу . Наразі ж розвиток ШІ йде ударними темпами на традиційних кремнієвих чипах (зокрема, спеціалізованих GPU та TPU для глибинного навчання), і квантові технології ще не встигають втрутитися у цю гонку [7].
Однак через 10–15 років ситуація може змінитися. Якщо інженери зможуть подолати ключові перешкоди – збільшити число робочих кубітів, знизити рівень шумів, реалізувати квантову корекцію помилок – квантові комп’ютери перейдуть у якісно нову фазу. З появою повноцінних фулт-толерантних квантових комп’ютерів(що виправляють свої помилки на льоту) відкриється можливість запускати великі алгоритми машинного навчання. Спочатку це будуть гібридні рішення: квантовий прискорювач для окремих задач у складі класичної ШІ-системи. Але якщо такі рішення покажуть себе успішно (наприклад, помітно прискорять тренування моделей чи знайдуть більш точні результати), бізнес та наука швидко їх підхоплять.
Чи означає це, що ми обов’язково побачимо квантовий супер-інтелект? Питання відкрите. Можливо, квантові комп’ютери стануть просто ще одним інструментом в арсеналі фахівців з даних, без якого, втім, не обійтися у певних високоточних галузях (медицина, наука про матеріали, безпека). З іншого боку, є футуристичні прогнози, що поєднання квантової обчислювальної сили і передових алгоритмів ШІ може привести до стрибка у можливостях – створення систем, здатних досягти прориву у творчому мисленні чи моделюванні свідомості. Поки що це скоріше сюжет наукової фантастики.
На теперішньому етапі найбільш реалістичним є сценарій спеціалізованого квантового ШІ у вузьких доменах. Наприклад, квантовий асистент-хімік для моделювання молекул і підбору ліків, або квантовий аналітик для фінансових ринків, який перевершує класичні алгоритми в прогнозуванні. Такі системи можуть з’явитися, якщо квантовий комп’ютер зможе робити конкретні обчислення швидше, і інтегрується в робочий процес поряд з класичним комп’ютером.
Висновок: створити штучний інтелект на квантовому комп’ютері можливо, але не сьогодні і не завтра. Це напрям, який потребує ще років інтенсивних досліджень і розробок. Ми знаходимося на початку шляху. Проте прогрес у цій галузі йде швидкими кроками. Тож, цілком ймовірно, що через десятиліття термін «квантовий ШІ» перейде з розряду гіпотез у реальність і стане синонімом найпотужніших обчислювальних систем на планеті. А поки що – стежимо за новинами з лабораторій і вчимося мислити квантово!
Список джерел:
1. Штучний інтелект. – Вікіпедія. URL:https://uk.wikipedia.org/wiki/Штучний_інтелект#:~:text=Штучний%20інтелект%20,штучного%20інтелекту%20полягає%20в%20тому
2. Еволюція штучного інтелекту: визначні моменти в історії та застосування – Cases Media, 2020. URL:https://cases.media/article/evolyuciya-shtuchnogo-intelektu-shi-viznachni-momenti-v-istoriyi-ta-zastosuvannya?srsltid=AfmBOorwwD7bT5JwWFq_eXYWQ8FMwKeYmhqQcAlG1Ww2HcWbGuwFzB4Y (дата звернення: 22.03.2025).
3. Історія штучного інтелекту – Вікіпедія. URL:https://uk.wikipedia.org/wiki/Історія_штучного_інтелекту#:~:text=учасників%20прийняти%20«Штучний%20інтелект»%20%28англ,84
4. Feynman’s Visionary Insights (1982) & Deutsch’s Universal Quantum Computer (1985) – Evolution of The Progress Blog, 29.07.2024. URL: https://evolutionoftheprogress.com/history-of-quantum-computing/
5. Classical vs. quantum computing: What are the differences? – TechTarget, 14.12.2022. URL: https://www.techtarget.com/searchdatacenter/tip/Classical-vs-quantum-computing-What-are-the-differences#:~:text=Image%3A%20chart%20of%20classical%20vs,Quantum%20computing%20traits
6. Quantum computing vs classical – differences in power and scaling – TechTarget, 14.12.2022. URL: https://www.techtarget.com/searchdatacenter/tip/Classical-vs-quantum-computing-What-are-the-differences
7. Alan Priestley (Gartner) quote on quantum computing timeline – FutureCIO, 2023. URL: https://futurecio.tech/the-possibilities-and-limits-of-quantum-enhanced-ai/
8. Charlie Dai (Forrester) quote on challenges of quantum AI – FutureCIO, 2023. URL: https://futurecio.tech/the-possibilities-and-limits-of-quantum-enhanced-ai/#:~:text=ImageCharlie%20Dai
9. Quantum computers limited qubit capacity & big data challenge – AIwire, 27.11.2024. URL: https://www.aiwire.net/2024/11/27/the-intersection-of-ai-and-quantum-computing-a-new-era-of-innovation/#:~:text=A%20key%20challenge%20is%20that,interference%2C%20and%20improving%20qubit%20coherence
10. AlphaQubit – квантова корекція помилок за допомогою ШІ (Google) – AIwire, 27.11.2024. URL: https://www.aiwire.net/2024/11/27/the-intersection-of-ai-and-quantum-computing-a-new-era-of-innovation/#:~:text=Google%20has%20introduced%20AlphaQubit%2C%20an,Quantum%20AI’s%20error%20correction%20knowledge
11. Quantum computing advantage for AI (speedup, optimization, data) – IoT Times, 20.05.2024. URL: https://iot.eetimes.com/quantum-computing-and-the-future-of-ai/#:~:text=1
12. Qiskit Machine Learning (огляд) – IBM/Qiskit Community. URL: https://qiskit-community.github.io/qiskit-machine-learning/
13. TensorFlow Quantum – Blog MLQ.ai, 2020. URL: https://blog.mlq.ai/tensorflow-quantum-introduction/
Comments