IBM Quantum System Two模块化量子计算平台。
过去一年以来,人们越来越关注如何将量子计算机融入并对接至经典计算架构。一方面,量子计算机可以在其中充当加速器,执行某些经典超级计算机所无法处理的复杂计算任务。而另一方面,经典计算机或服务器则可用于量子算法及电路开发中的预处理场景,并在错误管理、结果改进和任务收尾等环节上解决后处理需求。从越来越多的AI用例中可以看出,AI也拥有增强经典计算能力的作用。由此推断,AI技术完全有可能增强量子计算能力,而且已经有多家企业正为此目标而不懈努力。
但在此番将量子与AI相融合的尝试当中,参与的个人和厂商必须直面一个事实:这两项技术可谓截然不同。AI的训练和使用,完全是在由CPU、GPU、NPU、DSP、FPGA及其他传统二进制处理逻辑元素所驱动的经典计算平台之上,开发和运行的神经网络模型。量子计算机则使用替代性计算架构(例如超导transmon量子比特)来解决涉及量子物理特性的高度复杂问题。而尽管二者对于硬件、软件和支持系统的需求大相径庭,双方的融合仍在向前推进,这背后也反映出业界对于量子计算的迫切需求。IBM正是其中为AI辅助量子计算发展铺平道路的厂商之一。
作为量子计算领域的领导者,IBM一直在硬件、软件和系统技术方面持续开拓,并且已经在全球范围内部署了量子计算机。IBM还通过其watsonx平台成为AI技术的领导者,该平台已经自2011年在Jeopardy问答节目中取得优胜以来发展为一套可扩展的企业平台,目前囊括AI工作室、数据、治理及辅助解决方案。现如今,IBM正尝试将这两项技术结合起来,借以增强量子计算并加速其实践落地。
在最近与IBM的讨论中,蓝色巨人概述了如何将其AI技术集成至Qiskit软件当中,从而提高SDK工具与OpenQASM3(开放量子汇编语言)的易用性。IBM希望利用其watsonx生成式AI平台,配合该公司自研的Granite AI模型来生成能够为开发者提供支持及量子代码编写辅助的数字智能体。
此外,IBM也在研究和开发新的AI模型,希望在电路优化、资源管理以及更强大的错误抑制、缓解与纠正等关键问题上做出改进。
在将AI与量子计算相集成的承诺当中,IBM还推出了匹配Visual Studio Extension的Qiskit Code Assistant服务,同时计划发布两款量子聊天机器人——其一用于协助开发人员,另一个则面向IBM量子计算服务的一般用户。
在电路优化方面,AI模型可以通过转译器服务作为插件嵌入至Qiskit SDK当中,并与启发式开发方法相结合。根据IBM的介绍,转译器服务能够更好地将抽象电路与量子ISA电路映射起来,从而使电路尺寸改进达40%、优化质量,并将处理速度提升至2到5倍。
在资源管理方面,IBM也在开发AI解决方案,希望更好地评估量子运行时间、标记可能失败的工作负载,并划分电路以实现并行处理,从而更好地发挥经典算力与量子算力的效用,包括建立起AI超级计算机。
未来的异构数据中心将迎来QPU的加盟。
结合IBM积极的技术发展路线图(到这个十年末达到1亿门,到2033年左右达到10亿门),量子计算将在未来几年迅速走向实际部署及应用阶段。因此到这个十年末,我们有望亲眼见证结合有最新CPU、AI加速器和QPU(量子处理单元)性能的强大异构数据中心。
IBM量子开发也创新路线图。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。