اولین مدل هوش مصنوعی کوانتومی دنیا با وعده‌های بزرگ معرفی شد

شرکتی مستقر در بریتانیا اولین مدل زبانی بزرگ کوانتومی (QLLM) جهان را معرفی کرد. ظاهراً این QLLM که از سوی SECQAI توسعه یافته، قادر به شکل‌دهی آینده‌ی هوش مصنوعی است.

SECQAI محاسبات کوانتومی را در مدل‌های هوش مصنوعی سنتی ادغام کرده است تا کارایی و حل مسئله را بهبود ببخشد. توسعه‌ی این مدل شامل ایجاد یک شبیه‌ساز کوانتومی داخلی با یادگیری مبتنی‌بر گرادیان و روشی برای تمرکز هوش مصنوعی روی مهم‌ترین بخش‌های اطلاعات با استفاده از اصول محاسبات کوانتومی (مکانیزم توجه کوانتومی) می‌شود.

به‌ باور SECQAI، هوش مصنوعی کوانتومی، گامی مهم در استفاده از هوش مصنوعی با ادغام محاسبات کوانتومی در ساختار سنتی مدل‌های زبانی بزرگ برای افزایش کارایی محاسباتی، قابلیت‌های حل مسئله و درک زبانی است.

راهول تیاگی، مدیرعامل و بنیانگذار SECQAI، گفت: «با راه‌اندازی اولین QLLM جهان، ما وارد عصر جدیدی می‌شویم که در آن هوش مصنوعی می‌تواند از مکانیک کوانتوم برای بهبود نتایج استفاده کند.»

فناوری جدید شرکت SECQAI در فوریه‌ی ۲۰۲۵ (بهمن و اسفند) وارد مرحله‌ی آزمایشی خصوصی با شرکای منتخب خواهد شد که نقطه‌ی عطف مهمی در یادگیری ماشین کوانتومی محسوب می‌شود.

SECQAI می‌گوید که تیم آن‌ها بر موانع عظیم مورد نیاز برای توسعه‌ی یک سیستم داخلی که بتواند به‌طور مؤثر یک کامپیوتر کوانتومی را شبیه‌سازی کند، از یادگیری مبتنی بر گرادیان پشتیبانی کند و در این محیط، یک مکانیزم توجه کوانتومی را توسعه دهد و آن را در مدل‌های زبانی بزرگ موجود بگنجاند، غلبه کرده‌اند.

ترانسفورمر کوانتومی و شبیه‌ساز کوانتومی کاربردهای گسترده‌ای دارند، از نوآوری در طراحی نیمه‌رسانا در اندازه‌ی ترانزیستور کوچک گرفته تا شناسایی الگوهای پنهان در استانداردهای رمزگذاری موجود، توسعه‌ی ساختارهای مواد جدید و کشف داروهای جدید در سراسر بخش داروسازی.

گزارش‌ها نشان می‌دهند که QLLM می‌تواند به‌طور کارآمد شبیه‌سازی‌های پیچیده را برای بهینه‌سازی طرح‌بندی نیمه‌رساناها انجام دهد، الگوهای پنهان در رمزگذاری را کشف کند و پروتکل‌های امنیتی را بهبود ببخشد. QLLM می‌تواند با مدل‌سازی دقیق‌تر به ساخت دارو کمک کند.

ارزیابی ریسک و تشخیص تقلب با استفاده از QLLM در بخش مالی می‌تواند به‌طور قابل توجهی افزایش یابد؛ البته محدودیت‌هایی نیز وجود دارد، چراکه همه‌ی سازمان‌ها نمی‌توانند زیرساخت‌های کوانتومی لازم را تهیه کنند و مدل احتمالاً برای عملکرد بهینه به حجم وسیعی از داده‌ها نیاز خواهد داشت.