A Mitsubishi Electric Corporation acaba de anunciar o desenvolvimento de uma tecnologia de Inteligência Artificial Quântica (IA) que projeta e otimiza automaticamente modelos de inferência para reduzir a escala de computação com redes neurais quânticas. A nova tecnologia de IA quântica pode ser integrada a estruturas clássicas de aprendizado de máquina para diversas soluções.
A Mitsubishi Electric confirmou que a tecnologia pode ser incorporada na primeira aplicação mundial para geração de imagens em terahertz (THz) utilizando ondas de frequência ultra-altas para realizar inspeções não destrutivas, explorando propriedades como a alta penetração das ondas de rádio e a alta diretividade das ondas de luz.
A nova tecnologia também pode ser usada para monitoramento de ambientes internos onde sinais Wi-Fi são usados para detectar movimentos de humanos durante a observação de ambientes.
Outros potenciais aplicações são possíveis, como o uso em compactação e recuperação de dados originais provenientes de medições múltiplas de dados e processamento de biosinal para interfaces cérebro-computador.
A nova tecnologia de aprendizado de máquina quântica (QML), desenvolvida pela Mitsubishi Electric, entrega modelos de inferência compactos, explorando totalmente a enorme capacidade dos computadores quânticos de representarem várias combinações de zero e um ao mesmo tempo, evoluindo constantemente o seu estado com um maior número de bits quânticos.
Em uma combinação híbrida de IA quântica e clássica, a tecnologia pode compensar as limitações da IA clássica para obter um desempenho superior, reduzindo significativamente a escala dos modelos de IA, mesmo quando se usa dados limitados.
Pesquisas indicam que os computadores quânticos em rápido desenvolvimento irão superar os computadores clássicos, explorando a física quântica para operar estados de qubits simultaneamente.
São previstos grandes avanços na análise de dados, desenvolvimento de IA, entre outros, implementados em aplicações como otimizações em larga escala e design de novos materiais. As tecnologias clássicas de aprendizado de máquina baseadas em aprendizado profundo — a base da IA atual — mostraram excelente desempenho, mas exigem recursos de computação caros e muitas vezes não atingem todo o potencial se os dados de treinamento5 ou os recursos forem limitados.
