MicroAlgo ra mắt thuật toán lượng tử giúp cắt giảm 90% thời gian huấn luyện AI

Cách thức hoạt động của thuật toán lượng tử

Phương pháp của MicroAlgo tập trung vào hai nút thắt cổ chai chính trong huấn luyện mạng thần kinh: tính toán tích nội hướng và lưu trữ các giá trị trung gian. Bằng cách mã hóa các vectơ thành các trạng thái lượng tử, thuật toán có thể xử lý đồng thời nhiều chiều, xấp xỉ các tích nội hướng với hiệu quả cao hơn nhiều.

Việc sử dụng QRAM là một yếu tố quan trọng khác. Trong huấn luyện truyền thống, việc lưu trữ và truy xuất các giá trị kích hoạt và sai số là một quá trình tốn kém tài nguyên. QRAM lưu trữ dữ liệu này một cách ngầm định trong các trạng thái lượng tử, cho phép truy xuất với độ phức tạp lôgarit. Điều này, kết hợp với khả năng xử lý song song của chồng chập lượng tử, giúp tăng tốc đáng kể quy trình huấn luyện.

Tác động và rào cản của ngành

Công ty đang nhắm mục tiêu vào các ứng dụng trong xử lý dữ liệu quy mô lớn cho tài chính và chăm sóc sức khỏe, hệ thống ra quyết định thời gian thực cho lái xe tự hành, và các ứng dụng nhẹ cho điện toán biên và Internet vạn vật. Nếu thành công, công nghệ này có thể hạ thấp rào cản gia nhập để phát triển các mô hình AI phức tạp và giảm sự phụ thuộc vào các GPU đắt tiền, tiêu tốn nhiều năng lượng từ các công ty như Nvidia.

Tuy nhiên, con đường tiến tới thương mại hóa vẫn còn nhiều thách thức. Thông cáo báo chí thừa nhận rằng phần cứng máy tính lượng tử vẫn đang ở giai đoạn đầu và việc tạo ra các thuật toán tương thích trên các nền tảng lượng tử khác nhau vẫn là một rào cản đáng kể. Hơn nữa, các công ty thuần về lượng tử đang đốt tiền mặt nhanh chóng, với các công ty như IonQ (IONQ), Rigetti Computing (RGTI) và D-Wave Systems (QBTS) ghi nhận các khoản lỗ lớn và phải dựa vào việc chào bán cổ phiếu làm loãng giá trị để tài trợ cho hoạt động.

Mặc dù bước đột phá của MicroAlgo nằm trong lĩnh vực phần mềm, nhưng tính khả thi của nó gắn liền trực tiếp với tốc độ phát triển phần cứng. Thông báo này đóng vai trò như một cầu nối tiềm năng giữa điện toán cổ điển và lượng tử, đưa ra các con đường tối ưu hóa có thể truyền cảm hứng cho các thuật toán heuristic cổ điển mới ngay cả trước khi máy tính lượng tử quy mô lớn trở nên phổ biến.

Bài viết này chỉ mang tính chất thông tin và không cấu thành lời khuyên đầu tư.