Quantum AI: อนาคตของ AI ในยุคหน้า

An artist's illustration of a quantum computer — ภาพศิลปะแสดงเครื่องควอนตัมคอมพิวเตอร์
(ที่มา: Shutterstock/Bartlomiej K. Wroblewski)

การประมวลผลเชิงควอนตัม (Quantum Computing) และปัญญาประดิษฐ์ (Artificial Intelligence: AI) เป็นเทคโนโลยีที่จะมาทำให้เกิดการเปลี่ยนแปลงในโลกอนาคตอย่างมหาศาล การมีเทคโนโลยี Quantum Computing นั้นเป็นเครื่องมือที่จะช่วยนำพาให้เทคโนโลยี AI มีความก้าวหน้าขึ้นอย่างรวดเร็ว

ถึงแม้ว่า AI บนแอปพลิเคชันต่างๆ จะถูกพัฒนาให้ประมวลผลได้บนคอมพิวเตอร์แบบคลาสสิก (Classical Computer) แต่ก็มีข้อจำกัดในเรื่องของความสามารถในการประมวลผล ด้วยเหตุดังกล่าว Quantum Computing จึงเป็นทางออกของการพัฒนาเทคโนโลยีในวงการ AI ให้สามารถสร้างแอปพลิเคชันที่มีความสลับซับซ้อนหรือสามารถทำงานที่ต้องการการประมวลผลจำนวนมากได้ เราเรียกศาสตร์นี้ว่า Quantum AI

Quantum AI คืออะไร

Quantum AI คือการประยุกต์ใช้ Quantum Computing สำหรับการประมวลผล หรือการคำนวณด้วยอัลกอริทึม Machine Learning โดยจะเป็นสิ่งที่จะมาช่วยให้การทำงานบางอย่างที่ไม่สามารถทำได้บนเครื่องคอมพิวเตอร์แบบทั่วไป (Classical Computer) สามารถเกิดขึ้นได้จริง

An artist illustration of how quantum AI relates to human brain — ที่มา: Quantum AI And Quantum Brain — The Evolution Of Future Tech | by Albert Christopher | Medium

ทำความรู้จักกับ Quantum Computing

Quantum Computing เป็นการประมวลผลรูปแบบหนึ่ง มีนิยามในลักษณะเดียวกันกับการประมวลผลรูปแบบอื่น ๆ ตัวอย่างที่เรามักเคยได้ยินกันบ่อย ๆ เช่น Cloud Computing ซึ่งก็คือการประมวลผลที่อยู่บนคลาวด์ หรือ Mobile Computing ก็จะหมายถึงการประมวลผลที่อยู่บนมือถือหรืออุปกรณ์พกพาต่าง ๆ

ในทำนองเดียวกัน Quantum Computing ก็คือการคำนวณหรือการประมวลผลต่าง ๆ ที่จะถูกทำโดยเครื่องคอมพิวเตอร์ควอนตัม ซึ่งทำงานแตกต่างออกไปจากเครื่องคอมพิวเตอร์แบบคลาสสิก (Classical Computer) ที่เราใช้งานกันโดยทั่วไป ที่ผ่านมานักวิจัยได้พิสูจน์แล้วว่าการประยุกต์ใช้ Quantum Computing ในงานบางประเภทสามารถทำได้ดีกว่าการประมวลผลแบบ Classical Computing อย่างมาก เช่น งานการแยกตัวประกอบของเลขจำนวนเต็มที่มีขนาดใหญ่ เป็นต้น

การประมวลผลต่าง ๆ ไม่ว่าจะบนคอมพิวเตอร์ตั้งโต๊ะ (Desktop), บนอุปกรณ์เคลื่อนที่, หรือแม้กระทั่งบนเครื่องคอมพิวเตอร์ประสิทธิภาพสูง (High Performance Computer: HPC) ล้วนแต่ทำงานบนพื้นฐานการคำนวณแบบคลาสสิก (Classical Computation) ทั้งสิ้น โดยการประมวลผลแบบคลาสสิกจะอาศัยหน่วยการประมวลที่เรียกว่า บิต (bit) ซึ่งมีสถานะที่สามารถสังเกตได้เป็น 0 หรือ 1 อันเป็นตัวแทนของข้อมูลที่เกิดขึ้นจากสัญญาณเปิด-ปิดทางไฟฟ้า ส่วนในกรณีของควอนตัมคอมพิวเตอร์จะมีรูปแบบการประมวลผลผ่านการแทนข้อมูลด้วยสถานะของอะตอม ซึ่งหน่วยข้อมูลที่ใช้ในการประมวลผลของควอนตัมคอมพิวเตอร์จะถูกเรียกว่า คิวบิต (Qubits) หรือมาจาก Quantum Bit นั่นเอง

comparison between classical computer's bits and quantum bits — เปรียบเทียบสถานะของ Bit ใน Classical Computer และ Qbit ใน Quantum Computer
(ที่มา: Shutterstock/Astibuag)

ด้วยคุณสมบัติพิเศษตามหลักกลศาสตร์ควอนตัมนั้น ทำให้การประมวลผลด้วย Qubits ใน Quantum Computer มีจุดเด่นที่เหนือกว่า Classical Computer ใน 2 คุณสมบัติหลัก ได้แก่ การที่คิวบิตสามารถมีสถานะระหว่างการคำนวณได้มากกว่า 1 สถานะในเวลาเดียวกัน (แทนที่จะเป็น 0 หรือ 1 อย่างใดอย่างหนึ่งแบบ Classical Computing) และ การที่คิวบิตสามารถเกิดการพัวพันกันได้ (Entanglement) นอกจากนี้ก็ยังมีคุณสมบัติอื่น ๆ ที่ทำให้นักวิจัยสามารถออกแบบและพัฒนา Quantum Algorithm ที่ช่วยให้การแก้ปัญหาในโจทย์ที่ยากสามารถทำได้ในระยะเวลาอันสั้นได้

โดยธรรมชาติแล้ว Qubits จะเก็บข้อมูลในรูปแบบของความน่าจะเป็น แต่เราก็สามารถดำเนินการวัดผลเพื่อให้ได้ค่าที่แสดงถึงสถานะใดสถานะหนึ่งเหมือนในการคำนวณแบบคลาสสิกได้เช่นเดียวกัน ดังนั้นการทำ Operation ต่าง ๆ ในเชิงควอนตัมจะถูกดำเนินการก่อนการวัดผลเสมอ เนื่องจากการที่เราทำการวัดผลในแต่ละครั้งจะไปทำให้ผลลัพธ์ในเชิงความน่าจะเป็นถูกทำลายไป และได้ออกมาเป็นค่าใดค่าหนึ่งเท่านั้น ในทุกวันนี้การพัฒนางานวิจัยด้าน Quantum Computing เริ่มมีจำนวนมากขึ้นเรื่อย ๆ แต่ก็ยังคงมีความท้าทายอยู่อีกมากมาย ที่ผ่านมา Quantum Computer ได้รับการพัฒนาออกมาในหลายรูปแบบ ซึ่งแต่ละแบบก็ได้มีการประยุกต์ใช้ Qubits ในลักษณะที่แตกต่างกันออกไป

Quantum AI ทำงานอย่างไร

tensorflow can be used in quantum computing algorithm — ที่มา: Google AI Blog: Announcing TensorFlow Quantum: An Open Source Library for Quantum Machine Learning (googleblog.com)

ล่าสุด Google ได้เปิดตัว TensorFlow Quantum (TFQ) ไปซึ่งเป็นไลบรารี Open-source สำหรับ Quantum Machine Learning โดยเฉพาะ จุดมุ่งหมายหลักของ TFQ คือการให้บริการเครื่องมือที่จำเป็นสำหรับควบคุมและสร้างโมเดล Machine Learning บนระบบควอนตัม โดยมีขั้นตอนในการพัฒนาและฝึกฝนโมเดลเชิงควอนตัมผ่านการใช้งาน TensorFlow Quantum ดังนี้ต่อไปนี้

tensor flow quantum to be illustrated in diagram — ที่มา: In-Depth Guide to Quantum Artificial Intelligence in 2022 (aimultiple.com)

การสร้าง Quantum Dataset: Quantum Data สามารถถูกแสดงในรูปแบบของ Multi-dimensional Array ของตัวเลข ซึ่งจะถูกเรียกว่า Quantum Tensor โดย TensorFlow จะประมวลผล Tensor เหล่านี้เพื่อนำไปใช้สร้างชุดข้อมูลสำหรับการประมวลผลต่อไป
เลือก Quantum Neural Network Models: โมเดลโครงข่ายประสามเทียมเชิงควอนตัมจะถูกเลือกตามโครงสร้างข้อมูล โดยมีวัตถุประสงค์ในการประมวลผลเชิงควอนตัมเพื่อให้ได้มาซึ่งข้อมูลที่ซ่อนอยู่ภายใต้สถานะพัวพัน (Entangled State)
การสุ่มหรือเฉลี่ยผลลัพธ์: การวัดหรืออ่านค่าสถานะเชิงควอนตัม (Quantum State) เป็นการสกัดเพื่อให้ได้มาซึ่งข้อมูลในรูปแบบทั่วไป (Classical Information) โดยวิธีการสุ่มค่าจากการกระจายตัว (Distribution) ของค่าสถานะควอนตัม
ซึ่งไลบรารี TQF ได้มีการสร้าง Method สำหรับเฉลี่ยผลลัพธ์ที่ได้จากการประมวลในขั้นตอนที่ 1 และ 2 หลาย ๆ ครั้งไว้ให้ด้วยเช่นกัน
การประเมินผล Classical Neural Networks Model: เนื่องจากข้อมูลเชิงควอนตัม (Quantum Data) นั้นได้ถูกแปลงเป็นข้อมูลข้อมูลรูปแบบทั่วไปแล้ว (Classical Data) เทคนิค Deep Learning จะถูกใช้ในการเรียนรู้ความสัมพันธ์ระหว่างข้อมูล ณ ขั้นตอนนี้

ขั้นตอนอื่นถัดไปจะเป็นการประเมินค่า Cost Function ผ่านการคำนวณค่า Gradient และ การปรับค่าพารามิเตอร์ต่าง ๆ ซึ่งเป็นขั้นตอนลักษณะเดียวกันกับการทำ Deep Learning รูปแบบทั่วไป เพื่อให้ได้โมเดลที่มีประสิทธิภาพสูงสุดสำหรับการใช้งาน

ความเป็นไปได้ของการประมวลผลเชิงควอนตัมในงานด้าน AI

เป้าหมายขั้นต้นของนักพัฒนาสาย Quantum AI คือการพัฒนาอัลกอริทึมเชิงควอนตัมให้มีประสิทธิภาพเหนือกว่าอัลกอริทึมสำหรับคอมพิวเตอร์แบบดั้งเดิม ตัวอย่างอัลกอริทึมที่มีการพัฒนา ได้แก่

Quantum Algorithm for Learning: การพัฒนาอัลกอริทึมเชิงควอนตัมสำหรับ Classical Learning Model จะสามารถช่วยเพิ่มความเร็วและการปรับปรุงในด้านอื่น ของกระบวนการฝึกฝน Deep Learning นอกจากนี้การประยุกต์ใช้ Quantum Computing สำหรับงาน Machine Learning สามารถทำให้บรรลุผลลัพธ์ในการหาเซ็ตของพารามิเตอร์ที่ดีที่สุด (Optimal Solution) ของ Artificial Neural Network ได้อย่างรวดเร็ว
Quantum Algorithm for Decision Problems: ปัญหาการตัดสินใจแบบคลาสสิกนั้นสามารถสร้างขึ้นในรูปแบบของแผนภูมิต้นไม้ แต่สำหรับปัญหาบางอย่างที่มีความซับซ้อนมาก ทำให้การแตกแขนงของต้นไม้ตัดสินใจแยกเป็นหลายเงื่อนไข ซึ่งจะทำให้ประสิทธิภาพของการค้นหาผลลัพธ์ลดลง อัลกอริทึมเชิงควอนตัมจะสามารถเข้ามาช่วยให้การประมวลผลการตัดสินใจในรูปแบบต้นไม้ตัดสินใจที่มีความซับซ้อนดังกล่าวสามารถทำได้เร็วขึ้น

สรุป

ถึงแม้ว่าเทคโนโลยีทางด้าน AI จะก้าวหน้าอย่างรวดเร็วในช่วงทศวรรษที่ผ่านมา แต่ก็ยังไม่สามารถเอาชนะข้อจำกัดทางเทคโนโลยีหลายอย่างได้ แต่ด้วยคุณลักษณะเฉพาะของการประมวลผลด้วยคอมพิวเตอร์เชิงควอนตัม อุปสรรคต่าง ๆ เพื่อไปถึง Artificial General Intelligence หรือ AI ที่มีความฉลาดที่ใกล้เคียงกับมนุษย์นั้นจะหมดไป เทคโนโลยี Quantum Computing สามารถใช้ในการฝึกฝนโมเดล Machine Learning ได้อย่างรวดเร็วและสามารถสร้าง Optimized Algorithm ผ่านการคำนวณเชิงควอนตัม ทำให้การวิเคราะห์ที่ใช้เวลาหลายปีให้เสร็จภายในเวลาอันสั้น ซึ่งจะนำไปสู่ความก้าวหน้าทางเทคโนโลยีที่เติบโตขึ้นอย่างก้าวกระโดด ด้วยเหตุนี้ Quantum AI จึงเป็นหนึ่งในทางออกที่มีความเป็นไปได้มากที่สุดสำหรับ AI ในยุคหน้า