Uczenie maszynowe kwantowe: oprogramowanie AutoQML ułatwia zastosowania przemysłowe

Rozpoznawanie obrazów podczas cięcia laserowego jako konkretny przykład zastosowania algorytmów kwantowego uczenia maszynowego. © Grupa Trumpf

Zespół autoQML podczas spotkania projektowego 2023. © Fraunhofer IAO

W ramach wspólnego projektu AutoQML instytuty Fraunhofer IAO i IPA wraz z siedmioma partnerami przemysłowymi opracowały oprogramowanie o tej samej nazwie. Oprogramowanie open-source AutoQML łączy obliczenia kwantowe i uczenie maszynowe. W ten sposób algorytmy kwantowego uczenia maszynowego stają się dostępne bez głębokiej wiedzy fachowej.

Jak firmy mogą wykorzystać potencjał cyfryzacji i pozostać konkurencyjne? Wykorzystanie technologii takich jak sztuczna inteligencja może pomóc w jak najpełniejszym korzystaniu z cyfrowej transformacji. Szczególnie uczenie maszynowe (ML) odgrywa już dużą rolę w strategii cyfryzacji wielu przedsiębiorstw i umożliwia między innymi bardziej efektywne procesy oraz nowe modele biznesowe. Jednak często brakuje wykwalifikowanych pracowników. Implementacja rozwiązań ML wiąże się dotąd często z dużym nakładem pracy. Od pozyskiwania danych, przez wybór odpowiednich algorytmów, aż po optymalizację treningu, konieczna jest szczegółowa wiedza fachowa z zakresu ML.

Podejście automatycznego uczenia maszynowego (AutoML) przeciwdziała tym wyzwaniom i ułatwia wykorzystanie sztucznej inteligencji. W szczególności automatyzuje się wybór konkretnych algorytmów ML. Użytkownicy i użytkowniczki muszą więc znać się mniej na ML i mogą skupić się bardziej na swoich właściwych procesach.

W tym kontekście innowacja obliczeń kwantowych obiecuje ustanowienie nowych rozwiązań, które znacząco poprawią podejście AutoML. Ponadto obliczenia kwantowe oferują często niezbędną moc obliczeniową dla AutoML.

Nowe podejście: obliczenia kwantowe podnoszą uczenie maszynowe na nowy poziom

Wspólny projekt „AutoQML” rozpoczął od tej innowacji i osiągnął dwa główne cele: po pierwsze, opracowano nowe podejście AutoQML. Rozszerza ono zasadę AutoML o nowo opracowane algorytmy kwantowe ML. Po drugie, obliczenia kwantowe podnoszą podejście AutoML na nowy poziom, ponieważ niektóre problemy można rozwiązać efektywniej i bardziej zrównoważenie przy użyciu obliczeń kwantowych niż konwencjonalnych algorytmów.

Pod kierownictwem Instytutu Fraunhofera ds. Gospodarki i Organizacji IAO opracowane oprogramowanie open-source AutoQML umożliwia obecnie programistom i programistkom łatwiejszy dostęp do konwencjonalnych i kwantowych algorytmów ML. Opracowane komponenty i metody kwantowe ML zostały zebrane w formie zestawu narzędzi i udostępnione zespołom deweloperskim. To umożliwia użytkownikom i użytkowniczkom stosowanie uczenia maszynowego i kwantowego uczenia maszynowego oraz rozwijanie zautomatyzowanych hybrydowych rozwiązań całościowych.

Oprócz Instytutu Fraunhofera ds. Technologii Produkcji i Automatyzacji IPA, w projekcie uczestniczyły firmy GFT Integrated Systems, USU GmbH, IAV GmbH Ingenieursgesellschaft Auto und Verkehr, KEB Automation KG, Trumpf oraz Zeppelin GmbH. Opracowane rozwiązania były testowane na konkretnych przypadkach zastosowań z branży motoryzacyjnej i produkcyjnej.

Studium benchmarkingowe pokazuje potencjał AutoQML

W końcowym studium benchmarkingowym konsorcjum projektowe porównało swoje oprogramowanie open-source AutoQML z najlepszymi znanymi metodami klasycznymi i kwantowymi. Kluczowym wynikiem badania jest to, że zautomatyzowane rozwiązania oprogramowania AutoQML wypadają co najmniej tak samo dobrze jak najlepsze ręcznie wybrane metody klasyczne i kwantowe. To daje programistom i programistkom możliwość eksperymentowania z własnymi przypadkami zastosowań.

Za pomocą tego oprogramowania open-source zrobiono ważny krok w kierunku szerszego zastosowania kwantowego uczenia maszynowego w przemyśle, co może trwale zwiększyć konkurencyjność i innowacyjność firm.

Kontynuowana popularyzacja rynkowa przez partnerów przemysłowych wspiera transfer wysokich technologii badawczych do szerokiego otoczenia przemysłowego i ma na celu znaczące wzmocnienie lokalizacji przemysłowej Niemiec. Wyniki naukowe z projektu zostały przedstawione w kilku publikacjach. Projekt był finansowany przez Federalne Ministerstwo Gospodarki i Klimatu (BMWK) na okres trzech lat.