Den mänskliga hjärnan har fantastiska kapaciteter som gör den på många sätt kraftfullare än världens mest avancerade datorer. Så det är inte förvånande att ingenjörer länge har försökt kopiera det. I dag, artificiella neurala nätverk inspirerade av hjärnans struktur används för att ta itu med några av de svåraste problemen inom artificiell intelligens (AI). Men detta tillvägagångssätt involverar vanligtvis att bygga programvara så att information bearbetas på ett liknande sätt som hjärnan, snarare än att skapa hårdvara som efterliknar neuroner.

Mina kollegor och jag hoppas istället kunna bygga den första dedikerade neurala nätverksdatorn, använder den senaste "kvanttekniken" snarare än AI-mjukvara. Genom att kombinera dessa två grenar av datorer, vi hoppas kunna producera ett genombrott som leder till AI som fungerar med oöverträffad hastighet, fattar automatiskt mycket komplexa beslut på mycket kort tid.

Vi behöver mycket mer avancerad AI om vi vill att den ska hjälpa oss att skapa saker som verkligt autonoma självkörande bilar och system för att noggrant hantera trafikflödet i en hel stad i realtid. Många försök att bygga den här typen av programvara involverar att skriva kod som efterliknar hur neuroner i den mänskliga hjärnan fungerar och att kombinera många av dessa artificiella neuroner i ett nätverk. Varje neuron efterliknar en beslutsprocess genom att ta ett antal insignaler och bearbeta dem för att ge en utsignal som motsvarar antingen "ja" eller "nej".

Varje insats viktas efter hur viktig den är för beslutet. Till exempel, för AI som kan tala om för dig vilken restaurang du helst skulle uppskatta att gå till, kvaliteten på maten kan vara viktigare än platsen för bordet som är tillgängligt, så skulle få större vikt i beslutsprocessen.

Dessa vikter justeras i testkörningar för att förbättra nätverkets prestanda, effektivt träna systemet för att fungera bättre. Det var så här Googles AlphaGo-mjukvara lärde sig det komplexa strategispelet Go, spela mot en kopia av sig själv tills den var redo att slå den mänskliga världsmästaren med fyra matcher mot en. Men prestandan för AI-programvaran beror starkt på hur mycket indata den kan tränas på (i fallet med AlphaGo, det var hur ofta den spelade mot sig själv).

Vårt Quromorphic-projekt syftar till att radikalt påskynda denna process och öka mängden indata som kan bearbetas genom att bygga neurala nätverk som fungerar enligt kvantmekanikens principer. Dessa nätverk kommer inte att kodas i programvara, men direkt inbyggd hårdvara gjord av supraledande elektriska kretsar. Vi förväntar oss att detta kommer att göra det lättare att skala upp dem utan fel.

Traditionella datorer lagrar data i enheter som kallas bitar, som kan ta en av två tillstånd, antingen 0 eller 1. Kvantdatorer lagrar data i "qubits", som kan anta många olika tillstånd. Varje extra qubit som läggs till systemet fördubblar dess datorkraft. Det betyder att kvantdatorer kan behandla enorma mängder data parallellt (på samma gång).

Än så länge, endast små kvantdatorer som visar delar av tekniken har framgångsrikt byggts. Motiverad av utsikten till betydligt större processorkraft, många universitet, techjättar och nystartade företag arbetar nu med design. Men ingen har ännu nått ett stadium där de kan överträffa befintliga (icke-kvant)datorer.

Detta beror på att kvantdatorer måste vara mycket väl isolerade från störningar i sin omgivning, som blir svårare och svårare när maskinerna blir större. Till exempel, kvantprocessorer måste hållas i ett vakuum vid en mycket kall temperatur (nära absolut noll) annars kan de påverkas av luftmolekyler som träffar dem. Men processorn måste också vara ansluten till omvärlden på något sätt för att kunna kommunicera.

Mer utrymme för misstag

De tekniska utmaningarna i vårt projekt är mycket lika dem för att bygga en universell kvantdator som kan användas för alla tillämpningar. Men vi hoppas att AI-applikationer kan tolerera fler fel än konventionella datorer och så att maskinen inte behöver vara fullt så väl isolerad.

Till exempel, AI används ofta för att klassificera data, som att bestämma om en bild visar en bil eller en cykel. Det behöver inte helt fånga varje detalj i objektet för att fatta det beslutet. Så även om AI behöver höga datorhastigheter kräver det inte så höga precisionsnivåer. Av denna anledning, vi hoppas att det gör AI till ett idealiskt fält för korttidskvantberäkning.

Vårt projekt kommer att involvera att demonstrera principerna för ett kvantneuralt nätverk. För att använda tekniken till fullo kommer det att innebära att skapa större enheter, en process som kan ta tio år eller mer eftersom många tekniska detaljer måste kontrolleras mycket exakt för att undvika beräkningsfel. Men när vi har visat att kvantneurala nätverk kan vara mer kraftfulla än klassisk AI-programvara i en verklig applikation, det skulle mycket snabbt bli någon av de viktigaste teknikerna som finns.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.