یک شرکت مستقر در بریتانیا اولین مدل زبان کوانتومی بزرگ (QLLM) را راهاندازی کرده است. QLLM که توسط SECQAI توسعه یافته است، ادعا می شود که می تواند آینده هوش مصنوعی را شکل دهد. این شرکت محاسبات کوانتوم را در مدلهای سنتی هوش مصنوعی ادغام کرد تا کارایی و حل مسئله را بهبود بخشد.
بر اساس یک گزارش، توسعه شامل ایجاد یک شبیه ساز کوانتوم داخلی با یادگیری مبتنی بر گرادیان و مکانیزم توجه کوانتومی است.
گام مهم
این شرکت سختافزار و نرمافزار فوقایمن معتقد است که این راهاندازی با ادغام محاسبات کوانتومی در ساختار سنتی مدلهای زبان بزرگ برای افزایش کارایی محاسباتی، قابلیتهای حل مسئله و درک زبانی، گام مهمی در استفاده از هوش مصنوعی است.
راهول تیاگی، مدیرعامل و موسس SECQAI گفت: “با راه اندازی اولین کوانتوم LLM در جهان، ما وارد عصر جدیدی می شویم که در آن هوش مصنوعی می تواند از مکانیک کوانتومی برای بهبود نتایج استفاده کند.
این یک گام فوقالعاده هیجانانگیز برای یادگیری ماشین کوانتومی است و این پتانسیل را دارد که چندین صنعت را متحول کند. در طول این سال مهم بین المللی علم و فناوری کوانتمی، ما به بررسی همپوشانی بین دنیای هوش مصنوعی و محاسبات کوانتومی برای پیشبرد این موارد استفاده ادامه خواهیم داد.”
تست بتا خصوصی
Quantum Insider گزارش داد که این فناوری در فوریه 2025 وارد آزمایش بتا خصوصی با شرکای منتخب خواهد شد و نقطه عطف مهمی در یادگیری ماشین کوانتو می خواهد بود.
SECQAI نشان داد که تیم آنها بر موانع عظیم مورد نیاز برای توسعه یک سیستم داخلی که می تواند به طور موثر یک کامپیوتر کوانتومی را شبیه سازی کند، از یادگیری مبتنی بر گرادیان پشتیبانی کند و در این محیط، یک مکانیسم توجه کوانتمی را توسعه دهد و آن را در مدل های LLM موجود بسازد، غلبه کرد.
این ترانسفورماتور و شبیه ساز کوانتومی کاربردهای گسترده گسترده ای دارند، از نوآوری در طراحی نیمه هادی در اندازه ترانزیستور کوچک گرفته تا شناسایی الگوهای پنهان در استانداردهای رمزگذاری موجود، توسعه ساختارهای مواد جدید و کشف داروهای جدید در سراسر داروها. بر اساس یک بیانیه مطبوعاتی، این فناوری در روزهای اولیه خود نویدبخش بود.
مدل زبان بزرگ کوانتومی
گزارشها نشان میدهند که QLLM میتواند به طور موثر شبیهسازیهای پیچیده را برای بهینهسازی طرحبندیهای نیمهرسانا انجام دهد. این الگوهای پنهان در رمزگذاری را آشکار می کند و پروتکل های امنیتی را افزایش می دهد. همچنین می تواند با مدل سازی فعل و انفعالات مولکولی با دقت بیشتر به طراحی دارو کمک کند.
ارزیابی ریسک و کشف تقلب می تواند با استفاده از آن در بخش مالی به طور قابل توجهی افزایش یابد. همچنین میتواند به بهبود تصمیمگیری بلادرنگ در رباتیک از طریق روشهای پیشرفته حل مسئله کمک کند. با این حال، محدودیتهایی وجود دارد، زیرا همه سازمانها نمیتوانند زیرساختهای کوانتمی لازم را بپردازند و این مدل ممکن است به مقادیر زیادی داده برای عملکرد بهینه نیاز داشته باشد که به دست آوردن آن میتواند چالش برانگیز باشد.
این شرکت فاش کرد که در طول سال گذشته، یک تیم متخصص از مهندسان برای پیش بردن مرزهای این نسل بعدی از محاسبات شتاب داده شده اند. این تیم بر چالشهای پیرامون ساخت یک QLLM و رویکردهای یادگیری ماشین کوانتومی متمرکز شد.