Ein Forschungsprojekt an der Indiana University Bloomington wird vom Center for Quantum Technologies unterstützt, dem einzigen von der National Science Foundation finanzierten Zentrum des Landes, das akademische Forscher mit Technologieunternehmen aus dem privaten Sektor zusammenbringt, um die Quantentechnologie voranzutreiben. Die IU-Forscher in Computerlinguistik und Mathematik an der Fakultät für Künste und Wissenschaften in Bloomington werden im Rahmen des Centers for Quantum Technologies untersuchen, wie die Zeit- und Energiekosten für das Training künstlicher Intelligenz im Verständnis von Sprache erheblich reduziert werden können. Die derzeitige Kostspieligkeit von künstlicher Intelligenz in Bezug auf Zeit, Geld und Energie wird als zentrale Herausforderung betrachtet, die durch die Nutzung von Quantencomputing effizienter bewältigt werden könnte.
Die Forscher arbeiten an der Umwandlung bestehender KI-Algorithmen für die natürliche Sprachverarbeitung von herkömmlichen Softwareumgebungen in Quantenumgebungen. Die Gruppe testet Gleichungen an echter Quantenhardware mithilfe von cloudbasierten Diensten wie der IBM Quantum Platform und Amazons Braket. Sowohl Studenten als auch Professoren arbeiten daran, bestehende Algorithmen anzupassen und neue Möglichkeiten für die Verwendung von Quantencomputern zu erkunden. Es wird erwartet, dass dies zu fortschrittlicheren KI-Systemen führen wird, die in der Lage sind, basierend auf neuen Informationen zu argumentieren und logische Folgen von Handlungen zu planen, ohne dabei Unmengen an Energie zu verbrauchen.
Der Gründer des programms für Computerlinguistik an der IU, Damir Cavar, hat über 20 Jahre damit verbracht, Gleichungen zu erforschen, die erforderlich sind, um Wörter sowie Bilder und Konzepte in “vektorierte Darstellungen” umzuwandeln. Diese Art der Umwandlung erfordert enorme Ressourcen an Zeit und Energie. Durch die Nutzung von Quantencomputern besteht die Möglichkeit, Konzepte auf komplexere Weise darzustellen und eine breitere Instrumentalisierung zur Darstellung von Semantik und Bedeutung zu erhalten. Dies könnte dazu führen, dass KI-Systeme tiefgreifenderes Verständnis und bessere Fehlererkennung bieten.