量子運算　能加速機器學習嗎？

編譯／李寓心

在雲端技術的發展及進步下，人們擔心訓練新大型語言和基礎人工智慧模型的運算能力，會隨著模型的擴增，輸出的方式越複雜，使運算需求越高。因此，近期英國量子運算公司Orca與Nvidia合作，研發出一個混合系統，透過量子處理器和標準GPU的使用，加速和改良機器學習的過程，提高量子處理器的輸出質量和加快訓練時間。

根據報導，在該混合系統的幫助下，Nvidia標準的GPU和來自Orca較新的量子處理單位（QPU），可將傳統和量子演算法進行拆分重新組合。對此，Orca公司的機器學習負責人William Clements說道：「其實將QPU視為在學習過程中，能幫助GPU的運作，是一件好事。」一直以來，Orca較專注於圖像生成、技術分析和量子機器學習，為Stable Diffusion和MidJourney等AI繪圖工具，提供所需的模型。這些軟體除了可根據文本提示創作圖像以外，還可用來建立用於醫學的合成圖像，或可在大型圖庫中，尋找環境因素的變化。

Clements補充說道：「我們在生成建模方面，其實就是要了解QPU性能如何擴展，以及會如何影響生成式演算法的性能，所以我們對這種混合方式感到非常興奮，因為它確實能讓我們的模型，擴展到一個相當大的系統，目前我們已經開始進行量子處理器和GPU叢集（Cluster）的展示。Clements提到，目前該公司已經使用光子QPU和8個大型GPU的生成式組合，產生非常高品質的圖像能力。同時，還發現混合的新系統比單獨運行的GPU叢集速度還快，且性能也有大幅度的改善。雖然該系統可以幫助傳統系統的機器學習，提供類似的像素分布，但GPU本身就具有該功能。

實際上，這也意味著QPU可運算出GPU生成中，每個單獨像素的最佳位置，並能自動將GPU與像素進行匹配，讓其自行完成更高畫質圖像的工作，不必擔心生成式模型，產生出不良品。同時這樣的技術，也被利用在晶片上，來放置微小的晶體管，透過最佳化的方式，將大量微小的物品放在其他領域，以凸顯其價值。

資料來源：Techmonitor

瀏覽 634 次