在过去几年中，人工智能（AI）与量子运算的结合已经从理论探讨转向实际研究和早期商业应用。如今，专业人士在高性能计算（HPC）、超级运算、AI及相关技术领域中，能够观察到由混合架构、量子机器学习技术和新型软件工具驱动的真实案例。
例如，制药和材料科学研究人员正在利用量子机器学习（QML）模拟分子互动，这是传统系统难以计算的。微软的Azure Quantum Elements结合了AI、高性能计算和量子硬件，使科学家能够筛选数以千万计的电池材料候选者，并使用两个逻辑量子位和传统计算资源解决催化化学任务。在澳洲，研究人员使用新型的量子核对齐回归器来建模半导体设备中的欧姆接触电阻，并在小型噪声数据集上超越了七个传统AI模型。
在供应链、电网规模能源和量子中心超级运算方面1号配资，量子AI混合优化正在物流和能源管理中获得关注。DHL和马士基等公司正在探索通过与AI预测系统集成的量子近似优划算法（QAOA）来优化路径、调度和库存管理。电力运营商如EDF和Enel，也在实验利用AI预测和量子增强优化层进行分布式可再生能源的即时电网平衡。
在金融、风险和物流优化方面，全球银行和保险公司正在应用量子增强AI进行蒙特卡罗风险模拟、投资组合优化和诈骗检测。摩根大通、BBVA和高盛等公司已经部署了混合电路，如量子近似优划算法（QAOA）和量子支持矢量机，以在高维金融问题中获得运算优势。
量子纠缠为量子网络的基础，显示了两个粒子如何在任何距离上保持联系，瞬间共享量子状态。这一原理不仅是理论，还形成了新兴量子通信和分布式量子处理的基础。对于AI驱动的工作负载，纠缠最终可能允许多个量子处理器在远程协同工作，作为一个安全且大规模并行的系统。
在软件层面，AI正在改变量子电路的编译和优化方式。强化学习代理被用来发现量子位映射策略，以最小化路由操作的开销，导致更短且更高效的电路。图神经网络则通过根据量子设备的实际噪声条件和硬件连接性调整编译选择，确保电路在实践中更可靠地运行。
随着商业努力的加速，英国的Phasecraft公司在今年筹集了3,400万美元，以推进其针对化学、材料科学、能源和制药应用的量子软件堆栈。Quantinuum则发布了Guppy，一种嵌入Python的量子中心语言，降低了混合AI-量子编程的门槛，让开发者在实际硬件上部署之前能够调试和测试量子AI工作流。
从分子模拟到编译器自动化，这些例子显示AI已经在噪声中间规模量子（NISQ）设备上提供了价值。混合运算是关键，传统AI和HPC管理大型数据集和训练，而量子电路则处理高维抽样和优化等任务。随着容错量子系统的临近，Google、微软、IBM和Quantinuum等公司正在朝着全面部署的方向迈进，并得到开源框架如TensorFlow Quantum、Qiskit和Guppy的支持。AI增强的量子时代已在实验室和早期生产系统中展开，对于HPC和超级运算专业人士而言，未来的道路在于设计混合工作流、发展量子意识技能，并针对与量子AI优势相符的领域挑战。
（首图来源：shutterstock）1号配资
长富配资提示：文章来自网络，不代表本站观点。
相关文章
沪深京指数
热点资讯
