Андалусія
Барселона та Каталонія
Валенсія та Аліканте
Канарські острови
Мадрид
МурсіяКвантові схеми на допомогу штучному інтелекту
Дослідники знайшли спосіб збільшити потужність великих мовних моделей штучного інтелекту за допомогою квантових схем, що дозволяє зменшити вимоги до пам'яті та енергії. Новий підхід продемонстровано на реальному квантовому процесорі IBM.
Що сталося
Дослідники з компанії Multiverse Computing та інших установ продемонстрували новий підхід до збільшення потужності великих мовних моделей штучного інтелекту за допомогою квантових схем. Вони вставили квантовий модуль у вже існуючу мовну модель LLaMA 3.1 8B, що містить 8 мільярдів параметрів, і отримали покращення продуктивності без збільшення вимог до пам'яті та енергії.
Подробиці
Дослідники використали квантовий модуль, який називається адаптером unitary de Cayley (CUA), що складається лише з 6 тисяч параметрів. Цей модуль діє як співпроцесор для певного типу математичної операції, що використовується в мовних моделях. Завдяки своїм властивостям, CUA дозволяє зменшити вимоги до пам'яті та енергії, необхідних для виконання цих операцій. У дослідженні було використано реальний квантовий процесор IBM для демонстрації працездатності нового підходу.
Подробиці
Результати дослідження показують, що додавання квантового модуля CUA до мовної моделі дозволяє покращити її продуктивність без збільшення вимог до пам'яті та енергії. Це досягається за рахунок використання квантових властивостей, що дозволяють виконувати певні математичні операції більш ефективно. Дослідники вважають, що цей підхід може бути корисним для розвитку штучного інтелекту, оскільки він дозволяє збільшити потужність мовних моделей без збільшення вимог до ресурсів.
Що це означає
Це відкриття має велике значення для розвитку штучного інтелекту в Іспанії та світі. Великі мовні моделі використовуються в багатьох сферах, від автоматичного перекладу до створення контенту. Завдяки новому підходу, ці моделі можуть стати більш потужними та ефективними, що відкриває нові можливості для їх застосування. Крім того, цей підхід може допомогти зменшити енергоспоживання та вимоги до пам'яті, що є важливим для зменшення впливу на навколишнє середовище.