Изкуственият мозък срещу квантовия компютър: кой ще надделее?

Невронните мрежи са предизвикателство за най-съвременните квантови изчислителни машини.

Квантовите компютри отдавна се разглеждат като предстояща революция, която може да преобрази изцяло много отрасли – от финансите до разработването на лекарства. Особени надежди се възлагаха на използването им във физиката и химията, където се очакваше да получат огромни предимства пред конвенционалните изчислителни технологии.

Докато обаче индустрията се бори с техническите предизвикателства при създаването на работещи квантови системи, друг играч бързо набира скорост в решаването на някои от ключовите проблеми в тези области. Изкуственият интелект, базиран на невронни мрежи, започва активно да се използва във фундаменталните изследвания в областта на физиката, химията и материалознанието. Или по-скоро засега само за моделиране и анализ на данни.

Джузепе Карло, професор по изчислителна физика в Швейцарския федерален технологичен институт, отбелязва впечатляващото нарастване на мащаба и сложността на квантовите системи, които могат да бъдат моделирани с помощта на изкуствен интелект. Наскоро той стана съавтор на статия в Science, която показва, че подходите на невронните мрежи постепенно се превръщат във водеща техника за моделиране на материали с различни квантови свойства. И вече изместват квантовите компютри в редица области.

Освен това Мета представи ИИ модел, обучен върху огромен набор от данни, който зае първото място в класацията на невронните мрежи за намиране на нови перспективни материали. Като се има предвид темпото на напредъка, много изследователи се питат дали ИИ ще успее да реши повечето от перспективните проблеми, преди мощните квантови компютри да станат реалност.

Според Карло компаниите, които инвестират милиарди в квантови технологии, в крайна сметка може да открият, че инвестицията им е била неоправдана.

Едно от основните предимства на квантовите компютри е способността им да извършват определени изчисления много по-бързо от конвенционалните машини. Но реализирането на този потенциал изисква квантови процесори, които са с порядък по-мощни от съществуващите днес. Най-големите устройства досега едва са надхвърлили границата от хиляда кубита, въпреки че вероятно ще са необходими десетки или дори милиони кубити, за да се надминат конвенционалните системи.

В същото време за много квантови алгоритми с очевидни търговски приложения (като търсене в бази данни или оптимизация) предимството на скоростта не е толкова голямо. Нещо повече, проучване, в което участва ръководителят на отдела за квантови изчисления в Microsoft, показа, че теоретичните предимства изчезват напълно, ако се вземе предвид, че квантовият „хардуер“ работи с порядъци по-бавно от съвременните чипове.

Въпреки това има области, в които квантовите ефекти играят ключова роля – също и в химията и материалознанието. Свойствата на много вещества – от протеините до материалите за батерии – се определят от взаимодействието на съставящите ги частици, предимно електрони. Моделирането на тези взаимодействия в компютър може да помогне за прогнозиране на характеристиките на молекулите, което е от решаващо значение за разработването на нови лекарства или по-ефективни батерии.

Въпреки това парадоксалните закони на квантовата механика, по-конкретно явлението заплитане, при което състоянията на отдалечени частици стават неразделни, правят тези взаимодействия изключително трудни за прогнозиране. Точното проследяване на химичните връзки изисква сложни изчисления, които стават експоненциално по-сложни с увеличаването броя на частиците. Ето защо моделирането на големи квантови системи е практически недостижимо за класическите технологии.

Тук квантовите компютри на теория би трябвало да получат предимство. Работейки на същите квантови принципи, те могат да представят квантовите състояния много по-ефективно. Техните специални свойства също се използват за ускоряване на операциите.

Всички квантови системи се различават по своята сложност, която се определя от степента на взаимодействие, или корелация, между частиците.

В системите със силни корелации проследяването на тези взаимодействия бързо се превръща в почти невъзможна задача. Но повечето квантови системи с практическо значение за химията и материалознанието се характеризират със слаби корелации. Това ги прави по-лесни за моделиране, както обяснява професор Джузепе Карло.

Затова е малко вероятно квантовите компютри да получат значителни предимства в тези области. Класическите методи, като например теорията на функционала на плътността (DFT), вече са в състояние точно да симулират слабо корелираните квантови системи. DFT ни дава възможност да разберем ключовите свойства на една система, като знаем само разпределението на нейните електрони в пространството – това значително опростява изчисленията, но все пак дава точни резултати.

През последните години се наблюдава експлозия на изследванията, използващи DFT, за да се натрупат големи масиви от данни за химични съединения. След това тези данни се прилагат за обучение на невронни мрежи, които се учат да прогнозират свойствата на молекулните структури. Подобни модели с изкуствен интелект са с порядъци по-евтини за изпълнение от традиционните DFT изчисления. Освен това е много по-лесно да се разшири размерът на моделираните системи – до 100 000 атома.

Разбира се, основното ограничение тук остава достъпността на данните. Представеният наскоро набор от данни за материали на Meta, състоящ се от 118 милиона DFT изчисления, позволи на модела на невронната мрежа да постигне рекордни резултати. Но изграждането на такъв мащабен набор за обучение изискваше огромни изчислителни ресурси, недостъпни за повечето изследователски групи. Реализирането на пълния потенциал на този подход вероятно ще изисква големи инвестиции.

Но така или иначе най-авангардните невронни мрежи с добре обучен изкуствен интелект вече започнаха в редица области да демонстрират по-добри резултати от квантовите компютри. Интересно ще е да видим какво ще се получи от това противопоставяне – навярно някакви съвсем нови хибридни устройства, съчетаващи най-доброто от двата подхода.