Достижения в применении искусственного интеллекта к симуляциям в области физики и химии заставляют некоторых задумываться о том, понадобятся ли нам вообще квантовые компьютеры.
Дисклеймер : это вольный перевод статьи издания MIT Technology Review. Перевод подготовила редакция «Технократии». Чтобы не пропустить анонс новых материалов подпишитесь на «Голос Технократии» — мы регулярно рассказываем о новостях про AI, LLM и RAG, а также делимся полезными мастридами и актуальными событиями.
Обсудить пилот или задать вопрос об LLM можно здесь.
Дисклеймер 2: в тексте упоминается компания Meta, которая признана экстремисткой организацией на территории РФ
Технологические компании уже несколько лет вкладывают миллиарды долларов в квантовые компьютеры. Надежда заключается в том, что они станут переломным моментом для столь разнообразных областей, как финансы, разработка лекарств и логистика.
Эти ожидания особенно высоки в физике и химии, где вступают в игру странные эффекты квантовой механики. В теории именно здесь квантовые компьютеры могут обладать огромным преимуществом перед традиционными машинами.
Однако, пока отрасль сталкивается с реальностью сложного квантового оборудования, другой претендент делает успехи в некоторых из самых перспективных областей применения. Искусственный интеллект теперь применяется к фундаментальной физике, химии и материаловедению таким образом, что предполагаемая сфера квантовых вычислений может оказаться не столь безопасной, как считалось ранее.
Масштаб и сложность квантовых систем, которые можно смоделировать с помощью ИИ, быстро растут, говорит Джузеппе Карлео, профессор вычислительной физики Швейцарского федерального технологического института (EPFL). В прошлом месяце он совместно опубликовал статью в журнале Science, в которой показал, что подходы на основе нейронных сетей быстро становятся ведущей техникой для моделирования материалов с сильными квантовыми свойствами. Meta также недавно представила модель ИИ, обученную на огромном новом наборе данных о материалах, которая возглавила таблицу лидеров для подходов машинного обучения в области обнаружения материалов.
Учитывая темпы последних достижений, все больше исследователей задаются вопросом, сможет ли ИИ решить значительную часть самых интересных проблем в химии и материаловедении до того, как станут реальностью крупномасштабные квантовые компьютеры.
«Появление этих новых конкурентов в области машинного обучения серьезно ударяет по потенциальным приложениям квантовых компьютеров», — говорит Карлео. «На мой взгляд, эти компании рано или поздно поймут, что их инвестиции неоправданны».
Экспоненциальные проблемы
Обещание квантовых компьютеров заключается в их способности выполнять определенные вычисления значительно быстрее, чем традиционные компьютеры. Реализация этого обещания потребует гораздо более мощных квантовых процессоров, чем те, что существуют сегодня. Самые большие устройства недавно превысили отметку в тысячу кубитов, но для достижения неоспоримого преимущества над классическими компьютерами, вероятно, потребуются десятки тысяч, а возможно, и миллионы кубитов. Однако как только такое оборудование станет доступным, ряд квантовых алгоритмов, таких как алгоритм Шора для взлома шифрования, смогут решать задачи экспоненциально быстрее, чем классические алгоритмы.
Но для многих квантовых алгоритмов с более очевидными коммерческими приложениями, таких как поиск по базам данных, решение задач оптимизации или поддержка ИИ, преимущество в скорости более скромно. В прошлом году статья, соавтором которой был глава квантовых вычислений Microsoft, Маттиас Тройер, показала, что эти теоретические преимущества исчезают, если учесть, что квантовое оборудование работает на порядки медленнее современных компьютерных чипов. Сложность передачи больших объемов классических данных в квантовый компьютер и из него также является серьезным препятствием.
Таким образом, Тройер и его коллеги пришли к выводу, что квантовые компьютеры следует сосредоточиться на задачах в химии и материаловедении, требующих моделирования систем, где доминируют квантовые эффекты. Компьютер, работающий по тем же квантовым принципам, что и эти системы, в теории должен иметь здесь естественное преимущество. На самом деле, это идея лежит в основе квантовых вычислений с тех пор, как знаменитый физик Ричард Фейнман впервые предложил эту концепцию.
Законы квантовой механики регулируют многие вещи с огромной практической и коммерческой ценностью, такие как белки, лекарства и материалы. Их свойства определяются взаимодействиями составляющих частиц, в частности электронов, и моделирование этих взаимодействий на компьютере должно позволить предсказать, какие характеристики будет иметь молекула. Это может оказаться неоценимым для открытия новых лекарств или более эффективных химий для аккумуляторов, например.
Однако правила квантовой механики, противоречащие интуиции, в частности феномен запутанности, который позволяет квантовым состояниям удаленных частиц становиться взаимосвязанными, могут сделать эти взаимодействия невероятно сложными. Точное отслеживание их требует сложной математики, которая становится экспоненциально сложнее по мере увеличения числа частиц. Это может сделать моделирование больших квантовых систем неосуществимым на классических машинах.
Здесь квантовые компьютеры могли бы проявить себя. Поскольку они также работают на квантовых принципах, они способны представлять квантовые состояния гораздо эффективнее, чем это возможно на классических машинах. Они также могут использовать квантовые эффекты для ускорения своих вычислений.
Но не все квантовые системы одинаковы. Их сложность определяется степенью, с которой их частицы взаимодействуют или коррелируют друг с другом. В системах, где эти взаимодействия сильны, отслеживание всех этих связей может быстро увеличить количество необходимых вычислений для моделирования системы. Но в большинстве систем, представляющих практический интерес для химиков и материаловедов, наблюдается слабая корреляция, говорит Карлео. Это означает, что их частицы не существенно влияют на поведение друг друга, что делает системы гораздо проще для моделирования.
В итоге, говорит Карлео, квантовые компьютеры вряд ли предоставят какое-либо преимущество для большинства задач в химии и материаловедении. Классические инструменты, способные точно моделировать слабо коррелированные системы, уже существуют, самым заметным из которых является теория функционала плотности (DFT). Суть DFT заключается в том, что для понимания ключевых свойств системы достаточно знать ее электронную плотность, меру того, как электроны распределены в пространстве. Это значительно упрощает вычисления, но все еще может давать точные результаты для слабо коррелированных систем.
Моделирование больших систем с использованием этих подходов требует значительной вычислительной мощности. Но в последние годы наблюдается взрыв исследований с использованием DFT для генерации данных о химических веществах, биомолекулах и материалах — данных, которые могут использоваться для обучения нейронных сетей. Эти модели ИИ изучают закономерности в данных, что позволяет им предсказывать, какие свойства, вероятно, будет иметь та или иная химическая структура, при этом они работают на порядки дешевле, чем традиционные расчеты DFT.
Это значительно расширило размер систем, которые можно моделировать — до 100 000 атомов одновременно — и продолжительность симуляций, говорит Александр Ткаченко, профессор физики в Университете Люксембурга. «Это замечательно. Вы действительно можете применять это для почти всей химии», — говорит он.
Александр Исаев, профессор химии в Университете Карнеги-Меллон, отмечает, что эти методы уже широко применяются компаниями в области химии и биологических наук. И для исследователей задачи, ранее недоступные, такие как оптимизация химических реакций, разработка новых материалов для аккумуляторов и понимание связывания белков, наконец становятся решаемыми.
Как и в большинстве приложений ИИ, самым большим узким местом являются данные, говорит Исаев. Недавно выпущенный набор данных материалов от Meta состоял из расчетов DFT для 118 миллионов молекул. Модель, обученная на этих данных, достигла передовых результатов, но создание учебного материала потребовало огромных вычислительных ресурсов, которые недоступны большинству исследовательских команд. Это означает, что для полного раскрытия потенциала этого подхода потребуется значительные инвестиции.
Моделирование слабо коррелированной системы с использованием DFT не является задачей с экспоненциальным ростом, однако. Это позволяет предположить, что при наличии большего объема данных и вычислительных ресурсов классические подходы на основе ИИ смогут смоделировать даже самые большие из этих систем, говорит Ткаченко. Учитывая, что квантовые компьютеры, которые могут составить конкуренцию, вероятно, не будут разработаны в ближайшие десять лет, добавляет он, текущая траектория развития ИИ позволяет ему достичь важных этапов, таких как точное моделирование того, как лекарства связываются с белком, гораздо раньше.
Сильные корреляции
Когда речь идет о моделировании сильно коррелированных квантовых систем — тех, чьи частицы активно взаимодействуют — методы вроде DFT быстро теряют эффективность. Хотя такие системы более экзотичны, они включают материалы с потенциально преобразующими возможностями, такие как высокотемпературная сверхпроводимость или ультраточное сенсорное оборудование. Но даже здесь ИИ делает значительные успехи.
В 2017 году Карлео из EPFL и Тройер из Microsoft опубликовали основополагающую статью в журнале Science, показав, что нейронные сети могут моделировать сильно коррелированные квантовые системы. Этот подход не учится на данных в классическом смысле. Вместо этого, говорит Карлео, он похож на модель AlphaZero от DeepMind, которая освоила игры Го, шахматы и сёги, используя только правила каждой игры и способность играть самостоятельно.
В данном случае правила игры задаются уравнением Шрёдингера, которое может точно описать квантовое состояние системы, или волновую функцию. Модель играет сама против себя, располагая частицы в определенной конфигурации и затем измеряя уровень энергии системы. Цель — достичь конфигурации с самой низкой энергией (известной как основное состояние), которая определяет свойства системы. Модель повторяет этот процесс до тех пор, пока уровни энергии не перестанут падать, что указывает на достижение основного состояния или чего-то близкого к нему.
Сила этих моделей заключается в их способности сжимать информацию, говорит Карлео. "Волновая функция - очень сложный математический объект", - говорит он. "В нескольких работах было показано, что [нейронная сеть] способна передать всю сложность этого объекта таким образом, что с ней может справиться классическая машина".
С момента публикации статьи 2017 года этот подход был расширен на широкий спектр сильно коррелированных систем, говорит Карлео, и результаты были впечатляющими. В статье Science, которую он опубликовал вместе с коллегами в прошлом месяце, ведущие классические методы моделирования проверяются на множестве сложных задач квантового моделирования с целью создания эталона для оценки достижений как классических, так и квантовых подходов.
Карлео утверждает, что методы на основе нейронных сетей сейчас являются лучшим подходом для моделирования многих из самых сложных квантовых систем, которые они тестировали. «Машинное обучение действительно берет на себя лидерство во многих этих задачах», — говорит он.
Эти методы привлекают внимание некоторых крупных игроков технологической индустрии. В августе исследователи из DeepMind показали в статье в журнале Science, что они могут точно моделировать возбужденные состояния в квантовых системах, что в будущем может помочь предсказывать поведение таких устройств, как солнечные батареи, сенсоры и лазеры. Ученые из Microsoft Research также разработали открытый программный пакет, который поможет большему числу исследователей использовать нейронные сети для моделирования.
Одним из главных преимуществ этого подхода является то, что он опирается на огромные инвестиции в программное и аппаратное обеспечение ИИ, говорит Филиппо Висентини, профессор ИИ и физики конденсированного состояния в Политехнической школе во Франции, который также был соавтором статьи о бенчмаркинге в Science: "Возможность использовать подобные технологические достижения дает нам огромное преимущество".
Существует оговорка: поскольку основные состояния фактически находятся методом проб и ошибок, а не явных расчетов, они являются лишь приближениями. Но именно поэтому этот подход может продвинуться в решении задачи, которая казалась неразрешимой, говорит Хуан Карраскилья, исследователь ETH Цюриха и еще один соавтор статьи о бенчмаркинге в Science.
Если вы хотите точно отслеживать все взаимодействия в сильно коррелированной системе, количество необходимых расчетов растет экспоненциально с размером системы. Но если вас устраивает ответ, который просто достаточно хорош, существует множество возможностей для сокращения времени.
"Возможно, нет никакой надежды на то, что мы сможем точно уловить его", - говорит Карраскилла. "Но есть надежда получить достаточно информации, чтобы охватить все аспекты, которые волнуют физиков. И если мы это сделаем, то решение будет практически неотличимо от истинного".
И хотя сильно коррелированные системы обычно слишком сложны для классического моделирования, существуют известные примеры, когда это не так. К ним относятся некоторые системы, имеющие отношение к моделированию сверхпроводников высокой температуры, согласно статье 2023 года в Nature Communications.
«Из-за экспоненциальной сложности всегда можно найти задачи, для которых невозможно найти обходной путь», — говорит Фрэнк Ное, руководитель исследований в Microsoft Research, который возглавлял большую часть работ компании в этой области. «Но, я думаю, количество систем, для которых нельзя найти хороший обходной путь, просто станет намного меньше».
Не существует серебряной пули
Однако Стефани Цишек, доцент физики в Университете Оттавы, говорит, что бывает трудно предсказать, какие задачи нейронные сети могут реально решить. Для некоторых сложных систем они работают невероятно хорошо, но для других, на первый взгляд простых, вычислительные затраты неожиданно растут. «Мы действительно не знаем их ограничений», — говорит она. «Пока никто не знает, какие условия делают системы трудными для представления с помощью этих нейронных сетей».
Между тем, в других классических методах квантового моделирования также достигнуты значительные успехи, говорит Антуан Жорж, директор Центра вычислительной квантовой физики в Институте Флетайрон в Нью-Йорке, который также участвовал в недавней статье о бенчмаркинге в Science. «Все они успешны сами по себе и очень дополняют друг друга», — говорит он. «Поэтому я не думаю, что методы машинного обучения полностью вытеснят все остальные методы».
Квантовые компьютеры также найдут свою нишу, говорит Мартин Рёттелер, старший директор по квантовым решениям в IonQ, компании, разрабатывающей квантовые компьютеры на основе ионов. Хотя он согласен с тем, что классические подходы, вероятно, будут достаточны для моделирования слабо коррелированных систем, он уверен, что некоторые крупные, сильно коррелированные системы будут вне их досягаемости. «Экспоненциальная сложность вас настигнет», — говорит он. «Есть случаи с сильно коррелированными системами, которые мы не можем обработать классически. Я твердо убежден, что это так».
По его словам, будущий отказоустойчивый квантовый компьютер с гораздо большим количеством кубитов, чем современные устройства, сможет моделировать такие системы. Это может помочь найти новые катализаторы или улучшить понимание метаболических процессов в организме - область, представляющая интерес для фармацевтической промышленности.
Нейронные сети, вероятно, расширят спектр решаемых задач, говорит Джей Гамбетта, возглавляющий усилия IBM в области квантовых вычислений, но он не уверен, что они решат самые сложные задачи, представляющие интерес для бизнеса.
"Именно поэтому многие компании, для которых химия является основным требованием, до сих пор изучают квантовые методы - потому что они точно знают, где эти приближенные методы дают сбои", - говорит он.
Гамбетта также отвергает идею о том, что эти технологии являются соперниками. Он говорит, что будущее вычислений, вероятно, будет включать гибрид обоих подходов, с квантовыми и классическими подпрограммами, работающими вместе для решения задач. «Я не думаю, что они находятся в конкуренции. Я думаю, что они на самом деле дополняют друг друга», — говорит он.
Но Скотт Ааронсон, директор Центра квантовой информации в Техасском университете, говорит, что методы машинного обучения непосредственно конкурируют с квантовыми компьютерами в таких областях, как квантовая химия и физика конденсированной материи. Он прогнозирует, что сочетание машинного обучения и квантовых симуляций превзойдет чисто классические подходы во многих случаях, но это станет ясно только после появления больших, более надежных квантовых компьютеров.
«С самого начала я рассматривал квантовые вычисления прежде всего как научный поиск, а любые промышленные применения как вишенку на торте», — говорит он. «Поэтому, если квантовая симуляция окажется лучше классического машинного обучения только изредка, я не буду так сильно расстроен, как некоторые из моих коллег».
Одной из областей, где квантовые компьютеры, по мнению Карлео из EPFL, вероятно, будут иметь явное преимущество, является моделирование того, как сложные квантовые системы эволюционируют во времени. Это может предоставить неоценимые инсайты для ученых в таких областях, как статистическая механика и физика высоких энергий, но, по-видимому, в ближайшее время это вряд ли приведет к практическим применениям. «Это более нишевые приложения, которые, на мой взгляд, не оправдывают огромных инвестиций и шумихи», — добавляет Карлео.
Тем не менее, эксперты, с которыми беседовал MIT Technology Review, отметили, что отсутствие коммерческих приложений не является причиной прекращать разработку квантовых вычислений, которые могут привести к фундаментальным научным прорывам в долгосрочной перспективе.
«Наука похожа на набор вложенных коробок — вы решаете одну проблему и находите пять других», — говорит Вичентини. «Сложность изучаемых нами вещей будет расти со временем, поэтому нам всегда будут нужны более мощные инструменты».
Автор: technokratiya