ИИ против квантовых компьютеров

ИИ против квантовых компьютеров

Годами миллиарды долларов вливались в квантовые компьютеры. Их главная цель — создать машину, способную моделировать сложнейшие процессы на уровне квантовой механики, что сулило революцию в фармацевтике, создании новых материалов и логистике.

Считалось, что только компьютер, работающий на тех же квантовых принципах, сможет справиться с этой задачей.

Однако пока квантовое железо борется с физическими ограничениями, на это поле вышел мощный игрок — искусственный интеллект, работающий на классических суперкомпьютерах.

Реальность квантового преимущества

Прежде чем говорить о наступлении ИИ, стоит признать: первоначальный оптимизм в отношении квантовых компьютеров столкнулся с реальностью. В работе 2023 года глава квантового подразделения Microsoft Маттиас Тройер показал, что для многих задач (поиск по БД, оптимизация) теоретическое преимущество квантовых алгоритмов исчезает, если учесть реальную, на порядки более низкую скорость работы кубитов по сравнению с современными чипами.

Добавьте к этому проблему медленной загрузки и выгрузки данных, и станет ясно: единственной «родной» территорией для квантовых машин остаются задачи симуляции самих квантовых систем. Но именно здесь ИИ на сцену выходит ИИ.

Поле битвы №1: Слабокоррелированные системы

Это подавляющее большинство практически важных для химии и промышленности материалов и молекул, в которых взаимодействие между частицами относительно невелико.

Классический подход: Теория функционала плотности (DFT) — отраслевой стандарт, который позволяет просчитывать свойства таких систем, отталкиваясь от распределения плотности их электронов. Метод точный, но требовательный к ресурсам.

Подход с ИИ: Вместо прямого расчёта по DFT, исследователи обучают нейросети на огромных массивах уже готовых DFT-данных. В результате ИИ учится видеть закономерности и предсказывать свойства новых молекул на порядки быстрее и дешевле. Эти методы уже сегодня широко применяются в химической и медико-биологической отраслях.

Пример: Недавно Meta (запрещена в РФ) представила модель, обученную на датасете из 118 миллионов молекул, которая сразу же заняла лидирующие позиции в бенчмарках по открытию новых материалов.

Поле битвы №2: Сильнокоррелированные системы

Это и есть тот самый «священный грааль» — экзотические материалы (например, высокотемпературные сверхпроводники), где взаимодействия частиц настолько сильны, что сложность их расчёта растёт экспоненциально. Это считалось эксклюзивной задачей для квантовых компьютеров.

Новый подход с ИИ: Здесь используется принципиально иной метод, похожий на самообучение AlphaZero. Нейросеть не использует данные для тренировки. Зная лишь правила игры — фундаментальное уравнение Шрёдингера, — она итеративно «играет сама с собой», подбирая конфигурацию частиц, чтобы найти состояние системы с наименьшей энергией, которое и определяет её свойства.

Философия «достаточно хорошего» решения: Как отмечает исследователь Хуан Карраскилья, цель — не найти математически точное решение, а «захватить достаточно информации, чтобы отразить все аспекты, которые волнуют физиков». Такое решение с практической точки зрения неотличимо от истинного.

Практическое преимущество: Этот подход опирается на уже существующую и постоянно развивающуюся инфраструктуру для ИИ, что даёт ему «огромное преимущество», как утверждает профессор Филиппо Вичентини из Политехнической школы в Париже.

Контраргументы

Разумеется, не всё так однозначно™. У ИИ-подхода есть свои ограничения: исследователи признают, что пока не до конца понимают, почему для одних задач нейросети работают блестяще, а для других, на вид простых, их вычислительная стоимость неожиданно взлетает.

Представители квантовой индустрии, такие как Мартин Реттелер из IonQ, уверены: для самых сложных и больших систем «экспонента всё равно вас догонит», и классические методы, даже с ИИ, достигнут своего предела.

/ Не запрещена в РФ