Технологические компании уже много лет инвестируют миллиарды долларов в развитие квантовых компьютеров, ожидая, что они принесут прорывы в таких областях, как финансы, разработка лекарств и логистика. Особенно высоки ожидания от квантовых вычислений в физике и химии, где могут проявляться уникальные эффекты квантовой механики. Теоретически именно в этих сферах квантовые компьютеры могли бы значительно превосходить классические машины.

Однако, несмотря на огромные усилия в разработке сложного квантового оборудования, появился новый претендент, который уже продвигается в самых перспективных направлениях. Искусственный интеллект (ИИ) активно используется в таких областях, как фундаментальная физика, химия и наука о материалах, ставя под сомнение, смогут ли квантовые компьютеры сохранить своё «доминирующее» положение в этих сферах.

По словам Джузеппе Карлео, профессора вычислительной физики из Федерального технологического института Швейцарии (EPFL), скорость и сложность квантовых систем, которые можно моделировать с помощью ИИ, растут с каждым днем. В недавней статье, опубликованной в журнале Science, он показал, что методы, основанные на нейронных сетях, становятся ведущими для моделирования материалов с сильными квантовыми свойствами.

С учётом стремительных достижений в области ИИ, всё больше ученых задаются вопросом, сможет ли ИИ решить значительную часть самых интересных задач в химии и материаловедении ещё до того, как крупномасштабные квантовые компьютеры станут реальностью.

«Появление этих новых подходов в области машинного обучения — серьёзный удар по потенциалу квантовых компьютеров», — говорит Карлео. «На мой взгляд, компании рано или поздно осознают, что их инвестиции в квантовые технологии не оправданы».

Экспоненциальные задачи, ограничения и применение

Одним из главных обещаний квантовых компьютеров является их способность выполнять вычисления с экспоненциально большей скоростью по сравнению с традиционными машинами. Это достигается благодаря их особенностям в обработке информации, основанным на принципах квантовой механики. Однако для полной реализации этого преимущества потребуется гораздо более мощное квантовое оборудование, чем то, что существует на данный момент.

Сегодня самые большие квантовые устройства содержат тысячи кубитов. Чтобы квантовый компьютер мог эффективно конкурировать с классическими машинами, потребуется оборудование с десятками тысяч, а возможно, и миллионами кубитов. Но даже при нынешних ограничениях, как только появится достаточная мощность, квантовые алгоритмы, такие как алгоритм Шора для взлома криптографических шифров, смогут решать задачи гораздо быстрее, чем классические компьютеры.

Это открывает множество возможностей, особенно в таких сферах, как безопасность данных, где использование квантовых алгоритмов может коренным образом изменить подходы к защите информации.

Джей Гамбетта из IBM утверждает, что основной проблемой квантовых вычислений сегодня является шум — случайные ошибки, возникающие в процессе работы квантовых битов (кубитов). Из-за этого многие квантовые алгоритмы сталкиваются с серьёзными трудностями. Тем не менее, ситуация постепенно улучшается благодаря новым разработкам в области исправления ошибок и повышения стабильности квантовых систем.

Для квантовых алгоритмов, которые могут найти коммерческое применение, таких как поиск в базах данных, оптимизация задач или поддержка ИИ, пока преимущество в скорости остаётся незначительным. Исследования, проведённые Маттиасом Тройером из Microsoft, показывают, что квантовые компьютеры сегодня работают намного медленнее, чем современные классические чипы. Это ограничивает их использование в задачах, требующих быстрых вычислений.

Однако квантовые компьютеры могут быть эффективными в моделировании химических и материаловедческих процессов, где важны квантовые эффекты, так как эти системы работают по законам квантовой механики.

Многие важнейшие процессы в химии и материаловедении, такие как синтез новых материалов или разработка лекарств, зависят от квантовых взаимодействий частиц, особенно их электронов. Квантовые компьютеры могут помочь моделировать эти взаимодействия, что ускорит открытие новых молекул и улучшение существующих материалов.

Однако моделирование квантовых систем — это непростая задача. В таких системах, как молекулы, поведение частиц сложно предсказать из-за явления квантовой запутанности, при котором частицы могут быть связаны на больших расстояниях. Это требует сложных математических методов, которые становятся экспоненциально более трудными с увеличением числа частиц.

Однако не все квантовые системы сложны для моделирования. В слабо коррелированных системах частицы взаимодействуют друг с другом не так сильно, что упрощает задачу моделирования. Большинство химических и материаловедческих процессов имеют слабую корреляцию, и для таких систем уже существуют классические методы, такие как DFT (теория функционала плотности), которые могут давать точные результаты.

Для сильно коррелированных квантовых систем (например, сверхпроводников или ультраточных датчиков) классические методы не могут справиться с моделированием их поведения. Это те системы, где взаимодействие между частицами настолько сильное, что стандартные подходы не могут быть применимы.

Роль искусственного интеллекта в квантовой химии

Совсем недавно искусственный интеллект начал активно использоваться для моделирования химических и биологических систем. Нейронные сети, обученные на данных из DFT, могут предсказывать свойства молекул с гораздо меньшими вычислительными затратами, чем традиционные методы. Это значительно расширяет масштабируемость моделей, позволяя моделировать системы с более чем 100,000 атомами.

Такой подход не только снижает вычислительные затраты, но и открывает новые возможности для химиков и материаловедов. Например, задачи, такие как оптимизация химических реакций или разработка новых материалов для батарей, становятся вполне решаемыми.

Однако, как отмечает Александр Исаев из Университета Карнеги-Меллона, основной проблемой для ИИ остаётся нехватка данных. Для обучения нейронных сетей нужны огромные массивы данных, которые не всегда доступны. Тем не менее, использование ИИ для моделирования химических систем продолжает развиваться.

В 2017 году Джузеппе Карлео и Маттиас Тройер продемонстрировали, что нейронные сети могут быть полезны для моделирования сильно коррелированных квантовых систем. Этот подход аналогичен тому, как ИИ научился играть в шахматы или го, используя только правила игры. Применив этот подход к квантовым системам, нейронные сети могут искать минимальное состояние энергии системы, что помогает понять её свойства.

Этот метод активно используется для моделирования сложных квантовых систем, включая системы с экзотическими свойствами, такими как сверхпроводимость. Преимущество нейронных сетей заключается в их способности сжимать сложную информацию о квантовых состояниях, что делает возможным решение задач, которые раньше казались невозможными.

Тем не менее, как отмечает Стефани Цишек из Университета Оттавы, существуют неопределённости относительно того, какие задачи нейронные сети смогут решать с высокой эффективностью. Например, для некоторых сильно коррелированных систем нейронные сети показывают хорошие результаты, но в других случаях вычислительные затраты неожиданно возрастают.

Будущее квантовых вычислений

Одним из наиболее перспективных направлений для квантовых компьютеров будет моделирование квантовых систем, которые развиваются во времени, что даст ученым новый инструмент для изучения таких областей, как статистическая механика и физика высоких энергий.

Когда квантовые компьютеры станут более мощными и стабильными, они, вероятно, займут важную нишу для решения задач, которые невозможно решить с помощью классических подходов. Однако для большинства текущих задач в химии и материаловедении, скорее всего, продолжат доминировать классические методы и ИИ.

Заключение

В настоящее время искусственный интеллект значительно опережает квантовые компьютеры по скорости и доступности для практических приложений, особенно в химии и материаловедении. ИИ уже активно используется для моделирования сложных систем, предсказания свойств молекул и материалов, благодаря своей способности обрабатывать большие объемы данных. В то время как квантовые компьютеры обладают огромным потенциалом для решения задач, требующих учета квантовых эффектов, они еще нуждаются в значительных разработках, чтобы стать стабильными и масштабируемыми.

В будущем вероятен симбиоз этих технологий: квантовые компьютеры и ИИ будут дополнять друг друга, позволяя решать задачи, которые невозможно решить с помощью одного подхода. В долгосрочной перспективе квантовые вычисления могут занять важную нишу в решении задач, которые сейчас кажутся неразрешимыми для классических методов.

*Данная статья является переводом основных идей. Источник