Οι τεχνολογικές εταιρείες διοχετεύουν δισεκατομμύρια δολάρια στην ανάπτυξη κβαντικών υπολογιστών εδώ και χρόνια, με την ελπίδα ότι θα αλλάξουν δραστικά το τοπίο σε τομείς τόσο διαφορετικούς όπως τα χρηματοοικονομικά, η ανακάλυψη νέων φαρμάκων και η εφοδιαστική αλυσίδα. Οι προσδοκίες είναι ιδιαίτερα υψηλές στον τομέα της φυσικής και της χημείας, με τις ιδιότητες της κβαντικής μηχανικής να προσφέρουν θεωρητικά στους κβαντικούς υπολογιστές τεράστιο πλεονέκτημα σε σχέση με τους συμβατικούς υπολογιστές.
Σήμερα ένας νέος αντίπαλος αρχίζει να σημειώνει πρόοδο σε μερικές από τις πιο υποσχόμενες εφαρμογές της. Η τεχνητή νοημοσύνη (AI) εφαρμόζεται πλέον στη φυσική, τη χημεία και την επιστήμη των υλικών με τέτοιο τρόπο που υποδηλώνει πως τα «προνομιακά πεδία» της κβαντικής υπολογιστικής ενδέχεται να μην είναι τόσο προνομιακά. Η κλίμακα και η πολυπλοκότητα των κβαντικών συστημάτων που μπορούν να προσομοιωθούν με τη βοήθεια της AI αυξάνονται ραγδαία, όπως αναφέρει ο Τζουζέπε Καρλέο, καθηγητής υπολογιστικής φυσικής στο Ομοσπονδιακό Ινστιτούτο Τεχνολογίας της Ελβετίας (EPFL). Παράλληλα, η Meta παρουσίασε πρόσφατα ένα μοντέλο AI, εκπαιδευμένο σε ένα νέο τεράστιο σύνολο δεδομένων υλικών κι ανέβηκε στην κορυφή μιας λίστας κατατάξεων για προσεγγίσεις ανακάλυψης υλικών με μηχανική μάθηση.
Με τον ρυθμό των πρόσφατων προόδων, ένας αυξανόμενος αριθμός ερευνητών θέτει πλέον το ερώτημα εάν η τεχνητή νοημοσύνη (AI) θα μπορούσε να λύσει ένα σημαντικό μέρος των πιο ενδιαφερόντων προβλημάτων στη χημεία και την επιστήμη των υλικών προτού οι κβαντικοί υπολογιστές μεγάλης κλίμακας γίνουν πραγματικότητα.
«Η ύπαρξη αυτών των νέων ανταγωνιστών στη μηχανική μάθηση αποτελεί σοβαρό πλήγμα για τις δυνητικές εφαρμογές των κβαντικών υπολογιστών», αναφέρει ο Καρλέο.
Η υπόσχεση των κβαντικών υπολογιστών βασίζεται στην ικανότητά τους να εκτελούν ορισμένους υπολογισμούς πολύ πιο γρήγορα από τους συμβατικούς υπολογιστές. Για να υλοποιηθεί αυτή η υπόσχεση θα χρειαστούν πολύ μεγαλύτεροι κβαντικοί επεξεργαστές από αυτούς που έχουμε σήμερα. Μία μελέτη που συνυπέγραψε ο επικεφαλής κβαντικής υπολογιστικής της Microsoft, Ματίας Τρόγιερ έδειξε ότι αυτά τα θεωρητικά πλεονεκτήματα εξαφανίζονται αν ληφθεί υπόψη το γεγονός ότι το κβαντικό υλικό λειτουργεί κατά τάξεις μεγέθους πιο αργά από τα σύγχρονα τσιπ υπολογιστών. Η δυσκολία εισαγωγής και εξαγωγής μεγάλων ποσοτήτων κλασικών δεδομένων σε και από έναν κβαντικό υπολογιστή αποτελεί επίσης ένα μεγάλο εμπόδιο.
Αρκετοί επιστήμονες κατέληξαν στο συμπέρασμα ότι οι κβαντικοί υπολογιστές θα πρέπει να επικεντρωθούν σε προβλήματα χημείας και επιστήμης υλικών που απαιτούν προσομοίωση συστημάτων όπου κυριαρχούν τα κβαντικά φαινόμενα. Οι κανόνες της κβαντικής μηχανικής διέπουν πολλά πράγματα με τεράστια πρακτική και εμπορική αξία, όπως οι πρωτεΐνες, τα φάρμακα και τα υλικά. Αυτό θα μπορούσε να αποδειχθεί πολύτιμο για την ανακάλυψη πραγμάτων όπως νέα φάρμακα ή πιο αποδοτικές χημικές ενώσεις για μπαταρίες.
Το 2017, οι Καρλέο και Τρόγιερ της Microsoft δημοσίευσαν ένα σημαντικό άρθρο στο Science που δείχνει ότι τα νευρωνικά δίκτυα θα μπορούσαν να μοντελοποιήσουν ισχυρά συσχετισμένα κβαντικά συστήματα. Η προσέγγιση δεν μαθαίνει από δεδομένα με την κλασική έννοια. Αντίθετα, λέει ο Καρλέο, είναι παρόμοια με το μοντέλο AlphaZero της DeepMind που κατέκτησαν τα παιχνίδια Go, σκάκι και shogi χρησιμοποιώντας μόνο τους κανόνες του κάθε παιχνιδιού.
Το μοντέλο «παίζει» μόνο του, διατάσσοντας τα σωματίδια σε μια συγκεκριμένη διάταξη και κατόπιν μετρώντας το ενεργειακό επίπεδο του συστήματος. Ο στόχος είναι να επιτευχθεί η χαμηλότερη ενεργειακή διάταξη (γνωστή ως θεμελιώδης κατάσταση), η οποία καθορίζει τις ιδιότητες του συστήματος. Το μοντέλο επαναλαμβάνει αυτήν τη διαδικασία μέχρι τα ενεργειακά επίπεδα να σταματήσουν να μειώνονται, δείχνοντας ότι έχει φτάσει στη θεμελιώδη κατάσταση ή σε κάτι πολύ κοντά σε αυτή.
«Η δύναμη αυτών των μοντέλων είναι η ικανότητά τους να συμπιέζουν πληροφορίες», λέει ο Καρλέο. «Η κυματο-συνάρτηση αυτής της μορφής είναι ένα πολύ περίπλοκο μαθηματικό αντικείμενο», αναφέρει. Από το 2017, αυτή η προσέγγιση έχει επεκταθεί σε ένα ευρύ φάσμα ισχυρά συσχετισμένων συστημάτων και τα αποτελέσματα είναι εντυπωσιακά. Το άρθρο στο Science που δημοσίευσε με τους συνεργάτες του τον περασμένο μήνα έθεσε κορυφαίες τεχνικές κλασικής προσομοίωσης σε δοκιμή σε μια ποικιλία δύσκολων κβαντικών προσομοιώσεων, με στόχο τη δημιουργία ενός σημείου αναφοράς για την αξιολόγηση των εξελίξεων τόσο σε κλασικές όσο και σε κβαντικές προσεγγίσεις.
Ο Καρλέο αναφέρει ότι οι τεχνικές που βασίζονται σε νευρωνικά δίκτυα αποτελούν πλέον την καλύτερη προσέγγιση για την προσομοίωση πολλών από τα πιο περίπλοκα κβαντικά συστήματα που έχουν δοκιμάσει. «Η μηχανική μάθηση πραγματικά παίρνει τα ηνία σε πολλά από αυτά τα προβλήματα».
Αυτές οι τεχνικές έχουν τραβήξει την προσοχή μεγάλων εταιρειών τεχνολογίας. Τον Αύγουστο, ερευνητές της DeepMind έδειξαν σε άρθρο στο Science ότι μπορούν να μοντελοποιήσουν με ακρίβεια τις διεγερμένες καταστάσεις σε κβαντικά συστήματα, κάτι που θα μπορούσε κάποια μέρα να βοηθήσει στην πρόβλεψη της συμπεριφοράς υλικών όπως τα ηλιακά κύτταρα, οι αισθητήρες και τα λέιζερ. Επιστήμονες από το Microsoft Research ανέπτυξαν επίσης ένα πακέτο λογισμικού ανοικτού κώδικα για να βοηθήσουν περισσότερους ερευνητές να χρησιμοποιούν νευρωνικά δίκτυα για προσομοίωση.
Ωστόσο, η Στέφανι Τσίζεκ, επίκουρη καθηγήτρια φυσικής στο Πανεπιστήμιο της Οτάβα, λέει ότι είναι δύσκολο να προβλεφθεί ποια προβλήματα μπορούν να λύσουν τα νευρωνικά δίκτυα. Για κάποια σύνθετα συστήματα αποδίδουν εξαιρετικά καλά, αλλά σε άλλα, φαινομενικά απλούστερα οι υπολογιστικές απαιτήσεις αυξάνονται απροσδόκητα. Μία άλλη προσέγγιση θέλει τα νευρωνικά δίκτυα πιθανότατα να διευρύνουν το φάσμα των προβλημάτων που μπορούν να λυθούν, όπως λέει ο Τζέι Γκαμπέτα, επικεφαλής των προσπαθειών κβαντικής υπολογιστικής στην IBM, αλλά παραμένει σκεπτικός ως προς το αν θα καταφέρουν να λύσουν τις πιο δύσκολες προκλήσεις που ενδιαφέρουν τις επιχειρήσεις.
Η έλλειψη εμπορικών εφαρμογών δεν αποτελεί λόγο για να σταματήσει η προσπάθεια στην κβαντική υπολογιστική, η οποία μακροπρόθεσμα θα μπορούσε να οδηγήσει σε θεμελιώδεις επιστημονικές ανακαλύψεις.
«Η επιστήμη είναι σαν ένα σύνολο από κουτιά που φωλιάζουν το ένα μέσα στο άλλο, λύνεις ένα πρόβλημα και ανακαλύπτεις πέντε ακόμη. Η πολυπλοκότητα των πραγμάτων που μελετάμε θα αυξάνεται με την πάροδο του χρόνου, οπότε θα χρειαζόμαστε πάντα πιο ισχυρά εργαλεία».
*Με στοιχεία από το Technology Review.
☞︎ Ακολουθήστε το OLAFAQ στο Facebook, X/Twitter και Instagram.
Οι τεχνολογικές εταιρείες διοχετεύουν δισεκατομμύρια δολάρια στην ανάπτυξη κβαντικών υπολογιστών εδώ και χρόνια, με την ελπίδα ότι θα αλλάξουν δραστικά το τοπίο σε τομείς τόσο διαφορετικούς όπως τα χρηματοοικονομικά, η ανακάλυψη νέων φαρμάκων και η εφοδιαστική αλυσίδα. Οι προσδοκίες είναι ιδιαίτερα υψηλές στον τομέα της φυσικής και της χημείας, με τις ιδιότητες της κβαντικής μηχανικής να προσφέρουν θεωρητικά στους κβαντικούς υπολογιστές τεράστιο πλεονέκτημα σε σχέση με τους συμβατικούς υπολογιστές.
Σήμερα ένας νέος αντίπαλος αρχίζει να σημειώνει πρόοδο σε μερικές από τις πιο υποσχόμενες εφαρμογές της. Η τεχνητή νοημοσύνη (AI) εφαρμόζεται πλέον στη φυσική, τη χημεία και την επιστήμη των υλικών με τέτοιο τρόπο που υποδηλώνει πως τα «προνομιακά πεδία» της κβαντικής υπολογιστικής ενδέχεται να μην είναι τόσο προνομιακά. Η κλίμακα και η πολυπλοκότητα των κβαντικών συστημάτων που μπορούν να προσομοιωθούν με τη βοήθεια της AI αυξάνονται ραγδαία, όπως αναφέρει ο Τζουζέπε Καρλέο, καθηγητής υπολογιστικής φυσικής στο Ομοσπονδιακό Ινστιτούτο Τεχνολογίας της Ελβετίας (EPFL). Παράλληλα, η Meta παρουσίασε πρόσφατα ένα μοντέλο AI, εκπαιδευμένο σε ένα νέο τεράστιο σύνολο δεδομένων υλικών κι ανέβηκε στην κορυφή μιας λίστας κατατάξεων για προσεγγίσεις ανακάλυψης υλικών με μηχανική μάθηση.
Με τον ρυθμό των πρόσφατων προόδων, ένας αυξανόμενος αριθμός ερευνητών θέτει πλέον το ερώτημα εάν η τεχνητή νοημοσύνη (AI) θα μπορούσε να λύσει ένα σημαντικό μέρος των πιο ενδιαφερόντων προβλημάτων στη χημεία και την επιστήμη των υλικών προτού οι κβαντικοί υπολογιστές μεγάλης κλίμακας γίνουν πραγματικότητα.
«Η ύπαρξη αυτών των νέων ανταγωνιστών στη μηχανική μάθηση αποτελεί σοβαρό πλήγμα για τις δυνητικές εφαρμογές των κβαντικών υπολογιστών», αναφέρει ο Καρλέο.
Η υπόσχεση των κβαντικών υπολογιστών βασίζεται στην ικανότητά τους να εκτελούν ορισμένους υπολογισμούς πολύ πιο γρήγορα από τους συμβατικούς υπολογιστές. Για να υλοποιηθεί αυτή η υπόσχεση θα χρειαστούν πολύ μεγαλύτεροι κβαντικοί επεξεργαστές από αυτούς που έχουμε σήμερα. Μία μελέτη που συνυπέγραψε ο επικεφαλής κβαντικής υπολογιστικής της Microsoft, Ματίας Τρόγιερ έδειξε ότι αυτά τα θεωρητικά πλεονεκτήματα εξαφανίζονται αν ληφθεί υπόψη το γεγονός ότι το κβαντικό υλικό λειτουργεί κατά τάξεις μεγέθους πιο αργά από τα σύγχρονα τσιπ υπολογιστών. Η δυσκολία εισαγωγής και εξαγωγής μεγάλων ποσοτήτων κλασικών δεδομένων σε και από έναν κβαντικό υπολογιστή αποτελεί επίσης ένα μεγάλο εμπόδιο.
Αρκετοί επιστήμονες κατέληξαν στο συμπέρασμα ότι οι κβαντικοί υπολογιστές θα πρέπει να επικεντρωθούν σε προβλήματα χημείας και επιστήμης υλικών που απαιτούν προσομοίωση συστημάτων όπου κυριαρχούν τα κβαντικά φαινόμενα. Οι κανόνες της κβαντικής μηχανικής διέπουν πολλά πράγματα με τεράστια πρακτική και εμπορική αξία, όπως οι πρωτεΐνες, τα φάρμακα και τα υλικά. Αυτό θα μπορούσε να αποδειχθεί πολύτιμο για την ανακάλυψη πραγμάτων όπως νέα φάρμακα ή πιο αποδοτικές χημικές ενώσεις για μπαταρίες.
Το 2017, οι Καρλέο και Τρόγιερ της Microsoft δημοσίευσαν ένα σημαντικό άρθρο στο Science που δείχνει ότι τα νευρωνικά δίκτυα θα μπορούσαν να μοντελοποιήσουν ισχυρά συσχετισμένα κβαντικά συστήματα. Η προσέγγιση δεν μαθαίνει από δεδομένα με την κλασική έννοια. Αντίθετα, λέει ο Καρλέο, είναι παρόμοια με το μοντέλο AlphaZero της DeepMind που κατέκτησαν τα παιχνίδια Go, σκάκι και shogi χρησιμοποιώντας μόνο τους κανόνες του κάθε παιχνιδιού.
Το μοντέλο «παίζει» μόνο του, διατάσσοντας τα σωματίδια σε μια συγκεκριμένη διάταξη και κατόπιν μετρώντας το ενεργειακό επίπεδο του συστήματος. Ο στόχος είναι να επιτευχθεί η χαμηλότερη ενεργειακή διάταξη (γνωστή ως θεμελιώδης κατάσταση), η οποία καθορίζει τις ιδιότητες του συστήματος. Το μοντέλο επαναλαμβάνει αυτήν τη διαδικασία μέχρι τα ενεργειακά επίπεδα να σταματήσουν να μειώνονται, δείχνοντας ότι έχει φτάσει στη θεμελιώδη κατάσταση ή σε κάτι πολύ κοντά σε αυτή.
«Η δύναμη αυτών των μοντέλων είναι η ικανότητά τους να συμπιέζουν πληροφορίες», λέει ο Καρλέο. «Η κυματο-συνάρτηση αυτής της μορφής είναι ένα πολύ περίπλοκο μαθηματικό αντικείμενο», αναφέρει. Από το 2017, αυτή η προσέγγιση έχει επεκταθεί σε ένα ευρύ φάσμα ισχυρά συσχετισμένων συστημάτων και τα αποτελέσματα είναι εντυπωσιακά. Το άρθρο στο Science που δημοσίευσε με τους συνεργάτες του τον περασμένο μήνα έθεσε κορυφαίες τεχνικές κλασικής προσομοίωσης σε δοκιμή σε μια ποικιλία δύσκολων κβαντικών προσομοιώσεων, με στόχο τη δημιουργία ενός σημείου αναφοράς για την αξιολόγηση των εξελίξεων τόσο σε κλασικές όσο και σε κβαντικές προσεγγίσεις.
Ο Καρλέο αναφέρει ότι οι τεχνικές που βασίζονται σε νευρωνικά δίκτυα αποτελούν πλέον την καλύτερη προσέγγιση για την προσομοίωση πολλών από τα πιο περίπλοκα κβαντικά συστήματα που έχουν δοκιμάσει. «Η μηχανική μάθηση πραγματικά παίρνει τα ηνία σε πολλά από αυτά τα προβλήματα».
Αυτές οι τεχνικές έχουν τραβήξει την προσοχή μεγάλων εταιρειών τεχνολογίας. Τον Αύγουστο, ερευνητές της DeepMind έδειξαν σε άρθρο στο Science ότι μπορούν να μοντελοποιήσουν με ακρίβεια τις διεγερμένες καταστάσεις σε κβαντικά συστήματα, κάτι που θα μπορούσε κάποια μέρα να βοηθήσει στην πρόβλεψη της συμπεριφοράς υλικών όπως τα ηλιακά κύτταρα, οι αισθητήρες και τα λέιζερ. Επιστήμονες από το Microsoft Research ανέπτυξαν επίσης ένα πακέτο λογισμικού ανοικτού κώδικα για να βοηθήσουν περισσότερους ερευνητές να χρησιμοποιούν νευρωνικά δίκτυα για προσομοίωση.
Ωστόσο, η Στέφανι Τσίζεκ, επίκουρη καθηγήτρια φυσικής στο Πανεπιστήμιο της Οτάβα, λέει ότι είναι δύσκολο να προβλεφθεί ποια προβλήματα μπορούν να λύσουν τα νευρωνικά δίκτυα. Για κάποια σύνθετα συστήματα αποδίδουν εξαιρετικά καλά, αλλά σε άλλα, φαινομενικά απλούστερα οι υπολογιστικές απαιτήσεις αυξάνονται απροσδόκητα. Μία άλλη προσέγγιση θέλει τα νευρωνικά δίκτυα πιθανότατα να διευρύνουν το φάσμα των προβλημάτων που μπορούν να λυθούν, όπως λέει ο Τζέι Γκαμπέτα, επικεφαλής των προσπαθειών κβαντικής υπολογιστικής στην IBM, αλλά παραμένει σκεπτικός ως προς το αν θα καταφέρουν να λύσουν τις πιο δύσκολες προκλήσεις που ενδιαφέρουν τις επιχειρήσεις.
Η έλλειψη εμπορικών εφαρμογών δεν αποτελεί λόγο για να σταματήσει η προσπάθεια στην κβαντική υπολογιστική, η οποία μακροπρόθεσμα θα μπορούσε να οδηγήσει σε θεμελιώδεις επιστημονικές ανακαλύψεις.
«Η επιστήμη είναι σαν ένα σύνολο από κουτιά που φωλιάζουν το ένα μέσα στο άλλο, λύνεις ένα πρόβλημα και ανακαλύπτεις πέντε ακόμη. Η πολυπλοκότητα των πραγμάτων που μελετάμε θα αυξάνεται με την πάροδο του χρόνου, οπότε θα χρειαζόμαστε πάντα πιο ισχυρά εργαλεία».
*Με στοιχεία από το Technology Review.
☞︎ Ακολουθήστε το OLAFAQ στο Facebook, X/Twitter και Instagram.
