آیا ما اصلاً به کامپیوترهای کوانتومی نیاز خواهیم داشت؟
پیشرفتهای سریع در به کارگیری هوش مصنوعی برای شبیهسازی در تحقیقات فیزیک و شیمی باعث شده که برخی افراد این سؤال را مطرح کنند که آیا ما اصلاً به کامپیوترهای کوانتومی نیاز خواهیم داشت یا خیر؟
سالها است که شرکتهای فناوری میلیاردها دلار را صرف سرمایهگذاری برای توسعه کامپیوترهای کوانتومی میکنند؛ این شرکتها امیدوارند که کامپیوترهای کوانتومی به عنوان تغییردهنده بازی در زمینههای متنوعی مانند امور مالی، کشف مواد مخدر و خدمات ظاهر شوند. این انتظارات به ویژه در فیزیک و شیمی بالا بوده است، جایی که اثرات عجیب مکانیک کوانتومی وارد عمل میشود؛ در تئوری، محدوده فیزیک و شیمی جایی است که کامپیوترهای کوانتومی میتوانند مزیت بزرگی نسبت به ماشینهای معمولی در حل و شبیهسازی مسائل داشته باشند.
اما در حالی که این میدان با سختافزار کوانتومی چالش برانگیز دست و پنجه نرم میکند، رقیب دیگری در حال ظهور است؛ هوش مصنوعی اکنون در فیزیک بنیادی، شیمی و علم مواد کاربرد فوقالعادهای دارد.
«جوزپه کارلئو»، استاد فیزیک محاسباتی در مؤسسه فناوری فدرال سوئیس میگوید: «هوش مصنوعی به سرعت در حال شبیهسازی مقیاس و پیچیدگی سیستمهای کوانتومی است.»
شرکت متا اخیراً از یک مدل هوش مصنوعی آموزشدیده بر روی مجموعه دادههای جدید و عظیمی از مواد، پردهبرداری کرده است که به صدر جدول امتیازات رویکردهای یادگیری ماشینی برای کشف مواد رسیده است.
با توجه به سرعت پیشرفتهای اخیر، تعداد فزایندهای از محققان اکنون میپرسند که آیا هوش مصنوعی میتواند بخش قابلتوجهی از جالبترین مسائل در شیمی و علم مواد را قبل از اینکه کامپیوترهای کوانتومی در مقیاس بزرگ به واقعیت تبدیل شوند، حل کند؟
کارلئو میگوید: «وجود این رقبای جدید، ضربهای جدی به کاربردهای بالقوه کامپیوترهای کوانتومی وارد میکند. به نظر من، این شرکتها دیر یا زود متوجه خواهند شد که سرمایهگذاریهایشان توجیهپذیر نیست.»
کامپیوترهای کوانتومی برای انجام محاسبات خاص، بسیار سریعتر از کامپیوترهای معمولی، به پردازندههای کوانتومی بسیار بزرگتری نسبت به امروز نیاز دارند.
بزرگترین دستگاهها به تازگی از مرز هزار کیوبیت عبور کردهاند، اما دستیابی به یک مزیت غیرقابل انکار نسبت به کامپیوترهای معمولی احتمالاً به دهها هزار یا میلیونها کیوبیت نیاز دارد.
با این حال، هنگامی که این سختافزار در دسترس است نیز، تعداد انگشت شماری از الگوریتمهای کوانتومی، مانند الگوریتم Shor’s cracking encryption، این پتانسیل را دارند که مسائل را به صورت تصاعدی سریعتر از الگوریتمهای کلاسیک حل کنند.
برای مدتی محققان فکر میکردند که حداقل در کوتاهمدت باید به سیستمهای مستعد خطا اما سریع بسنده کنند؛ با این حال این مزیت کامپیوترهای کوانتومی به مرور زمان از بین رفته است.
مقالهای که سال گذشته توسط «ماتیاس ترویر»، رئیس بخش محاسبات کوانتومی مایکروسافت تهیه شده بود، نشان داد که اگر سختافزار کوانتومی نسبت به تراشههای رایانهای مدرن عملکرد کندتری داشته باشد، این مزیت نظری نیز ناپدید میشود.
یکی دیگر از موانعی که سر راه کامپیوترهای کوانتومی است، دشواری دریافت مقادیر زیادی از دادههای کلاسیک به داخل و خارج از یک کامپیوتر کوانتومی است؛ بنابراین ترویر و همکارانش به این نتیجه رسیدند که کامپیوترهای کوانتومی باید در شیمی و علم مواد متمرکز شوند که نیازمند شبیهسازی سیستمهایی هستند که در آن اثرات کوانتومی غالب است.
قوانین مکانیک کوانتومی بر بسیاری از چیزها با ارزش عملی و تجاری عظیم مانند پروتئینها، داروها و مواد حاکم است. خواص آنها توسط برهمکنشهای ذرات تشکیلدهندهشان، بهویژه الکترونهایشان تعیین میشود و شبیهسازی این برهمکنشها در یک کامپیوتر باید پیشبینی نوع ویژگیهایی را که یک مولکول نشان میدهد ممکن سازد. به عنوان مثال، این عملیات میتواند برای کشف چیزهایی مانند داروهای جدید یا مواد شیمیایی کارآمدتر بسیار ارزشمند باشد.
اما قوانین مکانیک کوانتومی که شهود را به چالش میکشد، به ویژه، پدیده درهمتنیدگی که به حالتهای کوانتومی ذرات دور اجازه میدهد تا به طور ذاتی به هم مرتبط شوند، میتواند این برهمکنشها را به طرز باورنکردنی پیچیده کند. ردیابی دقیق آنها به ریاضیات پیچیدهای نیاز دارد که هر چه ذرات بیشتر درگیر شوند به طور تصاعدی سختتر میشود. این واقعیت میتواند شبیهسازی سیستمهای کوانتومی بزرگ را در ماشینهای کلاسیک غیرقابل تحمل کند. اینجاست که کامپیوترهای کوانتومی میتوانند بدرخشند. از آنجایی که آنها همچنین بر اساس اصول کوانتومی عمل میکنند، میتوانند حالتهای کوانتومی را بسیار کارآمدتر از ماشینهای کلاسیک نشان دهند. آنها همچنین میتوانند از اثرات کوانتومی برای سرعت بخشیدن به محاسبات خود استفاده کنند.
اما همه سیستمهای کوانتومی یکسان نیستند؛ پیچیدگی آنها با میزان تعامل یا همبستگی ذرات آنها با یکدیگر تعیین میشود. در سیستمهایی که این تعاملات قوی هستند، ردیابی همه این روابط میتواند به سرعت صورت گیرد.
کارلئو میگوید: «اما در بیشتر مواردی که مورد علاقه شیمیدانان و دانشمندان مواد است، همبستگی ضعیف است. این بدان معناست که ذرات آنها به طور قابلتوجهی بر رفتار یکدیگر تأثیر نمیگذارند.»
کارلئو اینگونه نتیجه میگیرد که بعید به نظر میرسد، رایانههای کوانتومی مزیتی برای اکثر مشکلات در علم شیمی و مواد داشته باشند. ابزارهای کلاسیکی که میتوانند بهطور دقیق سیستمهای همبسته ضعیف را مدلسازی کنند، در حال حاضر وجود دارند.
شبیهسازی سیستمهای بزرگ به قدرت محاسباتی قابلتوجهی نیاز دارد؛ اما در سالهای اخیر، تحقیقات گستردهای با استفاده از نظریه تابعی چگالی برای تولید دادههایی در مورد مواد شیمیایی، بیومولکولها و مواد صورتگرفته است، دادههایی که میتوانند برای آموزش شبکههای عصبی مورداستفاده قرار گیرند.
مدلهای هوش مصنوعی الگوهایی را در دادهها یاد میگیرند که به آنها اجازه میدهد تا پیشبینی کنند که یک ساختار شیمیایی خاص احتمالاً چه ویژگیهایی دارد، اما اجرای آنها نسبت به محاسبات نظریه تابعی چگالی معمولی ارزانتر است.
«الکساندر تکچنکو»، استاد فیزیک در دانشگاه لوکزامبورگ، میگوید: «این اتفاق به طور چشمگیری اندازه سیستمهایی را که میتوان مدلسازی کرد و مدت زمان اجرای شبیهسازیها را افزایش داده است.»
«الکساندر ایسایف»، استاد شیمی در دانشگاه کارنگی ملون، میگوید: «این تکنیکها در حال حاضر به طور گسترده توسط شرکتهای شیمی و علوم زیستی استفاده میشود.»