Искусственный интеллект (ИИ) обещает революционизировать научные исследования, что ставит перед нами ключевой технологический вопрос: может ли классический ИИ понять все природные явления, или некоторые из них принципиально недоступны для него?
Многие сторонники искусственного интеллекта утверждают, что любой паттерн, который можно сгенерировать или обнаружить в природе, может быть эффективно обнаружен и смоделирован классическим алгоритмом обучения, подразумевая, что ИИ — это универсальный и достаточный инструмент для науки.
Однако важно отметить, что слово «классический» здесь используется для противопоставления квантовым вычислениям. Природа квантовая, и достижения алгоритма Шора [1] наряду с квантовой коррекцией ошибок [2,3,4] учат нас, что существуют квантовые системы, по крайней мере те, которые были тщательно разработаны, и их траектории принципиально непредсказуемы для любого классического алгоритма, включая ИИ. Это открывает возможность того, что в нашей Вселенной существуют сложные квантовые явления, для моделирования которых классического ИИ недостаточно, и нам нужен квантовый компьютер.
Квантовое моделирование
В 2019 году Google продемонстрировала квантовое превосходство на цифровом квантовом устройстве [5], а в 2024 году их новейший чип выполнил задачу за несколько минут, на которую нашим лучшим классическим компьютерам потребовалось бы 10^25 лет [6]. Задача заключалась в подготовке сильно запутанного квантового состояния с множеством тел и выборке из соответствующего распределения по классическим конфигурациям.
Однако квантовое моделирование само по себе не опровергает универсальность классического ИИ. Выходные данные квантового моделирования часто кажутся совершенно безликими, и их невозможно проверить ни классическим, ни квантовым алгоритмом, ни каким-либо процессом в нашей Вселенной.
Квантовая химия и физика конденсированных сред
Существует множество нерешённых проблем в квантовой химии и физике конденсированных сред, которые недоступны для наших лучших классических алгоритмов моделирования и суперкомпьютеров. Например, они возникают в сильно коррелированном режиме электронной структуры в квантовой химии и вокруг низкотемпературных фазовых переходов в системах конденсированных сред.
Возможно, что для достаточно продвинутого ИИ не существует фундаментальных барьеров для решения этих задач. Исследователи в этой области добились значительных успехов, используя нейронные сети для прогнозирования сложных биологических структур, таких как сворачивание белков. Можно представить себе аналогичные специализированные модели ИИ, которые предсказывают электронную структуру молекул или квантовые фазы материи.
Действительно сложные квантовые сигналы
Хотя ИИ может научиться многим закономерностям физики и химии на основе данных, сгенерированных квантовыми системами, остаётся более глубокая возможность: квантовая Вселенная может создавать паттерны, которые ИИ не сможет сжать и понять.
Представьте себе семейство квантовых систем произвольного размера N, и при каждом размере N существует количество независимых параметров, которое является полиномиальным от N, например, коэффициенты гамильтониана или углы вращения квантовой схемы.
Если эти свойства выполняются, то возможно, что ни одна модель машинного обучения, использующая полиномиальное количество классических вычислений, не сможет выполнить задачу, даже с помощью обучающих данных.
Ссылки
[1] Shor, Peter W. “Algorithms for quantum computation: discrete logarithms and factoring.” Proceedings 35th annual symposium on foundations of computer science. Ieee, 1994.
[2] Shor, Peter W. “Scheme for reducing decoherence in quantum computer memory.” Physical review A 52.4 (1995): R2493.
[3] Shor, Peter W. “Fault-tolerant quantum computation.” Proceedings of 37th conference on foundations of computer science. IEEE, 1996.
[4] Kitaev, A. Yu. “Fault-tolerant quantum computation by anyons.” Annals of physics 303.1 (2003): 2-30.
[5] Arute, Frank, et al. “Quantum supremacy using a programmable superconducting processor.” Nature 574.7779 (2019): 505-510.
[6] Morvan, Alexis, et al. “Phase transitions in random circuit sampling.” Nature 634.8033 (2024): 328-333.