自媒体写作的 QRIES 方法论,初学者如何写出让人信服的好文章

为什么人工智能可以吃掉量子计算的午餐

2024-11-07 14:00:00 英文原文

作者:By Edd Gentarchive page

多年来,科技公司一直在量子计算机上投入数十亿美元。我们希望它们能够改变金融、药物发现和物流等领域的游戏规则。

这些期望在物理和化学领域尤其高,因为量子力学的奇怪效应在这些领域发挥了作用。从理论上讲,这就是量子计算机相对于传统机器具有巨大优势的地方。

但是,尽管该领域在棘手的量子硬件的现实中苦苦挣扎,但另一个挑战者正在这些最有前途的用例中取得进展。人工智能现在正被应用于基础物理、化学和材料科学,这表明量子计算所谓的主场可能并不那么安全。

瑞士联邦理工学院 (EPFL) 计算物理学教授 Giuseppe Carleo 表示,可以使用人工智能模拟的量子系统的规模和复杂性正在迅速发展。上个月,他与人合着了一篇论文发表于科学表明基于神经网络的方法正在迅速成为对具有强量子特性的材料进行建模的领先技术。元也最近揭晓一个基于大量新材料数据集训练的人工智能模型,已跃居材料发现机器学习方法排行榜的榜首。

鉴于最近的进展速度,越来越多的研究人员现在开始询问,在大规模量子计算机成为现实之前,人工智能是否可以解决化学和材料科学中最有趣的大部分问题。 

“机器学习领域这些新竞争者的存在对量子计算机的潜在应用造成了严重打击,”Carleo 说,“在我看来,这些公司迟早会发现他们的投资是不合理的”. –

指数问题

量子计算机的前景在于其执行某些计算的速度比传统计算机快得多的潜力。实现这一承诺将需要比现在更大的量子处理器。最大的设备刚刚突破了千量子位大关,但要获得相对于传统计算机无可否认的优势,可能需要数万甚至数百万个量子位。不过,一旦硬件可用,少数量子算法(例如破解加密的肖尔算法)就有可能以比经典算法更快的速度解决问题。 

但对于许多具有更明显商业应用的量子算法来说,比如搜索数据库、解决优化问题或为人工智能提供动力,速度优势就比较有限了。而去年,一张纸微软量子计算负责人马蒂亚斯·特罗耶 (Matthias Troyer) 与人合着的论文表明,如果考虑到量子硬件的运行速度比现代计算机芯片慢几个数量级,那么这些理论上的优势就会消失。将大量经典数据输入和输出量子计算机的困难也是一个主要障碍。 

因此,特罗耶和他的同事得出的结论是,量子计算机应该关注化学和材料科学中的问题,这些问题需要模拟量子效应占主导地位的系统。从理论上讲,按照与这些系统相同的量子原理运行的计算机应该在这方面具有天然的优势。事实上,自从著名物理学家理查德·费曼首次提出这个想法以来,这一直是量子计算背后的驱动理念。

量子力学的规则支配着许多具有巨大实用和商业价值的事物,例如蛋白质、药物和材料。它们的特性是由其组成粒子(特别是电子)的相互作用决定的,在计算机中模拟这些相互作用应该可以预测分子将表现出什么样的特征。例如,这对于发现新药物或更高效的电池化学物质等事物可能具有无价的价值。 

但违反直觉的量子力学规则——特别是纠缠现象,使遥远粒子的量子态变得内在联系——可以使这些相互作用变得异常复杂。精确追踪它们需要复杂的数学计算,涉及的粒子越多,数学计算的难度就会呈指数级增长。这使得在经典机器上模拟大型量子系统变得困难。

这就是量子计算机大放异彩的地方。因为它们也按照量子原理运行,所以它们能够比经典机器更有效地表示量子态。他们还可以利用量子效应来加快计算速度。

但并非所有量子系统都是相同的。它们的复杂性取决于它们的粒子彼此相互作用或关联的程度。在这些交互作用很强的系统中,跟踪所有这些关系可能会迅速增加系统建模所需的计算量。但卡莱奥表示,在大多数化学家和材料科学家感兴趣的领域中,相关性都很弱。这意味着它们的粒子不会显着影响彼此的行为,这使得系统的建模变得更加简单。

卡莱奥说,结果是量子计算机不太可能为化学和材料科学中的大多数问题提供任何优势。可以准确模拟弱相关系统的经典工具已经存在,其中最突出的是密度泛函理论(DFT)。DFT 背后的见解是,要了解系统的关键属性,您所需要的只是其电子密度,即电子在空间中如何分布的度量。这使得计算更加简单,但仍然可以为弱相关系统提供准确的结果。

使用这些方法模拟大型系统需要相当大的计算能力。但近年来,使用 DFT 生成化学品、生物分子和材料数据的研究激增,这些数据可用于训练神经网络。这些人工智能模型学习数据中的模式,使它们能够预测特定化学结构可能具有的特性,但它们的运行成本比传统的 DFT 计算便宜几个数量级。 

卢森堡大学物理学教授 Alexandre Tkatchenko 表示,这极大地扩展了可建模系统的规模(一次最多可容纳 100,000 个原子)以及模拟可以运行的时间。——太棒了。你确实可以完成大部分化学工作,”他说。

卡内基梅隆大学化学教授 Olexandr Isayev 表示,这些技术已经被化学和生命科学公司广泛应用。对于研究人员来说,以前无法解决的问题,例如优化化学反应、开发新电池材料和理解蛋白质结合,终于变得容易处理。

伊萨耶夫表示,与大多数人工智能应用一样,最大的瓶颈是数据。最近的元数据发布材料数据集由 1.18 亿个分子的 DFT 计算组成。基于这些数据训练的模型实现了最先进的性能,但创建培训材料需要大量的计算资源,远远超出了大多数研究团队的能力。这意味着要实现这种方法的全部承诺将需要大量投资。

不过,使用 DFT 对弱相关系统进行建模并不是一个指数扩展问题。Tkatchenko 表示,这表明,有了更多的数据和计算资源,基于人工智能的经典方法甚至可以模拟最大的系统。他补充道,考虑到强大到足以竞争的量子计算机可能还需要几十年的时间,人工智能目前的发展轨迹表明它可以更快地达到重要的里程碑,例如精确模拟药物如何与蛋白质结合。

强相关性

当涉及到模拟强相关量子系统(粒子相互作用频繁的系统)时,像 DFT 这样的方法很快就会失去动力。虽然更奇特,但这些系统包含具有潜在变革能力的材料,例如高温超导或超精确传感。但即便如此,人工智能也正在取得重大进展。

2017 年,EPFL 的 Carleo 和 Microsoft 的 Troyer 发表了一篇开创性的论文纸进科学 表明神经网络可以模拟强相关的量子系统。该方法并不从传统意义上的数据中学习。相反,Carleo 说,它类似于 DeepMind 的 AlphaZero 模型,后者仅使用每个游戏的规则和自己玩游戏的能力就掌握了围棋、国际象棋和将棋游戏。

在这种情况下,游戏规则由薛定谔方程提供,该方程可以精确描述系统的量子态或波函数。该模型通过以某种配置排列粒子,然后测量系统的能级来与自身对抗。目标是达到最低能量配置(称为基态),这决定了系统的属性。该模型重复这个过程,直到能级停止下降,这表明已经达到基态或接近基态的状态。

卡莱奥说,这些模型的强大之处在于它们压缩信息的能力。“波函数是一个非常复杂的数学对象,”他说。– 现在有几篇论文表明,[神经网络] 能够以经典机器可以处理的方式捕获该对象的复杂性。 –

Carleo 表示,自 2017 年论文发表以来,该方法已扩展到广泛的强相关系统,并且结果令人印象深刻。这科学他上个月与同事发表的论文将领先的经典模拟技术用于各种棘手的量子模拟问题的测试,目的是创建一个基准来判断经典和量子方法的进步。卡莱奥说,基于神经网络的技术现在是模拟他们测试的许多最复杂量子系统的最佳方法。“机器学习确实在许多此类问题中发挥了主导作用,”他说。

这些技术吸引了科技行业一些大公司的注意。8 月,DeepMind 的研究人员展示了纸进科学他们可以准确地模拟量子系统中的激发态,这有一天可以帮助预测太阳能电池、传感器和激光器等物体的行为。微软研究院的科学家们还开发了一种开源软件套件帮助更多的研究人员使用神经网络进行模拟。

该方法的主要优点之一是它依托对人工智能软件和硬件的大量投资,说菲利波·维琴蒂尼法国巴黎综合理工学院人工智能和凝聚态物理学教授,也是该论文的合著者科学基准论文:“能够利用这些技术进步给我们带来了巨大的优势。”

有一个警告:因为基态是通过反复试验而不是明确的计算来有效找到的,所以它们只是近似值。但这也是为什么这种方法可以在看似棘手的问题上取得进展,苏黎世联邦理工学院的研究员、该研究的另一位合著者胡安·卡拉斯奎拉 (Juan Carrasquilla) 说。科学基准论文。

如果您想要精确跟踪强相关系统中的所有交互,则需要执行的计算数量会随着系统规模的增大而呈指数级增长。但是,如果您对一个足够好的答案感到满意,那么还有很多走捷径的余地。 

“也许没有希望准确地捕捉到它,”卡拉斯奎拉说。– 但是我们希望能够捕获足够的信息,以便我们捕获物理学家关心的所有方面。如果我们这样做,它基本上与真正的解决方案没有什么区别。”

虽然强相关系统通常很难进行经典模拟,但在一些值得注意的例子中事实并非如此。根据 2023 年的一项研究,其中包括一些与高温超导体建模相关的系统纸进自然通讯

“由于指数级的复杂性,你总能找到无法找到捷径的问题,”微软研究院的研究经理弗兰克·诺伊(Frank Noe)说,他领导了公司的大部分工作。这个区域。– 但我认为无法找到良好捷径的系统数量只会变得更少。 –

没有灵丹妙药

然而,斯蒂芬妮·齐舍克渥太华大学物理学助理教授表示,很难预测神经网络可以切实解决哪些问题。对于一些复杂的系统,它们表现得非常好,但在其他看似简单的系统上,计算成本却出乎意料地膨胀。“我们并不真正了解它们的局限性,”她说。– 目前还没有人真正知道是什么条件导致使用这些神经网络来表示系统变得困难。 –

与此同时,其他经典量子模拟技术也取得了重大进展,他说安托万·乔治纽约熨斗研究所计算量子物理中心主任,他也对最近的研究做出了贡献科学基准论文。“他们都凭借自己的能力取得了成功,而且也非常互补,”他说。“所以我不认为这些机器学习方法会让所有其他方法完全破产。”

量子计算机也将有自己的利基,说马丁·罗特勒IonQ 量子解决方案高级总监,该公司正在开发由捕获离子构建的量子计算机。虽然他同意经典方法可能足以模拟弱相关系统,但他相信一些大型的强相关系统将超出其能力范围。“指数会咬你一口,”他说。– 有些情况下我们无法以经典方式处理具有强相关系统的情况。我坚信情况就是如此。”

相比之下,他说,未来的容错量子计算机具有比当今设备更多的量子位,将能够模拟此类系统。这可以帮助寻找新的催化剂或提高对人体代谢过程的理解——这是制药行业感兴趣的领域。

神经网络可能会扩大可解决问题的范围,说杰·甘贝塔领导 IBM 的量子计算工作,但他不相信他们能够解决企业感兴趣的最困难的挑战。

“这就是为什么许多本质上以化学为要求的不同公司仍在研究量子技术的原因,因为他们确切地知道这些近似方法在哪里失效,”他说。

甘贝塔还否认这些技术是竞争对手的观点。他说,计算的未来可能会涉及两种方法的混合,量子子程序和经典子程序一起解决问题。– 我不认为他们处于竞争状态。我认为它们实际上是相辅相成的,”他说。

斯科特阿伦森德克萨斯大学量子信息中心主任表示,机器学习方法在量子化学和凝聚态物理等领域与量子计算机直接竞争。他预测,机器学习和量子模拟的结合在许多情况下将优于纯粹的经典方法,但直到更大、更可靠的量子计算机出现之前,这一点不会变得清晰。

“从一开始,我就将量子计算视为首要的科学探索,任何工业应用都是锦上添花,”他说。– 因此,如果事实证明量子模拟很少能击败经典机器学习,我不会像我的一些同事那样垂头丧气。 –

洛桑联邦理工学院 (EPFL) 的卡莱奥 (Carleo) 表示,量子计算机看起来可能具有明显优势的一个领域是模拟复杂的量子系统如何随时间演化。这可以为统计力学和高能物理等领域的科学家提供宝贵的见解,但短期内似乎不太可能实现实际应用。“在我看来,这些都是更小众的应用程序,并不能证明大规模投资和大规模炒作是合理的,”Carleo 补充道。

尽管如此,专家们麻省理工科技评论接受采访时表示,缺乏商业应用并不是停止追求量子计算的理由,从长远来看,量子计算可能会带来根本性的科学突破。

“科学就像一组嵌套的盒子——你解决了一个问题,然后你发现了另外五个问题,”维森蒂尼说。“我们研究的事物的复杂性会随着时间的推移而增加,因此我们总是需要更强大的工具。”

关于《为什么人工智能可以吃掉量子计算的午餐》的评论


暂无评论

发表评论

摘要

根据这篇文章,很明显,经典机器学习方法和量子计算在模拟复杂系统(特别是那些具有强相关性的系统)的能力方面都在进步。以下是一些要点:1. **用于量子模拟的机器学习**:机器学习技术,尤其是神经网络,在模拟弱相关量子系统方面显示出了巨大的前景,在这些系统中,精确的解决方案可能很难或不可能以经典方式计算。这些方法提供了一种近似解的方法,无需指数资源即可捕获复杂量子态的基本特征。2. **局限性和挑战**:尽管机器学习方法取得了成功,但当应用于某些可能不存在经典捷径的强相关系统时,机器学习方法仍面临局限性。预测这些方法可以切实解决哪些问题仍然是一个悬而未决的问题,因此很难完全依赖它们来满足量子物理学中的所有计算需求。3. **经典方法的进步**:除了神经网络之外,其他经典模拟技术也取得了重大进展,并且在特定条件下有效。这些方法通常是对机器学习方法的补充,而不是被机器学习方法所取代,这凸显了多样化工具包对于处理复杂系统的重要性。4. **量子计算机的作用**:对于甚至对先进机器学习算法都构成挑战的强相关量子系统,未来的容错量子计算机可能会提供解决方案,因为它们能够随系统规模有效扩展。这对于开发新催化剂或了解制药行业的代谢过程等应用至关重要。5. **混合方法和竞争**:人们越来越认识到,结合经典方法和量子方法可能会提供最有效的解决方案策略。纯粹基于机器学习的方法和量子计算之间的竞争并不被视为相互排斥,而是被视为解决计算挑战不同方面的互补工具。6. **科学意义与商业应用**:虽然商业应用引起了人们对这些技术的极大兴趣,但专家强调了它们实现基础科学突破的潜力。量子计算的主要价值在于它能够解决目前任何已知的经典或量子近似方法无法解决的问题。7. **未来展望**:随着技术的进步和更可靠、更大规模的量子计算机的出现,预计结合机器学习技术和量子模拟能力的混合方法将在许多领域提供比纯经典方法更优越的性能。场景。总之,虽然机器学习显着增强了我们模拟弱相关系统的经典能力,但量子计算对于解决最具挑战性的强相关系统仍然至关重要。未来可能涉及这些技术之间的协同关系,每种技术都对推进材料科学、制药和高能物理等领域的科学理解和实际应用做出独特的贡献。