Yapay zekanın fizik ve kimyadaki simülasyonlara uygulanmasındaki hızlı ilerlemeler, bazı kişilerin kuantum bilgisayarlarına ihtiyacımız olup olmayacağını sorgulamasına yol açıyor.
Teknoloji şirketleri yıllardır kuantum bilgisayarlarına milyarlarca dolar aktarıyor. Umut, finans, ilaç keşfi ve lojistik gibi çeşitli alanlarda oyunun kurallarını değiştirecek olmaları önem kazanıyor.
Bu beklentiler, kuantum mekaniğinin tuhaf etkilerinin devreye girdiği fizik ve kimyada özellikle yüksekti. Teoride, kuantum bilgisayarların geleneksel makinelere göre büyük bir avantaja sahip olabileceği yer burasıdır.
Ancak alan, zorlu kuantum donanımının gerçekleriyle boğuşurken, bir başka meydan okuyucu bu en umut verici kullanım durumlarından bazılarında ilerleme kaydediyor.
İsviçre Federal Teknoloji Enstitüsü’nde (EPFL) hesaplamalı fizik profesörü olan Giuseppe Carleo, yapay zeka kullanılarak simüle edilebilen kuantum sistemlerinin ölçeği ve karmaşıklığının hızla ilerlediğini söylüyor.
Son dönemdeki gelişmelerin hızı göz önüne alındığında, giderek artan sayıda araştırmacı, büyük ölçekli kuantum bilgisayarların gerçeğe dönüşmesinden önce yapay zekanın kimya ve malzeme bilimindeki en ilginç problemlerin önemli bir bölümünü çözüp çözemeyeceğini sorguluyor.
Üstel problemler
Kuantum bilgisayarların vaadi, belirli hesaplamaları geleneksel bilgisayarlardan çok daha hızlı gerçekleştirme potansiyelinde yatar. Bu vaadi gerçekleştirmek, bugün sahip olduğumuzdan çok daha büyük kuantum işlemcileri gerektirecektir. En büyük cihazlar bin kübit sınırını henüz geçti, ancak klasik bilgisayarlara karşı yadsınamaz bir avantaj elde etmek muhtemelen milyonlarca olmasa bile on binlercesini gerektirecektir. Ancak bu donanım mevcut olduğunda, şifreleme kırma Shor algoritması gibi bir avuç kuantum algoritması, klasik algoritmaların yapabileceğinden kat kat daha hızlı sorunları çözme potansiyeline sahiptir.
Ancak veritabanlarında arama yapmak, optimizasyon problemlerini çözmek veya yapay zekayı güçlendirmek gibi daha belirgin ticari uygulamaları olan birçok kuantum algoritması için hız avantajı daha mütevazıdır. Ve geçen yıl, Microsoft’un kuantum hesaplama başkanı Matthias Troyer tarafından ortaklaşa yazılan bir makale , kuantum donanımının modern bilgisayar çiplerinden kat kat daha yavaş çalıştığı gerçeğini hesaba katarsanız bu teorik avantajların ortadan kalktığını gösterdi. Büyük miktarda klasik veriyi bir kuantum bilgisayarına girip çıkarma zorluğu da büyük bir engeldir.
Bu nedenle Troyer ve meslektaşları, kuantum bilgisayarlarının bunun yerine kuantum etkilerinin baskın olduğu sistemlerin simülasyonunu gerektiren kimya ve malzeme bilimindeki sorunlara odaklanması gerektiği sonucuna vardı. Bu sistemlerle aynı kuantum prensipleri doğrultusunda çalışan bir bilgisayar, teoride, burada doğal bir avantaja sahip olmalıdır. Aslında, bu, ünlü fizikçi Richard Feynman’ın ilk kez bu fikri ortaya atmasından bu yana kuantum hesaplamanın arkasındaki itici bir fikir olmuştur.
Kuantum mekaniğinin kuralları, proteinler, ilaçlar ve malzemeler gibi büyük pratik ve ticari değeri olan birçok şeyi yönetir. Özellikleri, bileşen parçacıklarının, özellikle de elektronlarının etkileşimleri tarafından belirlenir ve bu etkileşimlerin bir bilgisayarda simüle edilmesi, bir molekülün hangi tür özellikleri sergileyeceğini tahmin etmeyi mümkün kılmalıdır. Bu, örneğin yeni ilaçlar veya daha verimli pil kimyaları gibi şeyleri keşfetmek için paha biçilmez olabilir.
Ancak kuantum mekaniğinin sezgiye meydan okuyan kuralları, özellikle uzak parçacıkların kuantum durumlarının içsel olarak bağlantılı hale gelmesini sağlayan dolanıklık olgusu, bu etkileşimleri inanılmaz derecede karmaşık hale getirebilir. Bunları tam olarak takip etmek, daha fazla parçacık dahil oldukça katlanarak zorlaşan karmaşık matematik gerektirir. Bu, büyük kuantum sistemlerinin klasik makinelerde simüle edilmesini imkansız hale getirebilir.
Kuantum bilgisayarlarının parlayabileceği yer burasıdır. Kuantum prensipleri üzerinde çalıştıkları için, kuantum durumlarını klasik makinelerde mümkün olandan çok daha verimli bir şekilde temsil edebilirler. Ayrıca hesaplamalarını hızlandırmak için kuantum etkilerinden de yararlanabilirler.
Ancak tüm kuantum sistemleri aynı değildir. Karmaşıklıkları, parçacıklarının birbirleriyle etkileşime girme veya birbirleriyle ilişki kurma derecesine göre belirlenir. Bu etkileşimlerin güçlü olduğu sistemlerde, tüm bu ilişkileri izlemek, sistemi modellemek için gereken hesaplama sayısını hızla artırabilir. Ancak Carleo, kimyagerler ve malzeme bilimcileri için pratik ilgi çekici olanların çoğunda, ilişkinin zayıf olduğunu söylüyor. Bu, parçacıklarının birbirlerinin davranışlarını önemli ölçüde etkilemediği anlamına gelir ve bu da sistemleri modellemeyi çok daha basit hale getirir.
Carleo’ya göre sonuç olarak kuantum bilgisayarlarının kimya ve malzeme bilimindeki çoğu problem için herhangi bir avantaj sağlaması pek olası değil. Zayıf korelasyonlu sistemleri doğru bir şekilde modelleyebilen klasik araçlar zaten mevcut, en önemlisi yoğunluk fonksiyonel teorisi (DFT). DFT’nin ardındaki içgörü, bir sistemin temel özelliklerini anlamak için ihtiyacınız olan tek şeyin elektron yoğunluğu, yani elektronlarının uzayda nasıl dağıldığının bir ölçüsü olmasıdır. Bu, çok daha basit bir hesaplama sağlar ancak yine de zayıf korelasyonlu sistemler için doğru sonuçlar sağlayabilir.
Bu yaklaşımları kullanarak büyük sistemleri simüle etmek önemli miktarda bilgi işlem gücü gerektirir. Ancak son yıllarda kimyasallar, biyomoleküller ve malzemeler hakkında veri üretmek için DFT kullanan araştırmalarda patlama yaşandı; bu veriler sinir ağlarını eğitmek için kullanılabilir. Bu yapay zeka modelleri, belirli bir kimyasal yapının hangi özelliklere sahip olma olasılığını tahmin etmelerine olanak tanıyan verilerdeki kalıpları öğrenir, ancak geleneksel DFT hesaplamalarından çok daha ucuzdurlar.
Lüksemburg Üniversitesi’nde fizik profesörü olan Alexandre Tkatchenko, bunun modellenebilen sistemlerin boyutunu önemli ölçüde artırdığını ve simülasyonların ne kadar uzun süre çalışabileceğini söylüyor. “Harika. Kimyanın çoğunu gerçekten yapabilirsiniz,” diyor.
Carnegie Mellon Üniversitesi’nde kimya profesörü olan Olexandr Isayev, bu tekniklerin kimya ve yaşam bilimleri alanındaki şirketler tarafından halihazırda yaygın olarak uygulandığını söylüyor. Ve araştırmacılar için, kimyasal reaksiyonları optimize etme, yeni pil malzemeleri geliştirme ve protein bağlanmasını anlama gibi daha önce erişilemeyen sorunlar nihayet çözülebilir hale geliyor.
Isayev, çoğu YZ uygulamasında olduğu gibi en büyük darboğazın veri olduğunu söylüyor. Meta’nın yakın zamanda yayımlanan malzeme veri seti , 118 milyon molekül üzerinde yapılan DFT hesaplamalarından oluşuyordu. Bu veriler üzerinde eğitilen bir model, en son teknoloji performansına ulaştı ancak eğitim materyalini oluşturmak, çoğu araştırma ekibinin erişebildiğinin çok ötesinde, muazzam bilgi işlem kaynakları gerektirdi. Bu, bu yaklaşımın tüm vaadini yerine getirmenin muazzam yatırım gerektireceği anlamına geliyor.
Ancak, DFT kullanarak zayıf bir şekilde ilişkili bir sistemi modellemek, üstel olarak ölçeklenen bir sorun değildir. Bu, daha fazla veri ve bilgi işlem kaynağıyla, AI tabanlı klasik yaklaşımların bu sistemlerin en büyüğünü bile simüle edebileceğini gösteriyor, diyor Tkatchenko. Rekabet edebilecek kadar güçlü kuantum bilgisayarların muhtemelen hala on yıllar uzakta olduğunu göz önünde bulundurarak, AI’nın mevcut yörüngesinin, ilaçların bir proteine nasıl bağlandığını tam olarak simüle etmek gibi önemli dönüm noktalarına çok daha erken ulaşabileceğini gösteriyor.
Güçlü korelasyonlar:
Güçlü bir şekilde ilişkili kuantum sistemlerini simüle etmeye gelince (parçacıkları çok fazla etkileşime girenler), DFT gibi yöntemler hızla tükenir. Daha egzotik olsa da, bu sistemler yüksek sıcaklık süperiletkenliği veya ultra hassas algılama gibi potansiyel olarak dönüştürücü yeteneklere sahip malzemeleri içerir. Ancak burada bile, AI önemli adımlar atıyor.
2017’de EPFL’den Carleo ve Microsoft’tan Troyer, Science dergisinde sinir ağlarının güçlü bir şekilde ilişkili kuantum sistemlerini modelleyebileceğini gösteren çığır açıcı bir makale yayınladı . Bu yaklaşım, klasik anlamda verilerden öğrenmez. Bunun yerine Carleo, bunun DeepMind’ın, Go, satranç ve shogi oyunlarında her oyunun kurallarından ve kendisini oynama yeteneğinden başka bir şey kullanmadan ustalaşan AlphaZero modeline benzediğini söylüyor.
Bu durumda, oyunun kuralları bir sistemin kuantum durumunu veya dalga fonksiyonunu tam olarak tanımlayabilen Schrödinger denklemi tarafından sağlanır. Model, parçacıkları belirli bir yapılandırmada düzenleyerek ve ardından sistemin enerji seviyesini ölçerek kendi kendine karşı oynar. Amaç, sistemin özelliklerini belirleyen en düşük enerji yapılandırmasına (temel durum olarak bilinir) ulaşmaktır. Model, enerji seviyeleri düşmeyi bırakana kadar bu işlemi tekrarlar ve bu da temel duruma veya buna yakın bir şeye ulaşıldığını gösterir.
Carleo, bu modellerin gücünün bilgiyi sıkıştırma yetenekleri olduğunu söylüyor. “Dalga fonksiyonu çok karmaşık bir matematiksel nesnedir,” diyor. “Şimdiye kadar birçok makalede gösterilen şey, [sinir ağının] bu nesnenin karmaşıklığını klasik bir makinenin işleyebileceği bir şekilde yakalayabildiğidir.”
Carleo, 2017 tarihli makaleden bu yana yaklaşımın çok çeşitli güçlü korelasyonlu sistemlere genişletildiğini ve sonuçların etkileyici olduğunu söylüyor. Geçtiğimiz ay meslektaşlarıyla birlikte yayınladığı Science makalesi, hem klasik hem de kuantum yaklaşımlarındaki gelişmeleri değerlendirmek için bir kıstas oluşturma amacıyla, önde gelen klasik simülasyon tekniklerini çeşitli zorlu kuantum simülasyon problemlerinde teste tabi tuttu.
Carleo, sinir ağı tabanlı tekniklerin artık test ettikleri en karmaşık kuantum sistemlerinin çoğunu simüle etmek için en iyi yaklaşım olduğunu söylüyor. “Makine öğrenimi bu sorunların çoğunda gerçekten öncülük ediyor,” diyor.
Bu teknikler teknoloji sektöründeki bazı büyük oyuncuların dikkatini çekiyor. Ağustos ayında, DeepMind’daki araştırmacılar Science dergisinde yayınlanan bir makalede, bir gün güneş hücreleri, sensörler ve lazerler gibi şeylerin davranışlarını tahmin etmeye yardımcı olabilecek kuantum sistemlerindeki uyarılmış durumları doğru bir şekilde modelleyebileceklerini gösterdiler. Microsoft Research’teki bilim insanları ayrıca daha fazla araştırmacının simülasyon için sinir ağlarını kullanmasına yardımcı olmak için açık kaynaklı bir yazılım paketi geliştirdiler .
Fransa’daki École Polytechnique’te Yapay Zeka ve Yoğun Madde Fiziği profesörü ve aynı zamanda Science kıyaslama makalesinin ortak yazarlarından Filippo Vicentini , yaklaşımın temel avantajlarından birinin, Yapay Zeka yazılım ve donanımına yapılan büyük yatırımlara dayanması olduğunu söylüyor : “Bu tür teknolojik gelişmelerden yararlanabilmek bize büyük bir avantaj sağlıyor.”
Bir uyarı var: Temel durumlar açık hesaplamalar yerine deneme yanılma yoluyla etkili bir şekilde bulunduğundan, bunlar yalnızca yaklaşık değerlerdir. Ancak bu yaklaşımın, çözümü zor bir sorun gibi görünen bir sorunda ilerleme sağlayabileceğinin de nedenidir, diyor ETH Zürih’te bir araştırmacı ve Science kıyaslama makalesinin bir diğer ortak yazarı olan Juan Carrasquilla.
Güçlü bir şekilde ilişkili bir sistemdeki tüm etkileşimleri hassas bir şekilde izlemek istiyorsanız, yapmanız gereken hesaplama sayısı sistemin boyutuyla birlikte üssel olarak artar. Ancak yeterince iyi olan bir cevaptan memnunsanız, kısayollar kullanmak için bolca alan vardır.
“Belki de tam olarak yakalamak için hiçbir umut yok,” diyor Carrasquilla. “Ancak fizikçilerin önemsediği tüm yönleri yakalayacak kadar bilgi yakalama umudu var. Ve bunu yaparsak, temelde gerçek bir çözümden ayırt edilemez.”
Ve güçlü bir şekilde ilişkili sistemlerin klasik olarak simüle edilmesi genellikle çok zor olsa da, bunun böyle olmadığı dikkate değer örnekler vardır. Bunlara, Nature Communications’daki 2023 tarihli bir makaleye göre, yüksek sıcaklık süperiletkenlerini modellemek için önemli olan bazı sistemler de dahildir .
Microsoft Research’te araştırma yöneticisi olan ve şirketin bu alandaki çalışmalarının çoğuna öncülük eden Frank Noe, “Üstel karmaşıklık nedeniyle, her zaman kısayol bulamadığınız sorunlarla karşılaşabilirsiniz” diyor. “Ancak iyi bir kısayol bulamadığınız sistemlerin sayısının çok daha az olacağını düşünüyorum.”
Sihirli bir kurşun yok
Ancak Ottawa Üniversitesi’nde fizik yardımcı doçenti olan Stefanie Czischek , sinir ağlarının hangi sorunları uygulanabilir şekilde çözebileceğini tahmin etmenin zor olabileceğini söylüyor. Bazı karmaşık sistemler için inanılmaz derecede iyi performans gösteriyorlar, ancak diğer görünüşte basit olanlarda hesaplama maliyetleri beklenmedik şekilde artıyor. “Sınırlamalarını gerçekten bilmiyoruz,” diyor. “Hiç kimse henüz bu sinir ağlarını kullanarak sistemleri temsil etmeyi zorlaştıran koşulların ne olduğunu gerçekten bilmiyor.”
Bu arada, New York’taki Flatiron Enstitüsü’ndeki Hesaplamalı Kuantum Fiziği Merkezi’nin direktörü ve yakın zamanda yayınlanan Science kıyaslama makalesine katkıda bulunan Antoine Georges , diğer klasik kuantum simülasyon tekniklerinde de önemli ilerlemeler olduğunu söylüyor . “Hepsi kendi başlarına başarılı ve ayrıca çok tamamlayıcılar,” diyor. “Bu yüzden bu makine öğrenme yöntemlerinin diğer tüm yöntemleri tamamen işsiz bırakacağını düşünmüyorum.”
https://www.technologyreview.com/2024/11/07/1106730/why-ai-could-eat-quantum-computings-lunch/