1772999086
2026-03-08 19:22:00
Microsoft реализует стратегию по ускорению материаловедения и химических исследований за счет интеграции квантовых вычислений с искусственным интеллектом. Компания предлагает расширить концепцию «лестницы Иакова», метафору вычислительной сложности моделирования электронов, за счет использования квантовых компьютеров для генерации высокоточных данных, которые затем можно будет обучать модели ИИ на классических машинах. Этот гибридный подход призван обойти ограничения классических вычислений, позволяя исследователям прогнозировать свойства материала с большей скоростью и точностью; Используя квантовые компьютеры для обучения ИИ на квантовых данных, результатом станут сверхточные модели ИИ, которые смогут достичь еще более высоких уровней вычислительной сложности без непомерно высоких вычислительных затрат. В конечном счете, Microsoft предполагает, что эта комбинация откроет новые возможности в таких областях, как разработка аккумуляторов, открытие лекарств и более глубокое понимание сложных химических реакций.
Лестница Иакова отображает сложность вычислений в химии
Метафора, придуманная более двух десятилетий назад, теперь определяет будущее вычислительной химии. Летом 2001 года профессор физики Тулейна Джон П. Пердью представил «Лестницу Иакова» как способ визуализировать внутреннюю иерархию вычислительной сложности при моделировании поведения электронов в материалах. Вдохновленная мечтой библейского Иакова о лестнице, ведущей на небеса, лестница Пердью представляет собой градиент, где каждая ступенька означает уровень математической сложности и вычислительных требований. На нижних ступенях используются упрощенные и менее точные модели, тогда как подъем по лестнице дает все более точное изображение атомной реальности. Исследователи Microsoft сейчас предлагают расширить эту концепцию, стремясь охватить все вычислительные подходы к поведению электронов и, что особенно важно, сделать доступными даже самые высокие ступени лестницы. Их видение основано на гибридном подходе, использующем возможности квантовых вычислений для генерации исключительно точных данных.
Эти данные затем будут использоваться для обучения моделей искусственного интеллекта, работающих на классических машинах, что позволит быстро прогнозировать свойства материалов. По данным компании, сочетая квантовую точность со скоростью, управляемой искусственным интеллектом, исследователи могут разрабатывать новые материалы с новыми свойствами и за небольшую плату. В основе этого подхода остаются классические модели, рассматривающие атомы как упрощенные объекты, способные управлять большими системами, но не обладающие точностью. По мере того, как человек поднимается по лестнице, квантово-механические расчеты интегрируются в полуэмпирические методы, в конечном итоге достигая полного квантового поведения с усредненными взаимодействиями, что требует значительных вычислительных ресурсов. На самом верху находятся самые интенсивные вычисления, которые в настоящее время непосильны для классических компьютеров, но потенциально поддаются квантовым системам. Ожидается, что эта конвергенция квантовых вычислений и искусственного интеллекта будет иметь решающее значение для прогресса в области материаловедения и химии в ближайшие годы.
Инновации в области химии и материалов, хотя зачастую и незаметные, глубоко влияют на повседневную жизнь, формируя все: от фармацевтических препаратов и чистящих средств до топлива и пластмасс. Потенциальные применения огромны; В тех областях, где в настоящее время используется искусственный интеллект, этот квантово-усовершенствованный искусственный интеллект может обеспечить значительно улучшенные результаты, потенциально идентифицируя катализаторы для смягчения последствий изменения климата, перерабатывая пластиковые отходы или открывая новые химические процессы в батареях.
Квантовые вычисления решают проблемы электронной корреляции
Стремление к более точному моделированию материалов в настоящее время сталкивается с фундаментальным барьером: электронной корреляцией. Хотя классические вычислительные методы пытаются моделировать взаимодействия между электронами внутри материалов, они часто полагаются на приближения, которые жертвуют точностью ради вычислительной осуществимости. Многие методы, такие как теория функционала плотности (ТПФ) или метод Хартри-Фока, упрощают эти сложные взаимодействия, предполагая, что электроны движутся внутри усредненного поля, создаваемого всеми остальными. Хотя эти приближения эффективны во многих сценариях, они дают сбой, когда мы имеем дело с сильно взаимодействующими электронами, как это происходит в высокотемпературных сверхпроводниках или каталитических соединениях, или когда многочисленные электронные структуры обладают одинаковой энергией. Достижение действительно точного изображения этих систем быстро сталкивается с «экспоненциальной стеной» вычислительной сложности, ограничивающей возможности классического моделирования. Квантовые вычисления предлагают потенциальный путь выхода за пределы этого ограничения. В отличие от классических битов, представляющих информацию как включенную или выключенную, кубиты используют суперпозицию, существующую в нескольких состояниях одновременно.
Команда оценила более 32 миллионов потенциальных материалов и определила 800 весьма перспективных кандидатов. Искусственный интеллект и высокопроизводительные вычисления использовались для идентификации потенциальных материалов, а полученные модели давали ценную информацию с большей скоростью.
«Значимые химические симуляции, выходящие за рамки классических вычислений, потребуют от сотен до тысяч высококачественных кубитов с частотой ошибок около 10^-15, или одной ошибки на квадриллион операций».
Эмуляция искусственного интеллекта ускоряет химическое моделирование
Достижения Microsoft в области искусственного интеллекта теперь направлены на решение фундаментальных задач химического моделирования, а исследователи сосредоточены на ускорении открытия новых материалов и оптимизации существующих процессов. Компания разрабатывает стратегию использования квантовых вычислений не как замену классическим методам, а как средство генерации высокоточных обучающих данных для моделей ИИ. Этот подход устраняет ключевое ограничение классических вычислений, позволяя быстро прогнозировать свойства материала. В основе этого подхода остаются классические модели, рассматривающие атомы как упрощенные объекты, способные управлять большими системами, но не обладающие точностью. По мере того, как человек поднимается по лестнице, квантово-механические расчеты интегрируются в полуэмпирические методы, в конечном итоге достигая полного квантового поведения с усредненными взаимодействиями, что требует значительных вычислительных ресурсов. Эти квантово-генерированные данные затем служат обучающим набором для моделей ИИ, работающих на обычных машинах.
Квантовый ИИ может решить сложные задачи
«Если все сделано правильно, квантово-усовершенствованный ИИ может начать решать самые сложные мировые проблемы — от изменения климата до болезней — на годы раньше всех ожиданий».
#Microsoft #изучает #возможность #объединения #квантовых #вычислений #искусственного #интеллекта #для #ускорения #химических #исследований
Продолжение темы
