Модель Fable 5.2 построила доказательство примерно за четыре дня и проверила его с помощью системы Lean. Результат сужает круг задач, в которых стоит искать квантовое ускорение.Автор Hi-Tech Mail
Исследователи с помощью ИИ доказали гипотезу Ааронсона — Амбайниса, которая ограничивает преимущество квантовых компьютеров в определенном классе задач, сообщает New Scientist. Команда стартапа Physical Superintelligence, занимающегося искусственным интеллектом, использовала модель Fable 5.2 компании Anthropic. Результат помогает очертить круг задач, в которых стоит искать квантовое ускорение.
Гипотеза касается вычислений, в которых компьютер получает огромную случайную последовательность битов — нулей и единиц — и должен ответить на вопрос «да» или «нет». Исследователей интересовало, сможет ли квантовый компьютер найти ответ, обращаясь к входным данным существенно реже обычного. Согласно гипотезе, для большинства таких последовательностей обычный компьютер способен приблизиться к результату квантового без существенного увеличения затрат на вычисление.
Этот вопрос заинтересовал Скотта Ааронсона из Техасского университета в Остине еще в 1999 году. Тогда уже был известен алгоритм Шора для разложения чисел на множители, демонстрировавший преимущество квантового подхода. Однако исследователи предполагали, что такое ускорение связано с особой математической структурой задачи. Ааронсон хотел понять, сохраняется ли преимущество, когда структуры почти нет, а входные данные случайны.
В 2011 году Ааронсон и Андрис Амбайнис из Латвийского университета сформулировали гипотезу об отсутствии такого преимущества в рассматриваемом случае. Они также перевели ее на язык многочленов. Благодаря этому вопросом заинтересовались математики, чьи исследования напрямую не связаны с квантовыми вычислениями. Их работы впоследствии стали основой нового доказательства.
По словам участника команды Physical Superintelligence Дэвида Туртуреана, Fable 5.2 потребовалось около четырех дней, чтобы построить доказательство, дважды его доработать и проверить окончательную версию с помощью системы формальной проверки Lean. На момент этой работы модель еще не была общедоступной.
Математик Шахар Ловетт из Калифорнийского университета в Сан-Диего, чья работа стала одной из ключевых составляющих доказательства, считает, что разбор позволит другим ученым освоить и применять найденные приемы. По его оценке, такие инструменты ИИ могут помочь исследователям ставить более амбициозные вопросы. При этом Ловетт подчеркивает прежде всего математическое значение результата. Ааронсон также осторожно оценивает практические последствия: доказательство исключает одно из возможных направлений поиска квантового ускорения, но он и прежде не считал его особенно перспективным.
Другие варианты задач остаются открытыми. Квантовый подход все еще может дать преимущество, если входная последовательность короче или менее случайна либо если ответ не сводится к «да» или «нет». Среди сохраняющихся направлений — моделирование молекул, важных для промышленности, и некоторые задачи оптимизации.
Команда Physical Superintelligence теперь хочет использовать ИИ для поиска новых идей, а не только для решения известных открытых проблем. Амбайнис видит здесь следующую трудность: для такого поиска нужен серьезный творческий скачок, с которым, по его оценке, ИИ пока справляется плохо.
Физики воспроизвели квантовые расчеты с помощью тензорных сетей на обычном оборудовании.