رایانش کوانتومی مفید اجتناب‌ناپذیر است و به سرعت به واقعیت نزدیک می‌شود
در ۸ ژانویه، جنسن هوانگ، مدیرعامل انویدیا، با اظهارنظر درباره‌ی آینده رایانش کوانتومی، شوکی به بازار سهام وارد کرد. او پیش‌بینی کرد که رایانش کوانتومی عملی هنوز ۱۵ تا ۳۰ سال با ما فاصله دارد و در عین حال ادعا کرد که این رایانه‌ها برای تصحیح خطا به GPUهای انویدیا نیاز خواهند داشت.
با این حال، تاریخ نشان داده که حتی افراد نابغه نیز از اشتباه مصون نیستند. پیش‌بینی‌های هوانگ هم از نظر زمانی و هم از نظر نقشی که فناوری شرکتش در آینده رایانش کوانتومی ایفا خواهد کرد، دقیق نیست.
من به عنوان یک سرمایه‌گذار که از نزدیک تحولات رایانش کوانتومی را دنبال کرده‌ام، به وضوح می‌بینم که این فناوری به سرعت در حال رسیدن به مرحله‌ی کاربردی است. سال گذشته، دستگاه "ویلو"ی گوگل نشان داد که مسیری امیدوارکننده برای افزایش مقیاس رایانه‌های کوانتومی وجود دارد. این دستگاه ثابت کرد که با افزایش تعداد کیوبیت‌ها، خطاها به صورت نمایی کاهش می‌یابند و توانست یک آزمون معیار را در کمتر از پنج دقیقه اجرا کند، کاری که یکی از سریع‌ترین ابررایانه‌های امروزی برای انجام آن به ۱۰ سپتیلیون سال زمان نیاز دارد. هرچند ویلو هنوز برای کاربردهای تجاری با الگوریتم‌های شناخته‌شده کوچک است، اما نشان داد که برتری کوانتومی (اجرای وظایفی که برای رایانه‌های کلاسیک غیرممکن است) و تحمل خطا (تصحیح سریع‌تر خطا نسبت به وقوع آن) دست‌یافتنی هستند.
به عنوان نمونه، استارت‌آپ PsiQuantum که شرکت من در آن سرمایه‌گذاری کرده است، در حال ساخت دو رایانه‌ی کوانتومی است که تا پایان این دهه وارد خدمت تجاری خواهند شد. برنامه این است که هر یک از این رایانه‌ها ۱۰ هزار برابر بزرگ‌تر از ویلو باشند و بتوانند به سوالات مهمی درباره مواد، داروها و جنبه‌های کوانتومی طبیعت پاسخ دهند. این رایانه‌ها برای تصحیح خطا از GPU استفاده نمی‌کنند، بلکه سخت‌افزارهای اختصاصی خواهند داشت که با سرعت‌هایی کار می‌کنند که با سخت‌افزارهای انویدیا غیرممکن است.
در همین حال، الگوریتم‌های کوانتومی بسیار سریع‌تر از سخت‌افزار در حال پیشرفت هستند. همکاری اخیر بین غول داروسازی Boehringer Ingelheim و PsiQuantum به بهبود بیش از ۲۰۰ برابری الگوریتم‌ها برای شبیه‌سازی داروها و مواد مهم انجامید. Phasecraft، یکی دیگر از شرکت‌هایی که در آن سرمایه‌گذاری کرده‌ایم، عملکرد شبیه‌سازی‌ها را برای مجموعه‌ای از مواد بلوری بهبود داده و نسخه‌ای کوانتومی از یک الگوریتم رایج علم مواد منتشر کرده است که به طرز وسوسه‌برانگیزی نزدیک به شکست دادن تمام پیاده‌سازی‌های کلاسیک موجود در سخت‌افزارهای کنونی است.
این پیشرفت‌ها مرا به این باور رسانده که رایانش کوانتومی مفید اجتناب‌ناپذیر و به سرعت نزدیک است. این خبر خوبی است، زیرا امید می‌رود که این فناوری بتواند محاسباتی را انجام دهد که هیچ‌گونه هوش مصنوعی یا رایانه کلاسیکی قادر به انجام آن نیست.
اهمیت رایانه‌های کوانتومی مفید در این است که امروز ما واقعاً نحوه‌ی انجام شیمی را نمی‌دانیم. ما دانش کافی درباره مکانیسم عملکرد بسیاری از مهم‌ترین داروهایمان نداریم. کاتالیزورهایی که صنایع ما را پیش می‌برند، عموماً به‌خوبی درک نشده‌اند، به مواد گران‌قیمت و کمیاب نیاز دارند یا هر دو. علیرغم دستاوردهایمان، ما هنوز در بسیاری از موارد در تاریکی حرکت می‌کنیم.
طبیعت بر اساس اصول مکانیک کوانتومی عمل می‌کند. روش‌های محاسباتی کلاسیک ما نمی‌توانند به‌طور دقیق طبیعت کوانتومی واقعیت را شبیه‌سازی کنند، هرچند بخش قابل توجهی از منابع محاسباتی پیشرفته‌مان به این هدف اختصاص یافته است. با وجود تمام سرمایه‌گذاری‌های فکری و مالی، ما هنوز نمی‌دانیم چرا مسکن استامینوفن اثر می‌کند، ابررساناهای نوع II چگونه کار می‌کنند یا چرا یک بلور ساده آهن و نیتروژن می‌تواند چنین میدان مغناطیسی قدرتمندی تولید کند. ما به جستجوی ترکیبات در پوست درختان آمازون برای درمان بیماری‌ها ادامه می‌دهیم و تنها بخش کوچکی از فضای طراحی شامل 106010^{60} مولکول کوچک را بررسی می‌کنیم.
در صنعت، نظریه عملکرد چگالی (DFT) ابزار اصلی شیمی محاسباتی و مدل‌سازی مواد است و برای بررسی ساختار الکترونیکی سیستم‌های چندذره‌ای مانند اتم‌ها، مولکول‌ها و جامدات استفاده می‌شود. اما DFT در حل طیف وسیعی از مسائل جذاب کاملاً شکست می‌خورد.
برای مثال، در تابستان ۲۰۲۳، هیاهوی زیادی پیرامون "ابررسانای دمای اتاق" LK-99 به وجود آمد. بسیاری از شیمی‌دانان برجسته به DFT مراجعه کردند تا این ماده را تحلیل کنند، اما نتایج ناامیدکننده بود. در نهایت، به روش‌های قدیمی بازگشتیم و تلاش کردیم با ابزارهای سنتی مقداری از این ماده را تولید کنیم. اما مشخص شد LK-99 ابررسانای دمای اتاق نیست. این موضوع ناامیدکننده بود، زیرا چنین ماده‌ای می‌توانست انقلابی در تولید، انتقال و ذخیره‌سازی انرژی ایجاد کند.
هوش مصنوعی می‌تواند در درک ما از مواد کمک‌کننده باشد، اما نمی‌تواند جایگزین رایانش کوانتومی شود. ابزارهایی مانند GNoME دیپ‌مایند توانسته‌اند موادی پایدار شناسایی کنند، اما این ابزارها نیز به DFT وابسته‌اند و محدودیت‌های آن را به ارث می‌برند. مشکل اصلی این است که مدل‌های هوش مصنوعی فقط به اندازه داده‌هایی که روی آن‌ها آموزش دیده‌اند خوب هستند. تنها زمانی که شبیه‌سازی‌های کوانتومی دقیق برای تولید داده‌های آموزشی فراهم شوند، می‌توان مدل‌های هوش مصنوعی مناسبی برای حل مسائل کوانتومی ایجاد کرد.
این بدان معناست که ما به رایانه‌های کوانتومی نیاز داریم. این فناوری به ما اجازه می‌دهد از روش‌های آزمایش و خطای سنتی به دنیای طراحی هدفمند حرکت کنیم. فرایند فعلی ما در کشف مواد، ناکارآمد و محدود است. رایانه‌های کوانتومی این توانایی را خواهند داشت که فضایی عظیم از طراحی‌ها را باز کنند و مانند این است که یک‌باره میلیون‌ها عنصر جدید به جدول تناوبی اضافه شود.
ساخت رایانه‌های کوانتومی با میلیون‌ها کیوبیت چالشی بزرگ است و نیاز به منابع عظیم مالی و مهندسی دارد. اما پس از سال‌ها تحقیق و توسعه، چالش اصلی اکنون از علم به مهندسی و ساخت‌وساز منتقل شده است.
پیش‌بینی دقیق تأثیر رایانش کوانتومی بر جهان دشوار است، اما این فناوری پتانسیل آن را دارد که در حوزه‌هایی مانند شیمی، علم مواد و پزشکی تحولی عظیم ایجاد کند و عصر جدیدی از تسلط بر دنیای فیزیکی را آغاز کند.
Credit: "Useful quantum computing is inevitable—and increasingly imminent" by By Peter Barrett, published in MIT Technology Review
Read the full article here: https://www.technologyreview.com/2025/01/27/1110540/useful-quantum-computing-is-inevitable-and-increasingly-imminent/
