インサイダーブリーフ
- Quantinuum Teamはブログ投稿で、量子コンピューティング、スーパーコンピューティング、生成的人工知能の強度から強さまで強さまで一致することを報告しています。
- 同社は、その生成量子固有調査（GQE）が量子生成データを使用して、フィードバックループでより良い量子回路を提案するAIを訓練すると説明しています。
- このアプローチは、複雑な分子にスケーリングし、材料科学、創薬の発見、およびクラシックコンピューターが解決に苦労しているその他の問題に適用できます。
人工知能（AI）と量子コンピューティングを組み合わせた新しいハイブリッド法は、科学者が基本的な化学の問題をどのように解決するかを再構築する可能性があります。 Quantinuumのブログ投稿。同社は、この量子AI法と化学での使用に関するより多くのニュースをいじめている可能性があるとすぐに途中である可能性があります。
取り組みの中心にあるのは、会社が生成量子固有溶媒（GQE）と呼んでいるシステムであり、同社が議論した 昨年のプリプリントの調査で。 GQEは、量子ハードウェアをAIモデルとリンクして、分子の基底状態エネルギーを計算するのに役立ちます。この量 – 分子が占める可能な限り低いエネルギー – は化学と材料の科学において重要ですが、古典的な方法を使用して計算することは難しいことで有名です。 Quantinuumのアプローチは、生成AIの助けを借りて、Quantum Computersが最終的に扱いにくいと考えられると考えられると、問題に取り組むことができる可能性があることを示しています。
検証された方法
この方法は、既知の溶液を備えたベンチマークシステムである水素分子を使用して検証されました。そのテストでは、Quantinuumのハイブリッドセットアップは、実世界のアプリケーションの標準的なしきい値である化学的精度に到達しました、とチームは書いています。水素分子は単純なテストケースですが、研究者は、この方法がより複雑なシステムにスケーリングできると言い、潜在的に生物の発見と材料の設計を加速します。
この作業は、このタイプの問題を解決するために、変圧器ベースのAIと組み合わせた量子プロセッサの最初の成功した使用と同社が説明するものを示しています。 Transformersは、GPTのような自然言語モデルを動かすことで最もよく知られている機械学習モデルのクラスですが、ここでは、有望なソリューションを求めて量子回路をナビゲートするために再利用されています。
決定論的ロジックに依存してデータを処理する古典的なコンピューターとは異なり、量子コンピューターはQubitsで動作します。これは、複数の確率的状態を表す量子ビットです。これにより、彼らは可能性の広大な空間を探求することができます。ただし、量子ハードウェアのスケールは依然として制限されており、ノイズが発生しやすいため、研究者は実行する回路を慎重に選択する必要があります。
それがAIモデルが重要な役割を果たしている場所であると同社は述べています。 Quantinuumのシステムでは、試行回路は量子処理装置（QPU）で実行されます。各実行は量子状態を生成し、その状態のエネルギーが測定されます。これらの結果は、変圧器モデルを訓練するために使用されます。これは、パターンを特定し始め、次のラウンドに向けてより良い回路を提案し始めます。システムは、可能な限り低いエネルギー状態に徐々に磨きをかけて、繰り返し改善します。
ジェンカイ
この学習ループ – 量子測定とAIに生成された回路提案の間のフィードバックサイクル – は、Quantinuumが「生成量子AI」またはGenqaiと呼ぶものです。
多くの点で、Genqaiは、AI、量子コンピューティング、スーパーコンピューターの3つの強力なシステムの強度の組み合わせに依存しています。この最高の世界シナリオでは、人工知能は、ポストによると、問題解決能力を強化しながら、量子ハードウェアの制限を軽減するのに役立ちます。 Quantum Computerは、古典的なシステムで生成するのが困難または不可能なデータを生成します。 AIモデルは、このデータから学習して、量子コンピューターの次の動きをガイドし、自己改善システムを作成します。
より広い目標は、このアプローチを水素などの小分子を超えて拡大することです、とチームは書いています。 Quantinuumの科学者は、クラシックコンピューティングが処理するのに苦労している大規模な分子システムにこの方法を適用するためにすでに取り組んでいると言います。これには、材料の発見、分子設計、さらには大規模な最適化の問題が含まれます。これは、低エネルギー状態を理解することが不可欠なドメインです。
医薬品、化学研究のユースケース
Pharmaceuticalsのような分野では、化学的相互作用を正確にモデル化する能力は、有望な薬物候補を特定するために必要な時間とコストを削減する可能性があります。エネルギー研究では、より効率的な触媒または新しいバッテリー材料の開発に役立ちます。基底状態のエネルギーは分子がどのように行動し、相互作用するかに影響するため、このレベルでの正確な計算は、しばしば科学的革新のボトルネックです。
これらの値を計算するための従来の方法には、大量のコンピューティングリソースが必要であり、量子現象をモデル化する際には依然として制限に直面しています。システム内の量子状態の数はサイズとともに二重に補完的に増加するため、古典的なブルートフォース技術はうまく縮小しません。これは、標準ツールで控えめに複雑な分子でさえ実質的に解決できなくなることを意味します。
Quantinuumの結果は、AIのパターン認識と最適化機能を備えたリッチでクラスで模倣していないデータを生成する量子システムの能力を組み合わせることで、前進するパスを提供する可能性があることを示唆しています。
同社は、量子および古典的なツールがもはや沈黙していないがタンデムで働くハイブリッドコンピューティングの新しいフレームワークとして作業を位置付けています。彼らのGQEアプローチは、完全にエラー補正された量子機械が何年も離れたままであっても、短期の量子ハードウェアの実用的なアプリケーションへのシフトを強調しています。
チームによると、次のステップでは、メソッドのスケーリング、その効率の改善、および古典的なシミュレーションが不足している現実世界のケースをターゲットにすることに焦点を当てます。生成量子AIのより広範な概念は、物流、環境モデリング、およびそれ以降の課題に適応できると主張しています。
「これはほんの始まりです」と会社は書いています。 「私たちはすでにGQEをより複雑な分子に適用することを検討しています。既存の方法では現在解決できないものであり、この方法を実際のユースケースに拡張する方法を探ります。
