هوش مصنوعی یک محدودیت طولانی مدت در مورد مزایای رایانه های کوانتومی را تأیید می کند

کامپیوترهای کوانتومی نمی توانند به طور قابل توجهی از کامپیوترهای استاندارد برای برخی محاسبات بهتر عمل کنند

یک حدس ده‌ها ساله و بسیار تأثیرگذار در مورد محاسبات کوانتومی سرانجام توسط هوش مصنوعی به اثبات رسید. این تایید می کند که یک کلاس کامل از مسائل ریاضی به راحتی توسط کامپیوترهای کوانتومی حل نمی شود.

در سال 1999، اسکات آرونسون از دانشگاه تگزاس در آستین در مورد اینکه دقیقا چه زمانی رایانه‌های کوانتومی می‌توانند نسبت به همتایان معمولی خود برتری داشته باشند، گیر کرد.

در این زمان، محققان حداقل یک مثال از مسئله‌ای را می‌دانستند که در آن رویکرد کوانتومی بر سایرین برتری داشت: الگوریتم شور برای فاکتورگیری اعداد. اما آنها مشکوک بودند که این به ساختار ریاضی خاصی بستگی دارد که زیربنای مسئله فاکتورگیری است. آرونسون به این فکر کرد که آیا کامپیوترهای کوانتومی می‌توانند در حالت مخالف نیز برنده شوند، در حالی که مشکل حاوی ساختار کم یا بدون تصادفی است. در سال 2011، او و آندریس آمباینیس در دانشگاه لتونی به طور رسمی حدس زدند که حداقل در یک مورد پاسخ منفی است، اما نتوانستند آن را ثابت کنند.

اکنون، دیوید تورتورین در استارت آپ Physical Superintelligence (PSI) و همکارانش از مدل Fable 5.2 آنتروپیک برای ارائه این مدرک استفاده کرده اند. این یک کلاس کامل از مشکلات را از رقابت برای درک اینکه کامپیوترهای کوانتومی در چه چیزی بهترین هستند حذف می کند.

آمباینیس می‌گوید: «این یک سؤال ریاضی بسیار واضح است که پیامدهایی برای محاسبات کوانتومی دارد، و حل آن به اندازه‌ای که خودم از آن صرف نظر کرده بودم، بسیار سخت بوده است». تورتورین می‌گوید: «این ممکن است یکی از [معدود] سؤال‌های باز باقی‌مانده‌ای باشد که ارزش پیگیری دارد.

مشکلی که در قلب حدس‌های Aaronson-Ambainis (AA) وجود دارد، مستلزم آن است که یک کامپیوتر پس از تغذیه یک رشته بزرگ اما تصادفی از بیت‌ها، یا 1s و 0s، به سؤال «بله» یا «نه» پاسخ دهد. آیا یک کامپیوتر کوانتومی می تواند با نگاه کردن به رشته به میزان قابل توجهی کمتر از یک کامپیوتر معمولی پاسخی دریافت کند؟ محققان حدس زدند که یک کامپیوتر معمولی می تواند عملکرد کامپیوتر کوانتومی را برای اکثر رشته ها و بدون نیاز به زمان زیادی تقریبی کند. ساده تر، شما می توانید با عدم استفاده از کامپیوتر کوانتومی خلاص شوید.

مهمتر از همه، آرونسون و آمباینیس این بیانیه را در هسته حدس خود به زبان چندجمله ای ها ترجمه کردند و آن را به عنوان یک مسئله در زمینه متفاوتی از ریاضیات محض بازنویسی کردند. آرونسون می‌گوید: «فکر نمی‌کردیم که مانند آن پیش بیاید. افرادی که در زمینه‌های خودشان نیروگاه بودند و به محاسبات کوانتومی اهمیتی نمی‌دادند، علاقه‌مند شدند.

پیشرفت PSI مبتنی بر کار چنین ریاضیدانانی است. Turturean می‌گوید که حدود 4 روز طول کشید تا Fable 5.2، که در آن زمان در دسترس عموم قرار نگرفت، تکمیل اثبات، بهبود و اصلاح آن دو بار، و تأیید نسخه نهایی با نرم‌افزار proof-checking Lean. سپس تیم PSI اثبات را با گای بلان، جردن داکتر، کارمن استراسل و لی یانگ تان در دانشگاه استنفورد در کالیفرنیا به اشتراک گذاشت که آن را مطالعه کردند و توضیحی نوشتند که اجزای اصلی آن را آشکار کرد.

در بیانیه ای مشترک برای نیوساینتیست، آنها نوشتند که اثبات جدید به طور معناداری از همه مطالعاتی که از آنها استفاده می کند، پیشی می گیرد. آنها نوشتند: "شواهد کاملا متفاوت هستند - و بسیار دشوارتر. همه چیز نیز به شیوه ای بدیع به هم تنیده شده است."

شاچار لاوت از دانشگاه کالیفرنیا، سن دیگو، که کارش یکی از اجزای اصلی اثبات بود، می‌گوید که این توضیح ترفندهایی را نشان می‌دهد که اکنون ریاضیدانان می‌توانند از آنها یاد بگیرند و دوباره از آنها استفاده کنند. او می‌گوید: "این به ما کمک می‌کند تا تحقیقات خود را هدایت کنیم. چیزی که فکر می‌کنم از این ابزارهای هوش مصنوعی حاصل می‌شود این است که اکنون شاید بتوانیم سوالات بلندپروازانه‌تری بپرسیم."

اما لاوت در مورد تأثیری که این کار جدید ممکن است بر محاسبات کوانتومی داشته باشد محتاط است، زیرا بیشتر ریاضی است تا عملی. از نظر آرونسون وزن مفاهیم عملی نیز نامشخص است. او می‌گوید: «این یک جهت بالقوه را رد می‌کند که در آن می‌توان به دنبال افزایش‌های کوانتومی بود، اما به هر حال این یک جهت قابل قبول نبود. اکنون سوال آشکار این است که کجا باید به دنبال مشکلات جدیدی بود که رایانه‌های کوانتومی به طور منحصر به فردی برای مقابله با آنها قرار دارند.

تیم استنفورد نوشت: "این بسیار با پایان افزایش سرعت کوانتومی فاصله دارد. در عوض، به ما اطلاع می دهد که چه نوع مشکلاتی را باید در نظر بگیریم." آنها نوشتند که یک مشکل مشابه با یک رشته ورودی تصادفی کوتاهتر یا کمتر، یا رشته ای که کامپیوتر کوانتومی فقط برای آن پاسخ "بله" یا "خیر" نمی دهد، همچنان می تواند از رویکرد کوانتومی بهره مند شود. این امر مشکلات بسیار زیادی از جمله شبیه‌سازی مولکول‌های مرتبط صنعتی و برخی مشکلات بهینه‌سازی را بر جای می‌گذارد.

آرونسون می‌گوید که بسیاری از بهترین سؤال‌های مطرح شده از نظر ریاضی مربوط به علم اطلاعات کوانتومی قبلا به هوش مصنوعی رسیده‌اند، بنابراین وقت آن رسیده است که سؤال‌های جدیدی را تدوین کنیم. متیو پاینز در PSI می‌گوید که او و همکارانش اکنون می‌خواهند از هوش مصنوعی دقیقا برای کشف ایده‌های جدید استفاده کنند، نه اینکه فقط مشکلات معروف را از بین ببرند. آینده نشان خواهد داد که چقدر می تواند موفق باشد. Ambainis می‌گوید: "یک جهش خلاقانه بزرگ مورد نیاز است. من فکر می‌کنم این چیزی است که هوش مصنوعی هنوز خوب نیست."