Исследователи Чи Чен из IonQ и Маттиас Тройер из Microsoft предложили новый подход к использованию квантовых вычислений: вместо того чтобы решать химические задачи напрямую, квантовые компьютеры будут генерировать высокоточные данные о поведении электронов в молекулах. Эти данные затем используются для обучения ИИ-моделей, которые смогут делать быстрые и точные предсказания уже на классических компьютерах. Работа опубликована в IEEE Spectrum и привлекла внимание научного сообщества.
В основе подхода лежит концепция «лестницы Якоба» — иерархия вычислительных методов от простых приближений до точных расчётов. Классические компьютеры сталкиваются с так называемой «экспоненциальной стеной»: сложность вычислений растёт экспоненциально с увеличением размера молекулы, особенно когда электроны сильно взаимодействуют друг с другом. Квантовые компьютеры способны преодолеть этот барьер, моделируя квантовые системы на фундаментальном уровне.
Гибридный подход объединяет квантовую точность с скоростью ИИ. Квантовый компьютер создаёт эталонные наборы данных о химических взаимодействиях, а нейросети обучаются на этих данных и затем выполняют предсказания в тысячи раз быстрее. Это позволяет учёным достигать высокой точности моделирования без колоссальных вычислительных затрат, открывая путь к ускорению разработки новых материалов и лекарств.
Практический потенциал подхода уже продемонстрирован: совместно с Тихоокеанской северо-западной национальной лабораторией (PNNL) исследователи использовали ИИ-модели для анализа 32 миллионов кандидатных материалов для батарей. За одну неделю ИИ отобрал около 500 000 стабильных кандидатов и примерно 800 наиболее перспективных вариантов. В результате был синтезирован натриевый твердотельный электролит, который значительно снижает потребность в литии по сравнению с обычными литий-ионными батареями.
Несмотря на впечатляющие перспективы, технология сталкивается с серьёзными вызовами. Для полноценной работы квантовым компьютерам требуются сотни и тысячи высококачественных кубитов с крайне низким уровнем ошибок. Отказоустойчивые машины могут потребовать миллионы физических кубитов, а полномасштабное развёртывание остаётся задачей на годы вперёд. Тем не менее уже сейчас промежуточные результаты квантовых вычислений дают ИИ-моделям данные, недоступные классическим методам.
Предложенная концепция знаменует важный сдвиг в понимании роли квантовых компьютеров: их ближайшее практическое применение может оказаться не в прямом решении задач, а в создании обучающих данных для искусственного интеллекта. Если подход масштабируется, это ускорит открытие новых лекарств, катализаторов и энергетических материалов, объединив мощь квантовой физики и машинного обучения в единую исследовательскую платформу.
