دکتر جمال صوفیه
در سال ۲۰۱۳، گوگل و سازمان فضایی آمریکا (ناسا) آزمایشگاهی را برای پردازش کوانتومی راهاندازی کردند. هدف این بود که با بهرهگیری از یک رایانه کوانتومی تخصصی، ساخته شرکت کانادایی «دی-ویو»، فرایند دشوار و سنگینِ آموزش الگوریتمهای یادگیری ماشین بهینهسازی شود. اما متأسفانه این آزمایشگاه نه یک بار، بلکه در دو جبهه متفاوت از زمانه خود جلوتر بود.
همانطور که آلن باراتز، مدیرعامل کنونی دی-ویو، اکنون اذعان میکند، در آن مقطع نه یادگیری ماشین، که بهزودی نام «هوش مصنوعی» را به خود گرفت و نه پردازش کوانتومی، هیچیک به پختگی و نضج نرسیده بودند. مقاله علمی منتشرشده در نشریه نیچر فیزیکس درست یک سال پس از تأسیس این آزمایشگاه نشان داد که دستگاه دی-ویو در پردازشهای مرتبط با هوش مصنوعی، عملکرد بهتری نسبت به یک واحد پردازش گرافیکی (GPU) معمولی ندارد.
با این حال، سرنوشت هوش مصنوعی و پردازش کوانتومی همچنان به یکدیگر گره خورده است. برخی این دو را مکمل یکدیگر میدانند: پیشرفتهای هوش مصنوعی تلاشها برای ساخت رایانههای کوانتومی را تقویت کرده است، همانطور که پیشرفت در الگوریتمهای کوانتومی، نویدبخش شیوههایی نوین برای ارتقای هوش مصنوعی بوده است. در مقابل، برخی دیگر این دو فناوری را رقیب هم میانگارند. اگر به ادعای آزمایشگاههای امروزی هوش مصنوعی گوش فرادهیم، تا زمانی که رایانههای کوانتومی بهطور کامل عملیاتی و کاربردی شوند، شاید دیگر مسئله کاربردیِ چندانی باقی نمانده باشد که هوش مصنوعی از عهده حل آن برنیامده باشد.
واقعیت اما پیچیدگی کمتری دارد. نقطه تلاقی هوش مصنوعی و رایانههای کوانتومی در سه حوزه خلاصه میشود: نخست، مسائلی که در صدد حل آنها هستند؛ دوم، نحوهی بهکارگیری هریک در توسعه و ساخت دیگری؛ و سوم، منابعی که بر سر آنها به رقابت میپردازند. در هر سه حوزه نیز، «همکاری و تعامل» راهبردی برای پیروزی به نظر میرسد.
نویدبخشترین کاربرد رایانههای کوانتومی، شبیهسازیِ خودِ مکانیک کوانتومی است؛ حوزهای که در عمل، علوم مواد، شیمی و زیستشناسی را شامل میشود. محاسبات لازم برای شبیهسازیِ حتی سادهترین واکنشهای شیمیایی چنان سنگین و طاقتفرساست که ابررایانهها نیز ناچار به تقریبزدنهای تقریبی و خطاپذیر بسنده میکنند. یک رایانه کوانتومی بهقدر کافی قدرتمند میتواند شبیهسازیهایی واقعی و با دقتِ بسیار بالا را در بنیادیترین سطحِ واقعیت امکانپذیر سازد.
اما شرکتهای فعال در حوزهی هوش مصنوعی، مانند «آیزومورفیک لبز» یا «کاسپآپ-آی»، از هماکنون مشغول توسعه سامانههایی هستند که هدفشان حل همین چالشهاست؛ با این تفاوت که بهجای شبیهسازیهای فوقدقیق، بر بازشناسی الگوها برای پیشبینی متکی هستند.
چاد ادواردز، همبنیانگذار کاسپآپ-آی، پیشتر از مدیران ارشد «کوانتینئوم» (یک استارتآپ پردازش کوانتومی در کمبریج) بود، تا اینکه سرعت خیرهکننده پیشرفت در هوش مصنوعی او را متقاعد کرد تا مسیر شغلی خود را تغییر دهد.
اما گاهی این مناقشه در جهت عکس رخ میدهد. در ماه مارس، پژوهشگران چینی یک سامانه کوانتومی مقیاسکوچک را به نمایش گذاشتند که توانست در پیشبینی هواشناسی از روشهای سنتی و کلاسیک پیشی گیرد. این مقاله در مطبوعات هنگکنگ بهعنوان ضربهای به صنعت هوش مصنوعی، بازتاب زیادی داشت که میتواند مراکز داده گرانقیمت را از رده خارج کند.
دیوید کاکس، معاون ارشد مدلهای هوش مصنوعی در شرکت آیبیام، چنین نگرشِ «بازی با حاصلجمع صفر» را نادرست میداند. او معتقد است رایانههای کوانتومی همواره جایگاه ویژه خود را حفظ خواهند کرد، چراکه «هیچ نوع رایانهی دیگری نمیتواند کارهایی را انجام دهد که از عهده یک رایانهی کوانتومی برمیآید.»
یک مدل هوش مصنوعی که میکوشد واکنشهای شیمیایی را پیشبینی کند، ابتدا باید روی میلیونها نمونه آموزش ببیند تا بتواند قواعد بازی را استخراج و درک کند. از آنجا که رایانههای کوانتومی شبیهسازیهای دقیقتری را میسر میسازند، مدلهای آموزشدیده بر اساس این شبیهسازیها نیز باید به پیشبینیهای بهتری دست یابند. این مدلها به نوبه خود میتوانند به شناسایی بخشهای نویدبخش دیگری از علم شیمی کمک کنند تا هدف بعدی رایانههای کوانتومی قرار گیرند.
روچیر پوری، دانشمند ارشد بخش پژوهش آیبیام، در این باره میگوید: «این نخستین باری است که حلقه بهینهسازی در این فرایند کامل میشود.»
دومين شیوه همافزایی پردازش کوانتومی و هوش مصنوعی، شتاببخشی به روند پیشرفت یکدیگر است. سامانههای هوش مصنوعی میتوانند به حل یکی از بزرگترین موانع در راه ساخت رایانههای کوانتومی قدرتمند کمک کنند: مدیریت و کنترل خطاها. «بیتهای کوانتومی» یا کیوبیتها، که ساختار اصلی رایانههای کوانتومی را تشکیل میدهند، بهشدت خطاپذیر و نامطمئن هستند.
مهندسان برای رفع این مشکل، چند کیوبیت فیزیکی را در قالب یک کیوبیت «منطقی» گروهبندی میکنند تا کیوبیتهای فیزیکیِ متعدد، صحّت کار یکدیگر را بسنجند. شرکتهایی نظیر استارتآپ «اینفلکشن» بر این باورند که میتوانند این فرایند را با استفاده از یک «رمزگشا» متکی بر هوش مصنوعی بهبود بخشند؛ رمزگشایی که در کنار رایانهی کوانتومی قرار میگیرد و به مدیریت فرایند تصحیح خطا کمک میکند. افزون بر این، نرمافزارنویسی برای رایانههای کوانتومی بهشدت دشوار است و هوش مصنوعی میتواند در این حوزه نیز راهگشا باشد.
رایانههای کوانتومی نیز به نوبه خود میتوانند هوش مصنوعی را ارتقا دهند. یک نمونه آن، بهکارگیری رویکردی کوانتومی در سازوکاری موسوم به «مخزن» است که پژوهشگران هوش مصنوعی برای مدلسازی سامانههای پیچیدهای مانند بازارهای مالی از آن بهره میبرند.
«رایانش مخزنی» به هوش مصنوعی اجازه میدهد تا با مشاهده تأثیرات یک سامانه پر سر و صدا، پیچیده و سریع بر یک واسط، آن سامانه را با هزینهای اندک مدلسازی کند. هر بار که دادههای جدید به مخزن تزریق میشود، وضعیت آن اندکی تغییر میکند. خروجیهای این سامانه نمایانگر پیچیدگی دادههای ورودی است، اما مدلسازی آنها میتواند بسیار سادهتر باشد؛ درست مانند موجهای روی سطح یک حوضچه که ابعاد، شکل و سرعت سنگهای پرتابشده به داخل آن را بازمیتابانند. این رویکرد معادلهایی در رایانش کلاسیک دارد، اما رایانههای کوانتومی میتوانند از ویژگیهای منحصربهفرد خود برای بهبود و ارتقای این فرایند بهره جویند.
شرکت استرالیایی «اسکیوسی» دقیقاً همین نوع تراشههای مخزن کوانتومی را به فروش میرساند. شرکت مخابراتی «تلسترا»، که هم سرمایهگذار و هم از نخستین مشتریان این فناوری است، زمان آموزش مدلهای هوش مصنوعی خود را تا ۹۰ درصد کاهش داده است.
با این حال، میشل سیمونز، بنیانگذار اسکیوسی، میگوید این تصور ذهنی که کار با پردازش کوانتومی دشوار است، همچنان پابرجا است: «ما حتی نامی از کوانتوم نمیبریم و از آن صرفاً بهعنوان یک «شتابدهنده هوش مصنوعی» یاد میکنیم.»
دکتر کاکس از شرکت آیبیام نیز تأیید میکند که رایانههای کوانتومی میتوانند به فرایند آموزش مدلهای هوش مصنوعی کمک کنند؛ وظیفهای که در حال حاضر توسط میلیونها GPU در مراكز دادهی پرمصرف صورت میگیرد.
او میگوید: «فرصتهای واقعی و بنیادینی درست در هسته نحوه اجرای امروزی هوش مصنوعی وجود دارد تا بتوان از رایانههای کوانتومی بهرهبرداری کرد.»
اگر ادعای او درست باشد، دستاوردها لزوماً تنها از محل سرعت به دست نخواهند آمد. رایانههای کوانتومی دستگاههایی گرانقیمت و بسیار حساس هستند. حالات ظریف کوانتومی که کارکرد آنها را ممکن میسازد، باید بهدقت در برابر جهان بیرونی محافظت شوند.
در مرکز پژوهشی آیبیام در یورکتاون هایتسِ نیویورک، یکی از رایانههای کوانتومی «سیستم ۲» این شرکت در میانه اتاق صدای وز وزش شنیده میشود. خودِ رایانه کوانتومی درون مخزنی از هلیوم مایع قرار دارد تا دمای آن به فاصلهای بسیار اندک از صفر مطلق برسد. مدارهای تخصصی مورد استفاده برای کنترل آن، در اطراف مخزن جای گرفتهاند و مجموعه بسیار بزرگتر و پرصداتری از ماشینآلات در کنار اتاق مستقر شدهاند تا توانِ سامانه سرمایهای را تأمین کنند.
اما این دستگاه با وجود تمام حجیمبودنش، همچنان بسیار کوچکتر و کمهزینهتر از مراکز داده عظیمی است که پر از GPUهای مورد نیاز برای پیشرفتهترین مدلهای هوش مصنوعی هستند.
جری چاو، مدیر برنامه کوانتومی آیبیام، میگوید: «ما بهجای گیگاوات، در سطح مگاوات عمل میکنیم.»
برای بسیاری از حوزهها، از جمله هوش مصنوعی، جذابیت پردازش کوانتومی تغییر یافته است: فناوریای که روزگاری به امید سرعت بیشتر انتظارش کشیده میشد، اکنون به دلیل کارایی و بهرهوری بسیار بالاتر، جذاب به نظر میرسد.
برای مثال سختافزار اختصاصی شرکت اسکیوسی با وجود نیاز به سرمایش تا دمای ۲۶۹- درجهی سانتیگراد، بهگونهای ساخته شده که در یک راک سرور استاندارد جای میگیرد و کمتر از یکدهمِ برقِ یک راک پر از GPU را مصرف میکند.
آیبیام و دی-ویو از جمله چندین آزمایشگاه کوانتومی بودند که دولت آمریکا در ماه می ، ۲ میلیارد دلار در آنها سرمایهگذاری کرد.
آرویند کریشنا، مدیرعامل آیبیام، این اقدام را بیانیهای بر اعتماد به این صنعت دانست و تأکید کرد که صنعت پردازش کوانتومی «در یکقدمی تحول نهایی است». بخش هوش مصنوعی نیز به انتظار خواهد نشست تا به استقبال آن برود. (برگرفته از محتواهای اکونومیست)
