PSI hyödyntää tekoälyä edistääkseen tieteellistä läpimurtoa kvanttilaskennassa

Kuva: TechCrunch · Lähde

Startup-yritys PSI käytti julkaisemattoman Anthropicin tekoälymallin versiota ratkaistakseen pitkään vaivanneen kvanttilaskennan ongelman, osoittaen tekoälyn kasvavaa roolia tieteellisessä tutkimuksessa ja sen potentiaalia muuttaa teoreettinen fysiikka käytännön teknologioiksi.

Physical Superintelligence (PSI), startup-laboratorio joka keskittyy tekoälyn ohjaamaan tieteelliseen tutkimukseen, on äskettäin saavuttanut merkittävän läpimurron ratkaisemalla 18 vuotta vanhan kvanttilaskennan ongelman hyödyntämällä julkaisemattoman version Anthropicin Fable 5.2 -tekoälymallista. David Turturean, MIT:n alumnus ja PSI:n tekninen työntekijä, käytti varhaista pääsyä tähän edistykselliseen malliin ratkaistakseen Aaronson-Ambainisin konjektuurin – perustavanlaatuisen kysymyksen kvanttitietokoneiden kyvystä ylittää klassiset tietokoneet ongelmanratkaisun nopeudessa.

Tämän ongelman, jota tutkijat mukaan lukien Scott Aaronson ovat tutkineet, oli ratkaisematta lähes kaksi vuosikymmentä. Vaikka Aaronson itse myönsi epävarmuutta tekoälyn tuottaman todistuksen yksityiskohdista, hän ilmaisi luottamuksensa sen oikeellisuuteen, koska todistus oli formalisoitu Lean-kielellä, tiukalla matemaattisella koodauskielellä, ja sitä oli tarkastellut huippuluokan tutkijoiden tiimi, joka työskenteli yhdessä PSIn kanssa. Tekoälyn ratkaisu antoi negatiivisen tuloksen, sulkien pois yhden mahdollisen polun, jonka kautta kvanttitietokoneet olisivat voineet saavuttaa suuren nopeuden ongelmanratkaisussaan, kaventaen näin kvanttilaskennan tutkimuksen painopistettä.

PSIn lähestymistapa edustaa uutta paradigmaa tieteellisessä tutkimuksessa: erikoistuneiden tekoälymallien yhdistämistä kattaviin tutkimuskehyksiin ja työkaluihin monimutkaisten teoreettisen fysiikan ongelmien ratkaisemiseksi. Toimitusjohtaja Matt Pines korosti tällaisten järjestelmien tarvetta tarjota laaja-alaista ja syvällistä tieteellisten kysymysten tutkimusta vankkojen infrastruktuurien, mukaan lukien muistijärjestelmien ja simulointikykyjen, avulla.

Tällä hetkellä PSI tuottaa tuloja hyödyntämällä tekoälytyökalujaan optimoimalla fyysisten datakeskusten toimintaa, simuloiden ympäristö- ja fysikaalisia muuttujia, jotka vaikuttavat sekä suorituskykyyn että yhteisövaikutuksiin. Yrityksen pitkän aikavälin visio on kuitenkin kääntää tekoälyn avulla edistetyt teoreettisen fysiikan edistysaskeleet konkreettisiksi teknologioiksi.

Startupin läpimurto heijastaa tekoälyn häiritsevää potentiaalia aloilla, jotka perinteisesti ovat olleet haastavia konepohjaiselle päättelylle, erityisesti kokeellisissa tieteissä, joissa luonnonilmiöt on varmistettava fyysisten kokeiden avulla. Pines totesi, että toisin kuin matematiikka, fysiikka sisältää reaalimaailman muuttujia, jotka voivat vahvistaa tai kumota laskennalliset mallit, mikä tekee kokeellisesta validoinnista keskeisen osan. PSI kehittää iteratiivisia silmukoita tekoälyn generoimien hypoteesien ja empiirisen testauksen välillä hyödyntääkseen näitä löydöksiä tehokkaasti.

Tekoälyn nopeuttaessa tieteellistä löytämistä PSI ja sen akateemiset neuvonantajat korostavat avoimuuden ja yhteistyön merkitystä. Yritys viivästytti tulosten julkistamista siihen asti, kunnes tekoälymalli oli lähellä julkaisua, antaen aikaa asiantuntijoiden konsultoinnille ja esityksen hiomiselle ihmisen ymmärrystä varten. Tämä varovainen lähestymistapa korostaa nousevia parhaita käytäntöjä tekoälyyn perustuvassa tutkimuksessa, tasapainottaen nopean innovaation tieteellisen tarkan menetelmän kanssa.

PSIn tapaus korostaa laajempaa muutosta, jossa "neotalot tieteelle" nousevat hyödyntäen tekoälyä edistääkseen fysiikan ja siihen liittyvien tieteenalojen rajoja. Vaikka haasteita on edelleen työnkulkujen standardoinnissa ja validoinnissa tässä uudessa tutkimuskentässä, esitetyt tulokset vahvistavat tekoälyn mullistavan roolin tieteen tiedon laajentamisessa ja lopulta uusien teknologioiden mahdollistamisessa.