PSI wykorzystuje sztuczną inteligencję do postępu w odkryciach naukowych dzięki przełomom w komputerach kwantowych

Image: TechCrunch · Source

Startup PSI wykorzystał nieopublikowany model AI Anthropic, aby rozwiązać długoletni problem w komputerach kwantowych, co ilustruje rosnącą rolę AI w badaniach naukowych oraz jej potencjał do przekształcania fizyki teoretycznej w praktyczne technologie.

Physical Superintelligence (PSI), startupowe laboratorium skoncentrowane na badaniach naukowych wspieranych przez sztuczną inteligencję, niedawno dokonało istotnych postępów, rozwiązując 18-letni problem w informatyce kwantowej, wykorzystując nieopublikowaną wersję zaawansowanego modelu AI Anthropic o nazwie Fable 5.2. David Turturean, absolwent MIT i członek zespołu technicznego PSI, wykorzystał wczesny dostęp do tego modelu, aby rozwiązać hipotezę Aaronsona-Ambainisa — fundamentalne pytanie dotyczące zdolności komputerów kwantowych do przewyższania klasycznych w szybkości rozwiązywania problemów.

Problem ten, postawiony przez badaczy w tym Scotta Aaronsona, pozostawał nierozwiązany od prawie dwóch dekad. Chociaż sam Aaronson wyraził niepewność co do szczegółów dowodu wygenerowanego przez AI, wyraził pewność co do jego poprawności, ponieważ był on sformalizowany w Lean — rygorystycznym języku kodowania matematycznego — i zweryfikowany przez zespół czołowych badaczy współpracujących z PSI. Rozwiązanie AI przyniosło rezultat negatywny, eliminując jedną z potencjalnych dróg, którymi mogłyby podążyć komputery kwantowe, aby osiągnąć szybkie rozwiązywanie problemów, co zawęża zakres obecnych badań nad komputerami kwantowymi.

Podejście PSI stanowi przykład nowego paradygmatu w badaniach naukowych: integrację wyspecjalizowanych modeli AI z kompleksowymi ramami i narzędziami badawczymi do rozwiązywania złożonych problemów z zakresu fizyki teoretycznej. CEO Matt Pines podkreślił konieczność posiadania takich systemów, które zapewniają szerokie i głębokie eksploracje pytań naukowych poprzez solidne infrastruktury, w tym systemy pamięci i możliwości symulacyjne.

Aktualnie PSI generuje przychody, wykorzystując swoje narzędzia AI do optymalizacji operacji fizycznych centrów danych, symulując zmienne środowiskowe i fizyczne, które wpływają zarówno na wydajność, jak i efekty społeczne. Jednak długoterminowa wizja firmy koncentruje się na przekształcaniu postępów w fizyce teoretycznej – wspieranych przez AI – w namacalne technologie.

Przełom startupu odzwierciedla potencjał zakłócający AI w dziedzinach tradycyjnie trudnych dla rozumowania maszynowego, zwłaszcza w naukach eksperymentalnych, gdzie zjawiska naturalne muszą być potwierdzane poprzez eksperymenty fizyczne. Pines zauważył, że w przeciwieństwie do matematyki, fizyka obejmuje zmienne rzeczywistego świata, które mogą potwierdzić lub zanegować modele obliczeniowe, co czyni walidację eksperymentalną kluczowym elementem. PSI rozwija więc iteracyjne pętle pomiędzy hipotezami generowanymi przez AI a testami empirycznymi, aby skutecznie wykorzystać te odkrycia.

W miarę jak AI przyspiesza tempo odkryć naukowych, PSI i jego doradcy akademiccy podkreślają znaczenie przejrzystości i współpracy. Firma opóźniła publiczne udostępnienie wyników do momentu, gdy bazowy model AI zbliżył się do gotowości do publikacji, pozwalając na konsultacje z ekspertami i dopracowanie prezentacji dla zrozumienia przez ludzi. To ostrożne podejście podkreśla wyłaniające się najlepsze praktyki w badaniach prowadzonych przez AI, równoważąc szybkie innowacje z rygorem metodologicznym.

Przypadek PSI podkreśla szerszą zmianę, gdy pojawiają się "neolabory dla nauki", wykorzystujące AI do przesuwania granic fizyki i pokrewnych dyscyplin. Choć nadal istnieją wyzwania związane ze standaryzacją procesów i walidacją w tym nowym krajobrazie badawczym, przedstawione rezultaty potwierdzają transformującą rolę AI w rozszerzaniu wiedzy naukowej i ostatecznie umożliwianiu powstawania nowych technologii.