PSI utnyttjar AI för att driva vetenskapliga upptäckter med genombrott i kvantdatorer

Bild: TechCrunch · Källa

Startupen PSI använde en ännu inte släppt AI-modell från Anthropic för att lösa ett gammalt problem inom kvantdatorer och illustrerar AI:s växande roll inom vetenskaplig forskning och dess potential att omvandla teoretisk fysik till praktisk teknik.

Physical Superintelligence (PSI), ett startup-laboratorium fokuserat på AI-driven vetenskaplig forskning, gjorde nyligen betydande framsteg genom att lösa ett 18 år gammalt problem inom kvantdatorer med hjälp av en ännu inte offentlig version av Anthropics AI-modell Fable 5.2. David Turturean, MIT-alumn och teknisk medarbetare vid PSI, använde tidig tillgång till denna avancerade modell för att angripa Aaronson-Ambainis-konjekturen – en grundläggande fråga om kvantdatorers förmåga att överträffa klassiska datorer i problemlösningshastighet.

Problemet, som ställts av forskare inklusive Scott Aaronson, hade förblivit olöst i nästan två decennier. Även om Aaronson själv uttryckte osäkerhet om detaljerna i det AI-genererade beviset, uttryckte han förtroende för dess korrekthet eftersom det formaliserades i Lean, ett rigoröst matematiskt kodspråk, och granskades av ett team av framstående forskare som samarbetade med PSI. AI:s lösning gav ett negativt resultat som eliminerade en potentiell väg för kvantdatorer att uppnå hög hastighet i problemlösning, vilket inskränkte den pågående forskningen inom kvantdatorer.

PSI:s angreppssätt exemplifierar ett nytt paradigm inom vetenskaplig undersökning: att integrera specialiserade AI-modeller med omfattande forskningsramar och verktyg för att lösa komplexa problem inom teoretisk fysik. VD Matt Pines betonade nödvändigheten av sådana system för att möjliggöra breda och djupa utforskningar av vetenskapliga frågor genom robusta infrastrukturer, inklusive minnessystem och simuleringsmöjligheter.

För närvarande genererar PSI intäkter genom att använda sina AI-verktyg för att optimera fysiska datacentra, där man simulerar miljö- och fysiska variabler som påverkar både prestanda och samhällseffekter. Företagets långsiktiga vision är dock att omsätta framsteg inom teoretisk fysik – möjliggjorda med AI-assistans – till konkreta teknologier.

Startuppens genombrott speglar AI:s störande potential i områden som traditionellt varit utmanande för maskinellt resonemang, särskilt inom experimentell vetenskap där naturliga fenomen måste bekräftas genom fysiska experiment. Pines noterade att till skillnad från matematik involverar fysik verkliga variabler som kan bekräfta eller motbevisa beräkningsmodeller, vilket gör experimentell validering till en avgörande komponent. PSI utvecklar därför iterativa processer mellan AI-genererade hypoteser och empiriska tester för att effektivt kunna utnyttja dessa upptäckter.

Med AI som påskyndar vetenskapliga upptäckter, understryker PSI och dess akademiska rådgivare vikten av transparens och samarbete. Företaget väntade med att offentliggöra sina resultat tills den underliggande AI-modellen närmade sig en eventuell lansering, vilket gav tid att rådgöra med experter och finjustera presentationen för mänsklig förståelse. Detta försiktiga tillvägagångssätt framhäver framväxande bästa praxis inom AI-driven forskning, där snabb innovation balanseras med metodologisk stringens.

Fallet med PSI betonar en bredare förändring då "neolaboratorier för vetenskap" uppstår och använder AI för att tänja på gränserna inom fysik och relaterade discipliner. Trots kvarstående utmaningar med att standardisera arbetsflöden och validering i denna nya forskningsmiljö bekräftar de demonstrerade resultaten AI:s transformerande roll i att utvidga vetenskaplig kunskap och slutligen möjliggöra nya teknologier.