В 2020 году автор канала Looking Glass Universe приняла непростое решение — оставить карьеру исследователя в области квантовых вычислений сразу после получения степени PhD по прикладной математике в Кембриджском университете. Несмотря на заманчивые предложения о постдокторантуре, она предпочла уйти из академической среды, обеспокоенная тем, что квантовые компьютеры могут оказаться далеко не такими полезными в реальном мире, как принято считать. Пять лет спустя она возвращается к этой теме, чтобы проанализировать, оправдались ли её опасения и в каком состоянии индустрия находится сегодня.
🛠️ Прогресс «железа» против застоя в софте 0:00
Ситуация с аппаратным обеспечением за последние пять лет выглядит многообещающе. По словам автора, в 2020 году большинство компаний оперировали лишь десятками кубитов (на уровне 50), а сегодня существуют системы, превосходящие этот показатель в 10 раз. Ведущая отмечает, что, несмотря на сложнейшие инженерные вызовы, компании придерживаются своих дорожных карт и планируют создание полноценных квантовых компьютеров в перспективе 10–20 лет.
Однако программная часть, по мнению Looking Glass Universe, разочаровывает. Главная проблема заключается в глубоком непонимании того, для чего именно нужны эти машины. Ведущая подчеркивает несколько важных тезисов:
- Квантовые компьютеры — это не суперкомпьютеры общего назначения.
- Они не ускоряют выполнение обычных задач, таких как видеоигры или стандартные вычисления.
- Это узкоспециализированные устройства для решения специфических математических задач.
🔮 Принцип работы: магия параллелизма и ловушка измерения 1:44
Главное преимущество квантового компьютера — возможность обрабатывать несколько входных данных одновременно. В классическом компьютере одна строка битов на входе дает одну строку на выходе. В квантовом же можно ввести суперпозицию всех возможных комбинаций, и на выходе получится комбинация всех результатов.
Тем не менее, Looking Glass Universe указывает на критический «подвох»:
- Квантовый компьютер действительно выполняет экспоненциальный объем вычислений одновременно.
- Но в момент измерения (попытки прочитать ответ) состояние коллапсирует.
- Результат оказывается случайным, что делает всё вычисление бесполезным, если не использовать специальные алгоритмы.
Чтобы извлечь пользу, необходимо придумать крайне хитроумный способ манипуляции квантовым состоянием до измерения, чтобы «выудить» из огромного массива данных только нужный ответ.
🧬 Алгоритм Шора и сложность разработки 6:23
Классическим примером успеха является алгоритм Питера Шора, представленный в 1994 году. Он позволяет быстро находить множители огромных чисел, что является непосильной задачей для классических ЭВМ.
Процесс работы алгоритма Шора выглядит следующим образом:
- Создание огромной суперпозиции всех входных данных.
- Сложная манипуляция состоянием (дополнительные квантовые шаги), которая не дает состоянию просто «схлопнуться» в случайный шум.
- Измерение, которое в итоге выдает именно ту крупицу информации, которая нужна для факторизации числа.
Автор видео выражает разочарование тем, что за десятилетия после открытия Шора было найдено крайне мало сопоставимых по значимости алгоритмов. Проблема в том, что для большинства сложных задач квантовые алгоритмы либо еще не найдены, либо их вовсе не существует для данного класса проблем.
🧪 Разочарование в квантовой химии и машинном обучении 9:58
Looking Glass Universe скептически оценивает перспективы квантового машинного обучения (QML). По её мнению, квантовые компьютеры эффективны там, где есть структура, в то время как алгоритмы ИИ работают с огромными массивами неструктурированных данных из интернета, что не является сильной стороной квантовых систем.
Ещё большим разочарованием для неё стала область квантовой химии. Ранее считалось, что квантовые компьютеры смогут экспоненциально ускорить симуляцию молекул для медицины. Однако ведущая указывает на скрытую фундаментальную проблему в алгоритме оценки энергии основного состояния (Phase Estimation):
- Для работы алгоритма нужно уже иметь состояние кубитов, представляющее основное состояние молекулы.
- Фактически, чтобы запустить вычисление, нужно заранее знать ответ или иметь очень точную догадку.
- Нет никакой гарантии, что «догадка» (overlap) будет достаточно близка к реальности для получения результата.
В подтверждение своих слов автор ссылается на научную работу 2022 года «Is there evidence for exponential quantum advantage?», авторы которой пришли к выводу, что доказательств экспоненциального преимущества в химических задачах пока не найдено.
⚡ Надежда на квантовые симуляции 15:08
Единственной областью, внушающей оптимизм, Looking Glass Universe называет квантовое моделирование (Quantum Simulations). Это то, ради чего Ричард Фейнман изначально предложил идею квантового компьютера: моделирование квантовых систем с помощью самих квантовых систем.
Потенциально полезные применения включают:
- Сверхпроводники: Поиск материалов, работающих при комнатной температуре без потери энергии.
- Солнечные батареи: Повышение эффективности выше нынешнего предела в 25%, характерного для кремния.
- Фиксация азота: Разработка более энергоэффективных методов производства удобрений.
- Фундаментальная наука: Моделирование поведения черных дыр.
В этих задачах кубиты напрямую имитируют поведение электронов в материалах, что гораздо проще, чем пытаться описать их на классическом компьютере.
🎓 Итоги: почему алгоритмы в дефиците? 19:05
Неожиданным светом в конце туннеля стал новый алгоритм, доказанный в 2023 году. Группа исследователей показала экспоненциальное ускорение для специфической задачи с «рандомным оракулом». Хотя это пока чисто теоретический результат, он доказывает, что новые квантовые алгоритмы всё еще могут быть открыты.
Автор резюмирует, что в индустрии наблюдается перекос: огромные ресурсы вкладываются в «железо» и исправление ошибок, но разработка алгоритмов остается непопулярной из-за своей чрезвычайной сложности. Looking Glass Universe считает, что если полноценный квантовый компьютер появится завтра, человечеству просто нечего будет на нем запускать, поэтому поиск новых алгоритмов — самая важная, хоть и трудная задача сегодня.
