Современная электроника №2/2025

КОМПЕТЕНТНОЕ МНЕНИЕ 30 WWW.CTA.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА • № 2 / 2025 ла квантовых вычислений Microsoft Маттиасом Тройером, отмечается, что даже эти теоретические преиму- щества могут испаряться, учитывая, что квантовое оборудование функци- онирует на порядок медленнее совре- менных компьютерных чипов. Допол- нительную проблему представляет передача значительных объёмов клас- сических данных в квантовую систе- му и обратно, что усложняет исполь- зование квантовых компьютеров в реальных условиях. Исходя из этого, Тройер и его команда делают вывод, что квантовые компьютеры должны сосредоточиться на задачах в химии и материаловедении, требующих моде- лирования систем, управляемых кван- товыми эффектами. Ведь компьютер, работающий по тем же законам кван- товой механики, что и исследуемая система, обладает естественным пре- имуществом. Именно эта идея лежала в основе концепции квантовых вычис- лений с момента её зарождения бла- годаря известному физику Ричарду Фейнману. Многие явления, представ- ляющие огромный научный и эконо- мический интерес, такие как поведе- ние белков, молекулярная структура лекарственных препаратов и свой- ства материалов, подчиняются прави- лам квантовой механики. Их характе- ристики зависят от взаимодействия элементарных частиц, прежде всего электронов, поэтому точное модели- рование этих взаимодействий могло бы дать возможность прогнозировать свойства молекул. Это открывает путь к открытию новых лекарств, созданию более эффективных аккумуляторов и другим важным научным прорывам. Но квантовая механика, со своими парадоксальными правилами, осо- бенно явление квантовой запутан- ности, которое связывает состояния удалённых частиц, делает взаимодей- ствие частиц крайне сложным. Точная оценка таких взаимодействий требу- ет сложных математических расчётов, сложность которых растёт экспонен- циально с увеличением числа частиц. Это делает моделирование больших квантовых систем практически невоз- можным на классических компьюте- рах. Здесь на сцену выходят квантовые компьютеры. Работая на тех же кван- товых принципах, они могут эффек- тивно представлять квантовые состо- яния, что недоступно традиционным машинам. Более того, они способны использовать квантовые эффекты для ускорения вычислений. Однако не все квантовые системы одинаково слож- ны. Степень их сложности зависит от силы взаимодействия или корреляции между частицами. В системах с силь- ными взаимодействиями учёт всех этих связей резко увеличивает объ- ём вычислений, необходимых для моделирования. Тем не менее в боль- шинстве систем, представляющих практический интерес для химиков и материаловедов, взаимодействие частиц слабое, объясняет Карлео. Это значит, что частицы мало влияют на поведение друг друга, что значительно упрощает моделирование. Поэтому, по мнению Карлео, квантовые компью- теры вряд ли принесут значительное преимущество для решения большин- ства задач в химии и материаловеде- нии. Уже существуют классические методы, способные точно моделиро- вать слабосвязанные системы, самым известным из которых является тео- рия функционала плотности (DFT). Основной принцип DFT состоит в том, что для понимания ключевых харак- теристик системы достаточно знать электронную плотность – распределе- ние электронов в пространстве. Этот подход сильно упрощает вычисления, сохраняя высокую точность для сла- босвязанных систем. Моделирование больших систем с применением таких методов тре- бует значительной вычислитель- ной мощности. Однако за последние годы произошёл всплеск исследо- ваний, использующих DFT для ана- лиза химических соединений, био- молекул и материалов. Получаемые данные затем используются для обу- чения нейронных сетей. Эти модели искусственного интеллекта выявляют закономерности в данных, позволяю- щие предсказывать свойства конкрет- ных химических структур. При этом они на порядки дешевле в исполне- нии, чем стандартные расчёты DFT. Этот подход позволил значительно увеличить размеры систем, которые можно моделировать, – до 100 000 ато- мов одновременно, а также продол- жительность самого моделирования, рассказывает Александр Ткаченко, профессор физики Университета Люк- сембурга. «Это потрясающе, – отмечает он. – Теперь вы действительно може- те охватить большую часть химии». По словам Александра Исаева, про- фессора химии Университета Кар- неги-Меллон, подобные методы уже находят широкое применение в хими- ческой промышленности и науках о жизни. Ранее недоступные задачи, такие как оптимизация химических реакций, разработка новых матери- алов для аккумуляторов и изучение связывания белков, теперь становят- ся выполнимыми. Как и в большинстве приложений искусственного интеллекта, основ- ной ограничивающий фактор – это данные, подчёркивает Исаев. Недав- но опубликованная компанией Meta база данных о материалах содержала результаты расчётов теории функци- онала плотности (DFT) для 118 мил- лионов молекул. Обученная на этих данных модель продемонстрировала выдающиеся результаты, однако соз- дание обучающей выборки потребо- вало колоссальных вычислительных ресурсов, значительно превышающих возможности большинства исследова- тельских групп. Это указывает на то, что для полной реализации потенци- ала данного подхода потребуются зна- чительные инвестиции. Тем не менее моделирование слабо коррелирован- ных систем с использованием DFT не сталкивается с проблемой экспонен- циального роста сложности, поясняет Ткаченко. Это означает, что при нали- чии достаточного количества данных и вычислительных мощностей клас- сические подходы на базе ИИ могут успешно справляться даже с самы- ми крупными системами. Учитывая, что появление квантовых компьюте- ров достаточной мощности ожидает- ся лишь через несколько десятиле- тий, текущие тенденции развития ИИ предполагают, что он способен достичь важных целей, таких как точное моделирование взаимодей- ствия лекарств с белками, значитель- но раньше. Моделирование При моделировании сильно кор- релированных квантовых систем, где частицы интенсивно взаимодей- ствуют, методы вроде теории функци- онала плотности (DFT) быстро теряют свою эффективность. Хотя такие систе- мы встречаются реже, они включают материалы с потенциально револю- ционными свойствами, такими как высокотемпературная сверхпрово- димость или сверхчувствительные сенсоры. Даже в этих случаях искус- ственный интеллект демонстрирует значительный прогресс. В 2017 году