Наступний розділ у триваючій сазі про технології ШІ вже близько: агентний ШІ (agentic AI). Ось останнє оновлення IFI CLAIMS щодо патентної частини історії ШІ, включаючи інформацію про гравців, які захищають винаходи на всіх фронтах ШІ.

З кінця 2022 р., коли ChatGPT з'явився на ринку, частиною арени ШІ, увагу громадськості привернув генеративний ШІ та його здатність створювати контент, який відчувається майже – або, можливо, повністю! – людським.

Хоча світ залишається захопленим GenAI, ця галузь продовжує розширювати межі. Поточні крайні межі розвитку зосереджуються навколо підмножини GenAI, яка називається агентним ШІ. У чому різниця? Агентний ШІ – це більше, ніж просто навчання на даних та створення контенту. У цій ітерації ШІ «агент» вчиться на минулому і, як такий, може покращити свою продуктивність у майбутньому. Агенти ще більше схожі на людей тим, що вони можуть обробляти дані, міркувати, адаптуватися до змін, а потім діяти без додаткового людського втручання, яке б їх керувало.

Компанії починають бачити потенціал у тому, щоб працівники мали «асистентів», які допомагають їм виконувати завдання, звільняючи співробітників для виконання роботи вищого рівня. 

IFI CLAIMS завжди шукає сигнали в патентах до передових технологій. Компанія шукала документи заявок на патенти протягом останніх чотирнадцяти місяців, щоб зрозуміти, яке місце займає генеративний ШІ в широкій картині штучного інтелекту. Загальна класифікація патентів на ШІ включає такі технології, як машинне навчання, штучні нейронні мережі, обробка природної мови та обчислення на основі біологічних моделей. Патентні таксономії для GenAI — програм, що створюють текст, відео, зображення та аудіо — включають великі мовні моделі з архітектурою вбудовування слів, змагальні мережі та нейронні мережі, які називаються генеративними попередньо навченими трансформаторами (звідси походить абревіатура GPT). 

Якщо розглядати патенти на ШІ за останні 10 років, то лідирує Google. У світовому масштабі пошуковий гігант отримав 1837 патентів на ШІ, випередивши Samsung та Huawei. Google володіє приблизно на 50% більше патентів, ніж Microsoft, і майже вдвічі більше, ніж IBM на світовій арені. 

Генеративний штучний інтелект з'явився наприкінці 2022 р. з появою ChatGPT. Але патентний клас, що закладає основу GenAI, — це швидкозростаюча технологія. Вона називається «обчислювальні механізми на основі біологічних моделей», що сприяло розвитку медицини, мікробіології та вірусології, оскільки вчені використовують дані та обчислювальну потужність для моделювання та прогнозування реакції організмів за різних умов. Глибоке навчання, таке як те, що потрібне в згорткових нейронних мережах, є однією з фундаментальних технологій цього класу. 

Оскільки інвестиції в GenAI набирають обертів на ринку, такі компанії, як Nvidia та Google, протягом останнього року найбільше зосереджувалися на патентуванні винаходів, що захищають основи технології: зображення, мовлення, текст та створення відео. Nvidia лідирує у відео та зображеннях; Microsoft - в тексті, а Google є лідером у сфері мовлення. IBM спрямовує значну частину своїх патентних зусиль на мовлення, текст та відео, тоді як Adobe зосереджується переважно на зображеннях, тексті та відео. 

Агентний ШІ є останнім проривом у величезному ландшафті ШІ. Технологія все ще знаходиться на початковому етапі розвитку, але ажіотаж навколо цієї автономної технології ШІ, здатної міркувати та адаптуватися до нових середовищ, планувати та виконувати робочі процеси, зростає. І потенційне застосування агентного ШІ в таких галузях, як охорона здоров'я, фінанси та транспорт, є багатообіцяючим, як тільки технологія буде більш розвиненою. 

В січні китайська компанія під назвою DeepSeek зробила різку появу з моделлю ШІ, яка, за словами компанії, була такою ж хорошою, як одна з моделей міркувань OpenAI, але за значно меншу ціну.
Тож не завадить поглянути на патентний портфель DeepSeek. Було знайдено заявку від березня 2024 року: метод побудови набору даних для навчання моделі ШІ. 

Можна зібрати підказки, розглянувши технології, які охоплює патент. Основна класифікація цього патенту — G06N 5/00, яка зосереджена на вилученні правил з даних. Це небагато, але якою б не була загальна патентна стратегія DeepSeek, ця конкретна технологія настільки важлива для компанії, що вона шукає захисту.

Коли IFI CLAIMS минулого року провела перше сканування OpenAI, вона виявила менше п'яти патентів, що було дивно для такої інноваційної компанії. Припустимо, що творець ChatGPT може значною мірою спиратися на комерційні таємниці для захисту своїх інновацій. Цього року аналіз показує, що OpenAI набагато активніше захищає свої винаходи патентами; було знайдено 39 патентів під час цієї останньої перевірки, що узгоджується з визнанням компанією «ролі, яку патенти відіграють у технологічному ландшафті». Компанія шукає патенти як у США, так і в усьому світі. Найкращою технологією, яку компанія прагне отримати, є машинне навчання, а також G06F 40/30, клас, що стосується дискурсу та представлення діалогів.

Компанія також винаходить механізми розробки ПЗ в документації програм та створенні вихідного коду. Пошук інформації та нейронні мережі є додатковими ключовими технологіями для цього стартапу. OpenAI заявляє, що використовуватиме свої патенти лише в оборонних цілях — «доки жодна зі сторін не погрожуватиме або не пред'являтиме претензій» до компанії.

Італійською компанією Planckian була запропонована квантова батарея (QB) як альтернатива добре відомим електрохімічним накопичувачам енергії.

Замість використання передачі іонів літію, натрію або свинцю для генерації енергії, квантові батареї накопичує енергію фотонів. Вони можуть заряджатися майже миттєво завдяки квантовим ефектам, таким як заплутаність і суперпоглинання. Такі батареї не будуть живити електромобілі найближчим часом, але можуть бути використані для квантового зв'язку та можуть підвищити ефективність сонячних елементів. Їх навіть можна використовувати паралельно для невеликих електронних пристроїв, і дослідники в Італії в лютому склали детальну таблицю матеріалів, які можна використовувати для їх створення.

Квантова батарея була вперше запропонована в 2013 р. Робертом Аліцкі (Robert Alicki) з Гданського університету та Марком Фаннесом (Mark Fannes) з бельгійського KU Leuven, але поки що є лише демонстрації концепції. Ідея полягає в тому, що заплутані фотони можуть зберігати невелику кількість енергії протягом короткого періоду часу. Це можна зробити в органічних матеріалах у мікропорожнині або в переохолоджених матеріалах, і потенційно це можна масштабувати для роботи як практичні батареї.

Ще у 2023 році Planckian залучила 2,7 млн євро з наміром розробити технологію QB. «Ми розпочали нашу подорож з уявлення про те, що масштабування квантових технологій вимагає поєднання традиційної квантової інформатики з інноваційними підходами з інших галузей, зокрема матеріалознавства та квантової термодинаміки», – заявили в компанії.

Тим часом дослідники з Центру квантових обчислень Riken у Японії та Університету науки і технологій Хуачжун у Китаї провели теоретичний аналіз, демонструючи, як можна ефективно розробити «топологічну квантову батарею».

Одним із важливих відкриттів дослідників з Riken було те, що можна досягти майже ідеальної передачі енергії, використовуючи топологічні властивості хвилеводів. Команда також виявила, що коли дисипація перевищує критичний поріг, зарядна потужність зазнає тимчасового посилення, порушуючи традиційне очікування, що дисипація завжди перешкоджає продуктивності.

Дослідники з Генуезького університету в Італії також розробили ідею квантової батареї, яка використовує спінові стани за дуже низьких температур для накопичення енергії. Використовуючи парамагнетизм і феромагнетизм у переохолоджених матеріалах, вони можуть підвищити стабільність енергії, що утримується в квантових системах.

Одна з платформ для реалізації квантових батарей спирається на мікропорожнини, що містять ансамбль органічних молекул. Тут зазвичай використовується резонатор Фабрі-Перо як архітектура мікропорожнини. Він утворюється шаром органічного матеріалу, затиснутим між двома плоскопаралельними дзеркалами з високою відбиваючою здатністю. Дзеркала можуть бути тонкими металевими плівками, розподіленими брегівськими відбивачами (РБВ), одновимірними кристалами або їх комбінаціями.

Ключовим завданням для практичного застосування органічних мікропорожнин як твердотільних квантових батарей є проектування та реалізація пристроїв, в яких енергія може ефективно зберігатися та витягуватися за потреби.

Щоб вирішити таку проблему, активний матеріал резонатора може бути спроектований як пара, де один резонатор діє як донор, а інший як акцептор. Це зберігає енергію протягом десятків мікросекунд і вважається перспективним підходом.
                                                   
Інші дослідники з Бременського університету в Німеччині створили стовпчастий мікрорезонатор з приблизно 200 квантовими точками, пов'язаними з модою резонатора. Резонатор був утворений двома AlAs/GaAs РБВ з верхнім дзеркалом з 20 парами та нижнім дзеркалом з 23 парами, що працюють при температурі 10 K.

Команда вчених з Університету Твенте прагне використовувати інформацію, закодовану в ядерних або магнітних домішкових спінах, для збору енергії. Поточні дослідження в основному зосереджені на міжфазних станах топологічних ізоляторів, в яких електронний спін заблокований у напрямку свого імпульсу: при пропусканні струму через матеріал спін може передаватися від електронів до ядер через спін-фліп взаємодії, генеруючи скінченну ядерну спінову поляризацію. Коли ця поляризація термічно релаксує до невпорядкованого стану, ці спін-фліп взаємодії збуджують скінченний струм заряду, який можна використовувати для вилучення електронної роботи.

Ще інші досліджують ті ж перовскіти на основі галогенідів свинцю, які використовуються в недорогих сонячних панелях для створення квантових батарей. Відстань між енергетичними рівнями цих матеріалів дозволяє працювати при кімнатній температурі, а не переохолоджено. Властивості перовскітних матеріалів також можна налаштовувати зовнішніми полями, такими як електричні поля та оптичні імпульси, для створення матеріалів з довгоживучими станами. Ефекти фотоелектричного перетворення, що спостерігаються в перовскітних матеріалах, також можна використовувати у фазі розрядки.

Квантова батарея Універсітету Твенте

Ендрю Барто (Andrew Barto) та Річард Саттон (Richard Sutton) виграли премію A.M.Тюрінга за 2024 р. за розробку ключових технологій, що забезпечують розвиток сучасного ШІ, включаючи нещодавні прориви у великих моделях міркування (Large Reasoning Models - LRM).

Асоціація обчислювальної техніки (ACM) вибрала Барто та Саттона за їх новаторську роботу з навчання з підкріпленням – технології, яка згодом уможливила такі досягнення, як AlphaGo та сучасні великі моделі міркування. Нагорода, яку часто називають «Нобелівською премією з комп’ютерних наук», присуджується разом із премією в 1 мільйон доларів і відзначає їхні алгоритми та концепції 1980-х років, які дозволяють машинам навчатися незалежно за допомогою сигналів винагороди.

Дослідники взяли просту концепцію з психології – системи навчаються на основі відгуків про свої дії – і перетворили її на математичну структуру, яка зараз використовується в застосунках ШІ. Їхній підручник 1998 року «Reinforcement Learning: An Introduction» став наріжним каменем у цій галузі, його цитували понад 75 000 разів.

У поєднанні з глибоким навчанням їхні методи привели до значних успіхів: AlphaGo переміг чемпіона світу Лі Седола (Lee Sedol), навчання ChatGPT за допомогою відгуків людей і нові LRM, такі як o3 від OpenAI і R1 від Deepseek. Зараз ця технологія забезпечує все: від передової робототехніки до вдосконалення мереж, дизайну чіпів і онлайн-реклами.

Старший віце-президент Google Джефф Дін (Jeff Dean) вважає, що їхня робота відповідає початковим цілям Алана Тюрінга: «У лекції 1947 року Алан Тюрінг заявив, що нам потрібна машина, яка може вчитися на досвіді. Навчання з підкріпленням, започатковане Барто та Саттоном, прямо відповідає виклику Тюрінга».

Партнерство почалося в 1978 році в Массачусетському університеті, де Барто був наставником Саттона під час його докторантури. Їхні дослідження отримали численні нагороди та залучили мільярди інвестицій у ШІ. Сьогодні Барто є почесним професором UMass Amherst, а Саттон працює як в Університеті Альберти, так і в Keen Technologies. Саттон також відомий тим, що написав впливове есе «Гіркий урок» (The Bitter Lesson).

Барто та Саттон приєдналися до елітної групи інноваторів інформатики, включаючи піонерів глибокого навчання Йошуа Бенгіо (Yoshua Bengio), Джеффрі Хінтона (Geoffrey Hinton) та Янна Лекуна (Yann LeCun), які отримали нагороду в 2019 році. Названа на честь британського математика Алана Тюрінга, премія відзначає трансформаційний внесок у інформатику з 1966 року.

Ендрю Барто та Річард Саттон  

DeepSeek, відносно невідомий китайський стартап, сколихнув Силіконову долину нещодавнім випуском передових моделей АІ. Розроблені з надзвичайною ефективністю та запропоновані як ресурси з відкритим кодом, ці моделі кидають виклик домінуванню визнаних гравців, таких як OpenAI, Google і Meta.

DeepSeek заснована у травні 2023 р. Лян Веньфеном (Liang Wenfeng), працює незалежно, але фінансується виключно High-Flyer. Остання також є компанією Веньфеня, та спеціалізується на розробці рішень для прогнозування роботи хедж-фондів. Наглядачі зазначають, що ця унікальна модель фінансування дозволила DeepSeek здійснювати амбітні проекти АІ без тиску зовнішніх інвесторів.

Подорож китайського стартапу почалася з випуску DeepSeek Coder у листопаді 2023 р., моделі з відкритим вихідним кодом, розробленої для завдань кодування. За цим послідувала DeepSeek LLM, модель з 67 мільярдами параметрів, була спрямована на конкуренцію з іншими великими мовними моделями. DeepSeek-V2, запущений у травні 2024 р., привернув значну увагу завдяки своїй високій продуктивності та низькій вартості, що навіть спровокувало цінову війну на китайському ринку моделей АІ.

На зміну DeepSeek-V2 прийшов DeepSeek-Coder-V2, більш вдосконалена модель із 236 мільярдами параметрів. Вона розроблена для складних завдань кодування та має велику довжину контексту до 128K маркерів.

Останні моделі компанії, DeepSeek-V3 та DeepSeek-R1, ще більше зміцнили позиції компанії у сегменті. Причому перша з 671 мільярдами параметрів, може похвалитися вражаючою продуктивністю в різних тестах, вимагаючи значно менше ресурсів, ніж конкуренти. DeepSeek-R1, що була випущена у січні 2025 р., концентрується на завданнях міркування та кидає виклик моделі o1 OpenAI з її розширеними можливостями.

Успіх DeepSeek можна пояснити кількома ключовими інноваціями.
DeepSeek використовує чисте навчання з підкріпленням, що дозволяє моделям навчатися методом проб і помилок та самовдосконалюватись за допомогою алгоритмічних винагород. По суті, моделі DeepSeek навчаються, взаємодіючи з навколишнім середовищем і отримуючи відгуки про свої дії. Це дозволяє їм розвивати більш складні здібності до міркування та ефективніше адаптуватися до нових ситуацій.

Моделі DeepSeek використовують архітектуру Mixture-of-Experts (МоЕ), активуючи лише невелику частину своїх параметрів для будь-якого завдання. Ця вибіркова активація значно знижує обчислювальні витрати та підвищує ефективність.

DeepSeek використовує методи дистиляції для передачі знань і можливостей більших моделей у менші й ефективніші. Це робить потужний АІ доступним для ширшого кола користувачів і пристроїв.

Ці інноваційні методи в поєднанні з акцентом DeepSeek на ефективності та форматі відкритого коду зробили компанію помітним гравцем і "руйнівною" силою в ландшафті АІ.

Використовуючи навчання з підкріпленням і ефективні архітектури, такі як MoE, DeepSeek значно скорочує обчислювальні ресурси, необхідні для навчання, що призводить до зниження витрат.

Вихід DeepSeek на ринок АІ створив значний конкурентний тиск на відомих гігантів, таких як OpenAI, Google і Meta. Пропонуючи економічно ефективні моделі з відкритим вихідним кодом, DeepSeek змушує цих великих гравців або знизити ціни, або розширити свої пропозиції, щоб залишатися актуальними.

Успіх DeepSeek підкреслює зростаючу важливість ефективності алгоритмів і оптимізації ресурсів у розробці АІ. Замість того, щоб покладатися виключно на грубе масштабування, DeepSeek демонструє, що висока продуктивність може бути досягнута зі значно меншими ресурсами, кидаючи виклик традиційному переконанню, що більші моделі та набори даних за своєю суттю кращі.
                                                                               
Слід зазначити, що незважаючи на свої помітні досягнення, DeepSeek стикається зі значним недоліком обчислень порівняно зі своїми американськими аналогами. Цей розрив ще більше збільшується експортним контролем США щодо передових чіпів, який обмежує доступ DeepSeek до найновішого апаратного забезпечення, необхідного для розробки та розгортання більш потужних моделей АІ.

Поява DeepSeek як руйнівної сили в ландшафті АІ незаперечна. Його інноваційні методи, економічно ефективні рішення та стратегії оптимізації кинули виклик статус-кво та змусили відомих гравців переглянути свої підходи. Незважаючи на те, що DeepSeek стикається з труднощами, його прагнення працювати у форматі відкритого коду і ефективної розробки АІ може змінити майбутнє галузі. У міру того, як гонка АІ посилюється, слід уважно спостерігати за подорожжю DeepSeek.

Gartner презентувала головні стратегічні прогнози на 2025 рік і далі.

«Вочевидь, що незалежно від того, куди ми йдемо, нам не уникнути впливу АІ, - зазначає Деріл Пламмер (Daryl Plummer), ведучий віце-президент-аналітик Gartner. - АІ розвивається разом із тим, як розвивається використання цих технологій. Перш ніж ми досягнемо точки, коли люди більше не зможуть справлятися, ми повинні зрозуміти, наскільки АІ може зробити нас кращими».

До 2026 р. 20% підприємств використовуватимуть АІ, щоб покращити свою організаційну структуру, при цьому буде ліквідовано більше половини поточних посад керівництва середньої ланки. Компанії зможуть отримати вигоду від зниження витрат на оплату праці та спростити оргструктуру. Розгортання АІ також дозволить підвищити продуктивність і розширити діапазон контролю за рахунок автоматизації та планування завдань, звітності і моніторингу продуктивності для решти робочої сили. Це дасть можливість іншим менеджерам зосередитися на більш стратегічних, масштабованих і доданих видах діяльності.

До 2028 р. технологічне занурення вплине на населення з цифровою залежністю та соціальною ізоляцією, спонукаючи 70% організацій впроваджувати антицифрову політику.

Gartner прогнозує, що до 2028 р. близько одного мільярда людей постраждають від цифрової залежності, що призведе до зниження продуктивності, збільшення стресу та сплеску психічних розладів, таких як тривога та депресія. Крім того, цифрове занурення також негативно вплине на соціальні навички, особливо серед молодих поколінь, які більш сприйнятливі до цих тенденцій.

До 2029 р. правління у 10% компаній у всьому світі використовуватимуть поради АІ, щоб оскаржувати рішення керівництва, які є суттєвими для їхнього бізнесу.

Рекомендації, отримані за допомогою АІ, матимуть далекосяжний вплив на прийняття виконавчих рішень і дозволять членам правління оскаржувати рішення виконавчих органів. Це покладе кінець епосі незалежних генеральних директорів, чиї рішення неможливо повністю захистити.

До 2028 р. 40% великих підприємств використовуватимуть АІ, щоб маніпулювати та вимірювати настрій і поведінку співробітників, і все це заради прибутку.

АІ має можливість виконувати аналіз настроїв взаємодії та спілкування на робочому місці. Це забезпечує зворотній зв’язок, щоб переконатися, що загальні настрої узгоджуються з бажаною поведінкою, що забезпечить мотивовану та залучену робочу силу.

До 2027 р. 70% нових контрактів для працівників включатимуть положення про ліцензування та чесне використання для репрезентацій АІ їхніх персон.

Великі мовні моделі (LLM), що з’являються, не мають встановленої дати завершення, що означає, що персональні дані співробітників, які збираються корпоративними LLM, залишатимуться їх частиною не лише під час їх роботи, але й після закінчення роботи. Це призведе до публічної дискусії, яка поставить під сумнів, чи має працівник або роботодавець право власності на такі цифрові персони, що зрештою може призвести до судових позовів.

До 2027 р. 70% постачальників медичних послуг включатимуть у технологічні контракти умови, пов’язані з емоційним АІ, або ризикуватимуть мільярдними фінансовими збитками.

Використання емоційного АІ в таких завданнях, як збір даних пацієнтів, може звільнити час медичних працівників, щоб частково зменшити виснаження та розчарування, які вони відчувають через збільшення робочого навантаження.

До 2028 р. 30% компаній S&P використовуватимуть маркування GenAI, як-от «xxGPT», щоб змінити свій брендинг, прагнучи отримати новий дохід.

Директори з маркетингу розглядають GenAI як інструмент, що може запускати як нові продукти, так і бізнес-моделі. Генеративний AI також забезпечує нові джерела доходу, швидше виводячи продукти на ринок, забезпечуючи кращий досвід клієнтів із автоматизацією процесів.

До 2028 р. 25% корпоративних зловмисних дій будуть пов’язані із зловживанням АІ як зовнішніми, так і внутрішніми агентами.
Будуть необхідні нові рішення безпеки та ризиків, оскільки АІ значно збільшить і без того невидиму поверхню для атак на підприємствах.

«Підприємства не можуть чекати, щоб запровадити засоби пом’якшення загроз агентів штучного інтелекту, — сказав Пламмер. - Набагато легше вбудувати засоби пом’якшення ризиків і безпеки в продукти та програмне забезпечення, ніж додавати їх після зламу».

До 2028 р. 40% ІТ-директорів вимагатимуть, щоб «агенти-охоронці» були доступні для автономного відстеження, нагляду або стримування результатів дій агентів АІ.

До 2027 р. компанії зі списку Fortune 500 вкладуть 500 мільярдів доларів в мікромережі, щоб зменшити енергетичні ризики, повʼязаними зі зростанням попиту на АІ.

Мікромережі - це електромережі, які з’єднують генерацію, зберігання та навантаження в незалежну енергетичну систему, яка може працювати самостійно або у звʼязці з основною мережею для забезпечення потреб певної території чи об’єкта.

З квантовими комп’ютерами були зв’язані надії, що вони вплинуть на такі галузі, як фінанси, відкриття ліків та логістика. Особливо високимі ці очікування були у фізиці та хімії, де явища квантової механіки проявляються найбільш яскраво. У цих областях квантові комп’ютери можуть мати велику перевагу над звичайними.  Але наразі інший суперник досягає успіхів у деяких з цих найбільш перспективних випадках використування. Мова йде про ШІ.

У MIT Technology Review була опублікована стаття Едда Гента (Edd Gent) про конкуренцію між цими двома технологіями. Вона надана тут у стислому варіанті.
 
Як відмічає професор обчислювальної фізики Швейцарського федерального технологічного інституту (EPFL) Джузеппе Карлео (Giuseppe Carleo), масштаб і складність квантових систем, які можна моделювати за допомогою ШІ, швидко розвиваються. Підходи на основі нейронних мереж швидко стають провідною технікою для моделювання матеріалів із сильними квантовими властивостями.  

У той же час, перспективи квантових комп’ютерів полягають в тому, що вони можуть виконувати певні обчислення набагато швидше, ніж звичайні. Щоправда для реалізації цього знадобляться набагато більші квантові процесори, ніж є сьогодні — з десятками тисяч, якщо не мільонами кубітів.

Але для багатьох квантових алгоритмів із більш очевидними комерційними застосуваннями, як-от пошук у базах даних, вирішення проблем оптимізації перевага у швидкості скромніша. А минулого року стаття, співавтором якої є глава відділу квантових обчислень Microsoft Маттіас Троєр (Matthias Troyer), показала, що ці теоретичні переваги зникають, якщо врахувати той факт, що квантове обладнання працює на порядки повільніше, ніж сучасні комп’ютерні мікросхеми. Фахівці дійшли висновку, що квантові комп’ютери повинні натомість зосереджуватися на проблемах хімії та матеріалознавства, які потребують моделювання систем, де домінують квантові ефекти. Таким чином, комп’ютер, який працює за тими самими квантовими принципами, що й ці системи, теоретично повинен мати тут природну перевагу.
 
Багато речей, що керуються законами квантової механіки, як-от білки, ліки та матеріали, мають величезну практичну та комерційну цінність. Щоб передбачити характериститки, які демонструватиме молекула, необхідно моделювання у комп’ютері взаємодії її складових частинок, зокрема, електронів. Але для цього потрібна складна математика, яка стає експоненціально складнішою при збільшенні кількості частинок. Тому симуляція великих квантових систем може стати важкорозв’язною задачею на класичних машинах.

Саме тут квантові комп’ютери вступають у гру. Працюючи на квантових принципах, вони представляють квантові стани набагато ефективніше.

Квантові системи разноманітні. Їх складність визначається силою взаємодії складових частинок, або кореляції, одна з одною. У системах з сильною взаємодією включення цих зв’язків у модель швидко збільшує кількість обчислень. Але в більшості випадків, які становлять практичний інтерес для хіміків і матеріалознавців, кореляція слабка, що значно спрощує моделювання систем.

І все ж, квантові комп’ютери навряд чи забезпечать суттєві переваги для більшості проблем хімії та матеріалознавства. Вже існують класичні інструменти для моделювання слабко корельованих систем. Найвідоміший з них є теорія функціоналу густини (DFT). Згідно з нею, все, що потрібно для розуміння ключових властивостей системи, це її електронна густина, міра того, як її електрони розподіляються у просторі.

Тим не менш, моделювання великих систем за допомогою цих підходів вимагає значної обчислювальної потужності. Але в останні роки стався вибух досліджень, які використовують DFT для отримання даних про хімічні речовини, біомолекули та матеріали — даних, які можна використовувати для навчання нейронних мереж. Ці моделі ШІ вивчають закономірності в даних, які дозволяють їм передбачити, які властивості, ймовірно, матиме конкретна хімічна структура, але їх виконання на порядки дешевше, ніж звичайні розрахунки DFT. Це різко збільшило розмір систем, які можна моделювати — до 100 000 атомів за раз — і тривалість моделювання.

Що торкається моделювання слабко корельованої системи за допомогою DFT, то там проблеми експоненціального масштабування не існує. Це свідчить про те, що з більшою кількістю даних і обчислювальних ресурсів класичні підходи на основі ШІ можуть симулювати навіть найбільші з цих систем.

Коли справа доходить до симуляції сильно корельованих квантових систем — тих, у яких частинки суттєво взаємодіють, — такі методи, як DFT, швидко вичерпуються. Але навіть тут ШІ робить значні успіхи.

У 2017 році Карлео і Маттіас Троєр опублікували основоположну статтю в журналі Science, в якій показано, що нейронні мережі можуть моделювати сильно корельовані квантові системи. Цей підхід не вчиться на даних у класичному розумінні. Натомість, за словами Карлео, це схоже на модель DeepMind AlphaZero, яка опанувала ігри Го. У цьому випадку правила гри забезпечуються рівнянням Шредінгера, яке може точно описати квантовий стан системи або хвильову функцію. Модель грає проти себе, розташовуючи частинки в певній конфігурації, а потім вимірюючи рівень енергії системи. Мета полягає в досягненні найнижчої енергетичної конфігурації (відомої як основний стан), яка визначає властивості системи. Карлео каже, що методи, засновані на нейронних мережах, зараз є найкращим підходом для моделювання багатьох найскладніших квантових систем, які вони тестували. «Машинне навчання справді відіграє провідну роль у багатьох із цих проблем», — каже він.
Чи візьме ШІ гору над квантовими обчисленнями
ШІ може "відібрати хліб" у квантових комп'ютерів

Дослідники з Google Quantum AI та їх колеги розробили квантовий процесор із частотою помилок, яка поступово зменшується зі збільшенням кількості кубітів.

Це досягнення є важливою віхою для квантової корекції помилок, оскільки воно, в принципі, може призвести до необмеженого підвищення якості кубітів і, зрештою, до необмеженого збільшення довжини та складності алгоритмів, які можуть запускати квантові комп’ютери.

Шум є невід’ємною ознакою всіх фізичних систем, включаючи комп’ютери. Біти в класичних комп’ютерах захищені від цього шуму завдяки надмірності: деякі дані зберігаються в кількох місцях, тож у разі виникнення помилки її легко визначити та виправити. Однак теорема квантової механіки про заборону клонування диктує, що як тільки квантовий стан виміряно – перший крок до його копіювання – він руйнується. «Деякий час люди були здивовані тим, що квантова корекція помилок взагалі може існувати», — зауважує Майкл Ньюмен (Michael Newman), науковий співробітник Google Quantum AI.

Однак, починаючи з середини 1990-х, фахівці з теорії інформації показали, що цей бар’єр не є нездоланним, і було розроблено кілька кодів для виправлення помилок кубітів. Принцип, який лежить в основі таких підходів, полягає в тому, що кілька фізичних кубітів (таких як окремі атомні енергетичні рівні або стани в надпровідних ланцюгах) можуть бути об’єднані у мережу для створення єдиного логічного кубіта, який разом зберігає квантову інформацію. Потім можна використовувати кубіти «вимірювання», щоб визначити, чи сталася помилка в одному з кубітів «даних», не впливаючи на стан останнього.

У принципі, ця процедура дає змогу нескінченно стабільним кубітам виконувати нескінченно довгі обчислення – але лише якщо частота помилок залишається достатньо низькою. Проблема полягає в тому, що кожен додатковий фізичний кубіт створює нове джерело помилки. Таким чином, збільшення кількості фізичних кубітів у кожному логічному кубіті є палкою о двох кінцях, і подальша стабільність логічного кубіту залежить від кількох факторів. До них відноситься здатність (класичного) програмного забезпечення квантового процесора виявляти та інтерпретувати помилки; використовуваний конкретний код виправлення помилок; і, що важливо, точність самих фізичних кубітів.

У 2023 році Ньюмен і його колеги з Google Quantum AI показали, що код для виправлення помилок, який називається поверхневим кодом (який, за словами розробників, має «один із найвищих коефіцієнтів виправлення помилок серед будь-якого квантового коду») майже дає змогу «виграти» при виправленні помилок шляхом додавання в систему більше фізичних кубітів. Зокрема, вони показали, що логічний кубіт з масивом 5x5, виготовлений з 49 надпровідних трансмон-кубітів, мав дещо нижчий рівень помилок, ніж кубіт масиву 3x3, виготовлений із 17 таких кубітів. Але маржа була невеликою.

В останній роботі, опублікованій в Nature, команда Google Quantum AI на чолі з Хартмутом Невеном (Hartmut Neven) представляє новий надпровідний процесор під назвою Willow з кількома вдосконаленнями в порівнянні з попереднім чіпом Sycamore. До них належать шлюзи (будівельні блоки логічних операцій), які зберігають свою «квантованість» у п’ять разів довше, і розроблений Google Deepmind алгоритм машинного навчання, який інтерпретує помилки в реальному часі. Коли команда використала цю нову технологію для створення дев’яти масивів 3х3 поверхневого коду, чотирьох масивів 5х5 і одного 101-кубітного масиву 7х7 на своєму 105-кубітному процесорі, частота помилок була зменшена на коефіцієнт 2,4, як були додані кубіти.

«Це перший раз, коли ми побачили переконливе, експонентне выправлення помилок у логічних кубітах, оскільки ми збільшуємо кількість фізичних кубітів», — каже Ньюмен. - Це те, що люди намагалися зробити 30 років».

Завдяки шлюзам, які залишаються стабільними годинами поспіль, квантові комп’ютери повинні мати можливість запускати великі складні алгоритми, на які люди завжди сподівалися.

Однак наразі найкращі квантові комп’ютери можуть виконувати близько тисячі операцій, перш ніж помилки переповнять систему обробки, зазначив Стів Браєрлі (Steve Brierley), дослідник квантових обчислень і генеральний директор компанії з виправлення помилок Riverlane.

«Якщо ми хочемо отримати такий великий потенціал, як трансформаційна технологія, нам потрібно отримати мільйони й трильйони безкоштовних операцій», — додав Браєрлі.

Браєрлі порівняв прогрес Google у сфері квантових обчислень із тим, що відчули мобільні мережі, коли вони перейшли з технології 1G на 2G. Тоді «Qualcomm додала виправлення помилок у стек, і це призвело до значного підвищення можливостей, - наголосив Стів Браєрлі. - І це саме те, що зараз відбувається в квантових обчисленнях».  

Реальний вплив на індустрію, ймовірно, пройде через роки. На брифінгу для преси про розробку Google повідомила, що вона вже співпрацює з компаніями у фармацевтиці, матеріалознавстві та виробництві акумуляторів, зокрема. Однак прогрес у цих сферах може бути не за горами.

Марк Саффман (Mark Saffman), професор Університету Вісконсін-Медісон і директор Квантового інституту Вісконсіна, сказав, що він хотів би побачити застосування в реальному світі через п’ять років, але важко назвати точну дату. 

         Новий чіп Willow від Google Quantum AI

Нова робота передбачає можливість створювати фракціоновані електрони, відомі як неабелеві еніони (від анг. any), без магнітного поля, відкриваючи нові можливості для фундаментальних досліджень і майбутніх застосувань.

Фізики МТІ показали, що можливо створити екзотичну форму матерії, якою можна маніпулювати для формування кубітів будівельних блоків майбутніх квантових комп’ютерів, які будуть ще потужнішими, ніж квантові комп’ютери, що розробляються сьогодні.

Робота базується на минулорічному відкритті матеріалів, які містять електрони, які можуть розділятися на частки (фракції), але, що важливо, можуть робити це без застосування магнітного поля.

Загальне явище фракціоналізації електронів було вперше відкрито в 1982 році і призвело до Нобелівської премії. Однак ця робота вимагала застосування магнітного поля. Можливість створювати фракціоновані електрони без магнітного поля відкриває нові можливості для фундаментальних досліджень і робить матеріали, що містять їх, більш корисними для застосування.

Коли електрони розщеплюються на частки, ці фракції називаються еніонами. Будь-які бувають різних ароматів, або класів. Еніони, виявлені в матеріалах 2023 року, відомі як абелеві еніони. Тепер у статті, опублікованій у випуску Physical Review Letters від 17 жовтня, команда МТІ зазначає, що має бути можливим створити найекзотичніший клас еніонів -  неабелевих еніонів.

«Неабелеві еніони мають дивовижну здатність «пам’ятати» свої просторово-часові траєкторії; цей ефект пам’яті може бути корисним для квантових обчислень», — каже Лян Фу (Liang Fu), професор кафедри фізики МТІ та керівник роботи.

Далі проф. Фу зазначає, що «експерименти 2023 року з фракціоналізації електронів значно перевершили теоретичні очікування. Моя думка полягає в тому, що ми, теоретики, повинні бути сміливішими». Проф. Фу також пов'язаний з дослідницькою лабораторією матеріалів MТІ.

Робота та два пов’язані дослідження також були представлені в журналі Physics Magazine. Якщо це передбачення буде підтверджено експериментально, це може призвести до створення більш надійних квантових комп’ютерів, які зможуть виконувати більш широкий спектр завдань… Теоретики вже винайшли способи використовувати неабелеві стани як працездатні кубіти та маніпулювати збудженнями цих станів, щоб забезпечити стійкі квантові обчислення».

Поточна робота ґрунтувалася на останніх досягненнях у двовимірних матеріалах, або тих, що складаються лише з одного або кількох шарів атомів. «Увесь світ двовимірних матеріалів дуже цікавий, тому що ви можете складати їх і скручувати, а також грати з ними в Лего, щоб отримати різноманітні скручени сендвіч-структури з незвичайними властивостями», — каже аспірант Нісарга Пол (Nisarga Paul). Ці сендвічні структури, у свою чергу, називаються муаровими матеріалами (сімейство матеріалів, яскравим представником якого є скручений двошаровий графен).

Еніони можуть формуватися лише в двовимірних матеріалах. Чи можуть вони утворюватися в муарових матеріалах ? Експерименти 2023 року першими показали, що можуть. Незабаром після цього група під керівництвом Лон Джу (Long Ju), доцента фізики МТІ, повідомила про докази еніонів в іншому муаровому матеріалі.
                             
У поточній роботі фізики показали, що можна створювати неабелеві еніони в муаровому матеріалі, що складається з атомарно тонких шарів дітеллуриду молібдену. За словами Пола, «за останні роки муарові матеріали вже виявили захоплюючі фази матерії, і наша робота показує, що до списку можна додати неабелеві фази. Цей проект варіювався від справді конкретних числових розрахунків до досить абстрактної теорії та поєднував обидва. Я багато дізнався від своїх колег про дуже цікаві теми».

Днями пройшли анонси щодо Нобелівської премії за 2024, але варто ще раз згадати минулорічне нагородження.

Нобелівську премію з хімії 2023 року присуджується за відкриття та розробку квантових точок, наночастинок настільки дрібних, що їх розмір визначає їхні властивості. Ці найменші компоненти нанотехнологій тепер поширюють світло від телевізорів і світлодіодних ламп, а також можуть керувати хірургами, коли вони видаляють пухлинну тканину, серед багатьох інших речей.

Кожен, хто вивчає хімію, дізнається, що властивості елемента визначаються кількістю електронів у нього. Однак, коли матерія стискається до нанорозмірів, виникають квантові явища; вони регулюються розміром матерії. Лауреатам Нобелівської премії з хімії 2023 року вдалося створити настільки малі частинки, що їхні властивості визначаються квантовими явищами. Частинки, які називаються квантовими точками, зараз мають велике значення в нанотехнологіях.

«Квантові точки мають багато захоплюючих і незвичайних властивостей. Важливо те, що вони мають різні кольори залежно від свого розміру», — говорить Йохан Аквіст (Johan Åqvist), голова Нобелівського комітету з хімії.

Фізики давно знали, що в теорії залежні від розміру квантові ефекти можуть виникати в наночастинках, але в той час було майже неможливо створити в нанорозмірах. Тому мало хто вірив, що ці знання знайдуть практичне застосування.

Однак на початку 1980-х років Олексію Єкімову вдалося створити залежні від розміру квантові ефекти в кольоровому склі. Колір походить від наночастинок хлориду міді, і Єкімов продемонстрував, що розмір частинок впливає на колір скла через квантові ефекти.

Кілька років потому Луїс Брус (Louis Brus) був першим ученим у світі, який довів залежність від розміру квантових ефектів у частинках, що вільно плавають у рідині.
                           
У 1993 році Мунгі Бавенді (Moungi Bawendi) здійснив революцію в хімічному виробництві квантових точок, у результаті чого отримали майже ідеальні частинки. Ця висока якість була необхідною для їх використання в програмах.
                                                
Тепер квантові точки освітлюють комп’ютерні монітори та екрани телевізорів на основі технології QLED. Вони також додають нюанси світлу деяких світлодіодних ламп, і біохіміки та лікарі використовують їх для картографування біологічних тканин.

Таким чином, квантові точки приносять найбільшу користь людству. Дослідники вважають, що в майбутньому вони зможуть сприяти створенню гнучкої електроніки, крихітних датчиків, більш тонких сонячних елементів і зашифрованого квантового зв’язку – тому ми тільки почали досліджувати потенціал цих крихітних частинок.

Наведемо дуже коротко деякі дані про лауреатів.
                       
Мунгі Г. Бавенді, народився 1961 року в Парижі, Франція. Доктор філософії 1988 року в Чиказькому університеті, Іллінойс, США. Професор Массачусетського технологічного інституту (MIT), Кембридж, Массачусетс, США.

Луї Е. Брус, народився 1943 року в Клівленді, Огайо, США. Доктор філософії 1969 року в Колумбійському університеті, Нью-Йорк, штат Нью-Йорк, США. Професор Колумбійського університету, Нью-Йорк.

Олексій Єкімов, народився в 1945 році в колишньому СРСР. Доктор філософії 1974 року в Фізико-технічному інституті імені Іоффе, Санкт-Петербург, Росія. Раніше головний науковий співробітник Nanocrystals Technology Inc., Нью-Йорк, штат Нью-Йорк, США.

Мунгі Бавенді, Луї Брус і Олексій Єкімов

Хіміки давно мріяли повністю зрозуміти й оволодіти хімічними інструментами життя – білками. Тепер ця мрія здійснилася. Деміс Хассабіс (Demis Hassabis) і Джон М. Джампер (John M. Jumper) успішно використали штучний інтелект, щоб передбачити структуру майже всіх відомих білків. Девід Бейкер (David Baker) навчився конструювати будівельні блоки життя та створювати абсолютно нові білки. Потенціал їхніх відкриттів величезний.

Щоб зрозуміти виклики, які подолали цьогорічні лауреати, треба озирнутися на світанок сучасної біохімії.

Хіміки з дев’ятнадцятого століття знали, що білки важливі для життєвих процесів, але лише до 1950-х років хімічні інструменти стали достатньо точними, щоб дослідники почали досліджувати білки більш детально. Кембриджські дослідники Джон Кендрю (John Kendrew) та Макс Перуц (Max Perutz) зробили новаторське відкриття, коли наприкінці десятиліття вони успішно використали метод під назвою рентгенівська кристалографія, щоб представити перші тривимірні моделі білків.

У 1961 р. Крістіан Анфінсен (Christian Anfinsen), американський вчений, дійшов висновку, що тривимірна структура білка повністю регулюється послідовністю амінокислот у білку.

Однак логіка Анфінсена містила парадокс, на який звернув увагу інший американець, Сайрус Левінталь (Cyrus Levinthal) у 1969 р. Він підрахував, що навіть якщо білок складається лише зі 100 амінокислот, теоретично білок може мати принаймні 1047 різних тривимірних структур. Якби ланцюг амінокислот згортався випадковим чином, знадобилося б більше часу, ніж вік Всесвіту, щоб знайти правильну структуру білка. У клітинці це займає лише кілька мілісекунд. Отже, як насправді складається ланцюжок амінокислот?

Відкриття Анфінсена та парадокс Левінталя означають, що згортання є заздалегідь визначеним процесом. І – що важливо – вся інформація про те, як згортання білка має бути присутня в послідовності амінокислот.

Наведені вище висновки привели до ще одного вирішального усвідомлення: якщо хіміки знають амінокислотну послідовність білка, вони повинні мати можливість передбачити тривимірну структуру білка. Це була захоплююча ідея.

Ці логічні висновки стали великим викликом біохімії: проблеми передбачення. Прорив відбувся лише у 2018 році, коли на поле з’явився шаховий майстер, експерт із нейронаук і піонер у галузі АІ Деміс Хассабіс.

У 2018 році він зареєструвався на тринадцятий конкурс CASP. І модель АІ Деміса Хассабіса несподівано перемогла.

Завдяки своїй моделі АІ AlphaFold команда Хассабіса досягла точності майже 60%. Але для успіху передбачення повинно було мати точність 90% у порівнянні з цільовою структурою.

Один відносно новий співробітник мав вирішальні ідеї щодо того, як можна покращити модель АІ. Це був Джон Джампер.

У 2017 р. він почув чутки про те, що Google DeepMind у великій таємниці почала передбачати структури білків. Він надіслав їм заяву про роботу. У  нього були творчі ідеї, як покращити AlphaFold. Джампер і Хассабіс спільно керували роботою, яка докорінно реформувала модель ШІ. Команда також почала використовувати інновацію: нейронні мережі під назвою трансформери.

Команда навчила AlphaFold2 на великій кількості інформації в базах даних про всі відомі білкові структури та послідовності амінокислот, і нова архітектура ШІ почала давати хороші результати.

Тепер представимо іншу половину Нобелівської премії з хімії 2024 року, яка стосується мистецтва створення нових білків з нуля.

Коли Девід Бейкер почав навчатися в Гарвардському університеті, то під час курсу еволюційної біології він натрапив на перше видання тепер уже класичного підручника «Молекулярна біологія клітини». Це змусило його змінити напрямок життя. Наприкінці 1990-х років він почав розробляти комп’ютерне ПЗ, яке могло передбачати структури білків: Rosetta.

Бейкер дебютував на змаганнях CASP у 1998 році, використовуючи Rosetta, і справився дуже добре. Цей успіх призвів до нової ідеї: замість того, щоб вводити амінокислотні послідовності в Rosetta та отримувати білкові структури, вони повинні мати можливість вводити бажану білкову структуру та отримувати пропозиції щодо її амінокислотної послідовності, що дозволить їм створювати абсолютно нові білки.

Дослідницька група намалювала білок із абсолютно новою структурою, а потім попросила Rosetta обчислити, який тип амінокислотної послідовності може призвести до бажаного білка. Виявилося, що Rosetta дійсно може конструювати білки. Бейкер опублікував своє відкриття в 2003 р.

Модель АІ стала золотою жилою для дослідників. Раніше для отримання білкової структури часто потрібні були роки, якщо вона взагалі була отримана. Тепер це можна зробити за кілька хвилин.

Здатність створювати білки, наповнені новими функціями може призвести до появи нових наноматеріалів, цільових фармацевтичних препаратів, швидшої розробки вакцин, мінімальної кількості сенсорів і більш екологічної хімічної промисловості – це лише кілька застосувань, які принесуть найбільшу користь людству.