شکست تاریخی هوش مصنوعی در برابر قدرت پردازش کوانتومی

RNA پیام‌رسان یا mRNA مولکولی کلیدی در زیست‌شناسی سلولی است که اطلاعات ژنتیکی را از DNA به ریبوزوم‌ها منتقل می‌کند و نقش حیاتی در فرایند ساخت پروتئین‌ها دارد. این مولکول علاوه بر وظایف طبیعی خود، پایه و اساس بسیاری از واکسن‌های مدرن است که می‌توانند سیستم ایمنی بدن را فعال کنند.

در یک دستاورد کم‌سابقه، تیمی از پژوهشگران شرکت IBM و مدرنا با استفاده از پردازنده کوانتومی R2 Heron و الگوریتم شبیه‌سازی کوانتومی توانستند ساختار ثانویه یک رشته mRNA با طول ۶۰ نوکلئوتید را بدون استفاده از هوش مصنوعی پیش‌بینی کنند. این رکورد، طولانی‌ترین توالی mRNA شبیه‌سازی‌شده توسط یک رایانه کوانتومی تاکنون به شمار می‌آید.

mRNA از یک رشته اسید آمینه تشکیل شده اما دارای ساختار ثانویه‌ای پیچیده است که شامل تاخوردگی‌های متعدد می‌شود و شکل سه‌بعدی مولکول را تعیین می‌کند. با افزودن هر نوکلئوتید، حالت‌های ممکن برای این تاخوردگی‌ها به‌صورت نمایی افزایش یافته و پیش‌بینی دقیق آن به چالشی جدی تبدیل می‌شود.

نتایج این پروژه که نخستین‌بار در «کنفرانس بین‌المللی ۲۰۲۴ رایانش و مهندسی کوانتومی IEEE» ارائه شد، نشان می‌دهد که رایانش کوانتومی می‌تواند محدودیت‌های روش‌های سنتی، مانند مدل‌های هوش مصنوعی و رایانه‌های کلاسیک، را کاهش دهد. مدل‌هایی همچون AlphaFold گوگل دیپ‌مایند قادرند توالی‌های بسیار طولانی را پردازش کنند، اما برای انجام این کار ناچار به حذف برخی ویژگی‌های پیچیده مانند «شبه‌گره‌ها» هستند.

شبه‌گره‌ها ساختارهایی پیچیده در mRNA هستند که می‌توانند برهم‌کنش‌های داخلی پیشرفته‌تری نسبت به تاخوردگی‌های معمولی ایجاد کنند. حذف این ویژگی‌ها موجب کاهش دقت مدل‌های پیش‌بینی و در نتیجه محدود شدن توانایی توسعه واکسن‌های مبتنی بر mRNA می‌شود.

پژوهشگران در این آزمایش، از ۸۰ کیوبیت از مجموع ۱۵۶ کیوبیت موجود در پردازنده کوانتومی R2 Heron بهره گرفتند و الگوریتمی به نام CVaR-based VQA را اجرا کردند. این الگوریتم، که ایده آن از حوزه‌هایی مانند اجتناب از برخورد در سیستم‌های ناوبری و ارزیابی ریسک مالی الهام گرفته، برای مدل‌سازی دقیق ساختار ثانویه mRNA به کار گرفته شد.

پیش از این، رکورد شبیه‌سازی کوانتومی mRNA مربوط به رشته‌ای با طول ۴۲ نوکلئوتید بود. اما در این پروژه، با استفاده از روش‌های نوین تصحیح خطا و کاهش نویز، امکان شبیه‌سازی دقیق‌تر فراهم شد. تیم تحقیقاتی همچنین در مطالعات مقدماتی، ظرفیت استفاده از حداکثر ۳۵۴ کیوبیت را در محیط‌های بدون نویز بررسی کرد.

به باور محققان، افزایش تعداد کیوبیت‌ها و بهینه‌سازی الگوریتم‌ها می‌تواند مسیر را برای شبیه‌سازی‌های پیشرفته‌تر و پیش‌بینی توالی‌های طولانی‌تر هموار کند. با این حال، اجرای این روش‌ها نیازمند توسعه سخت‌افزارهای کوانتومی و معماری‌های پردازشی نوین است تا بتوان از پتانسیل کامل این فناوری بهره‌برداری کرد.