Искусственный интеллект и квантовые технологии: приближение Квантового дня и угроза шифрованию

Искусственный интеллект приближает `Квантовый день` к реальности – и к ломке шифрования: новое исследование

В прорыве, который знаменует собой важный этап в развитии квантовых технологий, искусственный интеллект теперь используется для понимания и описания огромной сложности квантовых систем, преобразуя то, что раньше представляло собой трудную задачу, в поддающиеся анализу и даже предсказуемые явления. И последствия выходят за рамки академического интереса: овладение этой сложностью имеет решающее значение для продвижения квантового оборудования, проверки производительности и развертывания квантовых приложений в таких областях, как шифрование, открытие новых материалов и фармацевтика.

Новое исследование от Quantum Zeitgeist подчеркивает, как ИИ — особенно глубокое обучение и языковые модели — могут приблизительно оценивать состояние массово сложных квантовых систем, обходя экспоненциальные барьеры масштабирования, которые долгое время вызывали затруднения у физиков.

Исследователи используют традиционное машинное обучение, глубокие нейронные сети и даже языковые модели для прогнозирования физических свойств (таких как намагниченность и энтропия) и выступают в качестве «заместительных моделей» для полных квантовых систем — короткие пути, которые обходят экспоненциальный взрыв данных о квантовых состояниях.

Сопутствующий отчет на arXiv, “Искусственный интеллект для представления и характеристики квантовых систем,” группирует эти достижения в три связанных парадигмы ИИ — машинное обучение, глубокое обучение и модели на основе трансформеров — и утверждает, что каждая из них обладает уникальными преимуществами в задачах, таких как оптимизация алгоритмов, бенчмаркинг квантовых устройств и исследование сложных фаз материи.

Приготовьтесь к `Квантовому дню`

Квантовые компьютеры, обладающие достаточной мощностью для моделирования крупных систем, угрожают разрушить криптографические основы цифровой экономики сегодня. Большинство блокчейнов, банков и защищенных коммуникаций по-прежнему полагаются на методы RSA и эллиптической кривой, которые могут быть распущены, как только квантовые машины выйдут на масштаб. Роль ИИ в ускорении квантовой характеристики сокращает этот временной промежуток, повышая давление на отрасли с целью принятия криптографии, устойчивой к квантовым угрозам, прежде чем настанет так называемый Квантовый день.

Когда эксперты предупреждают о Квантовом дне — моменте, когда квантовые компьютеры смогут разрушить современное шифрование — они не предаются научной фантастике. Анализ 2025 года от Post Quantum прогнозирует появление машины, способной сломать RSA-2048, как минимум к 2030 году, +/- два года, в то время как Национальный центр кибербезопасности Великобритании призвал компании начать переход к системам, безопасным для квантовых вычислений, к 2028 году, с полной адаптацией к 2035 году.

Недавний опрос в индустрии нарисовал еще более мрачную картину: 61% специалистов по безопасности считают, что существующее шифрование может быть скомпрометировано всего через два года, а еще 28% ожидают появления уязвимостей в течение трех-пяти лет.

Более осторожные прогнозы могут растянуть опасность на более дальний срок, предполагая лишь один шанс из четырех на нарушение к 2034 году, но предупреждая, что вероятность поднимается почти до 80% к 2044 году, согласно компании по кибербезопасности Capture the Bug.

Как ИИ ускоряет квантовую эпоху

Традиционные методы, такие как квантовая томография или моделирование, быстро становятся неприемлемо медленными по мере роста систем. ИИ предлагает краткий путь, где распознавание паттернов масштабируется более благоприятно, открывая новые горизонты для систем, которые когда-то считались непостижимыми.

Точная характеристика является предварительным условием для создания надежного квантового оборудования и программного обеспечения. Например, немецкая компания IQM только что получила инвестиции в 320 миллионов долларов США — это подчеркивает её стремление к облачной производственной модели машин на основе кубитов и выявляет спрос на квантовые системы, производительность которых должна быть подтверждена.

В Австралии исследователи использовали подход квантового машинного обучения — называемый квантовым регрессором, согласованным с ядром (QKAR) — для моделирования ключевых факторов в производстве полупроводников. Результат: на 20% лучшая точность по сравнению с классическими методами, даже при использовании небольших наборов данных.

Независимо от закона Эсприт или закона Невена о удвоении экспоненты, который описывает, как квантовая вычислительная мощность может расти быстрее, чем простые экспоненциальные тенденции, инструменты ИИ могут оказаться катализатором, превращающим сырые квантовые данные в информацию, с которой можно работать.

Вывод

Обещание квантовых вычислений — экспоненциальное решение задач, нерушимое шифрование, трансформирующее открытие лекарств и материалов — зависит от одной недооцененной способности: понимания того, что делают машины. Искусственный интеллект не просто экспериментальный помощник; он становится жизненно важным интерпретатором и катализатором глобальных амбиций в области квантовых вычислений.

По мере роста финансирования и увеличения числа приложений будущее не только квантовое — это квантовое на базе ИИ. И это может быть тем, что наконец превратит теорию в трансформацию.