هوش مصنوعی در برابر کامپیوتر کوانتومی شکست را تجربه کرد

تینا مزدکی_ محققین در شرکت‌های IBM و مدرنا توانسته‌اند با بهره‌مندی از فناوری رایانش کوانتومی، یکی از طولانی‌ترین توالی‌های RNA پیام‌رسان یا همان mRNA را بدون نیاز به هوش مصنوعی شبیه‌سازی کنند. آن‌ها با استفاده از پردازنده کوانتومی R۲ Heron از IBM و یک الگوریتم مخصوص شبیه‌سازی کوانتومی، ساختار پیچیده یک رشته mRNA به طول ۶۰ نوکلئوتید را مدل‌سازی کردند؛ رکوردی که به‌عنوان طولانی‌ترین توالی mRNA شبیه‌سازی‌شده در تاریخ رایانه‌های کوانتومی محسوب می‌شود.

RNA پیام‌رسان (Messenger RNA) یا mRNA مولکولی است که اطلاعات ژنتیکی را از DNA به ریبوزوم انتقال داده و فرآیند سنتز پروتئین را در سلول به پیش می‌برد. همچنین، RNA پیام‌رسان در تولید واکسن‌های مؤثری مورد استفاده قرار می‌گیرد که قادرند واکنش‌های ایمنی را تحریک کنند.

به‌طور قطع پذیرفته شده که تمامی اطلاعات ضروری برای تبدیل یک پروتئین به شکل سه‌بعدی صحیح، در توالی اسیدهای آمینه یا فرآیند «تاخوردگی» آن نهفته است. اگرچه mRNA فقط از یک رشته اسید آمینه تشکیل شده، اما دارایی ساختار ثانویه‌ای است که شامل مجموعه‌ای از تاخوردگی‌ها بوده و شکل نهایی سه‌بعدی هر مولکول را تعیین می‌کند. با هر افزودن نوکلئید جدید، تعداد حالت‌های ممکن برای این تاخوردگی‌ها به طرز نمایی افزایش می‌یابد؛ این موضوع پیش‌بینی شکل نهایی مولکول mRNA در مقیاس‌های بزرگ را به مسأله‌ای به شدت پیچیده و چالش‌برانگیز تبدیل می‌کند.

این پژوهش مشترک بین IBM و مدرنا که نخستین بار در “کنفرانس بین‌المللی ۲۰۲۴ رایانش و مهندسی کوانتومی IEEE” معرفی شد، نشان می‌دهد چگونه می‌توان از تکنولوژی رایانش کوانتومی به منظور تقویت روش‌های سنتی پیش‌بینی ساختار مولکول‌ها بهره برد. به‌طور معمول، این پیش‌بینی‌ها بر پایه سیستم‌های کلاسیک دودویی و مدل‌های هوش مصنوعی، نظیر AlphaFold شرکت گوگل دیپ‌مایند، انجام می‌شود. الگوریتم‌هایی که روی این سیستم‌های کلاسیک اجرا می‌شوند، توانایی پردازش توالی‌های mRNA با «صدها یا هزاران نوکلئوتید» را دارند، اما این کار تنها با حذف ویژگی‌های پیچیده‌تری مانند «شبه‌گره‌ها» امکان‌پذیر است.

شبه‌گره‌ها، پیچش‌ها و ساختارهای پیچیده‌ای هستند که در ساختار ثانویه مولکول وجود دارند و می‌توانند بر روی برهم‌کنش‌های داخلی تأثیر بگذارند و دامنه‌ای فراتر از تاخوردگی‌های معمولی داشته باشند. حذف این ویژگی‌ها به‌طور بنیادی دقت هر مدل پیش‌بینی ساختار پروتئین را محدود می‌کند. توانایی درک و پیش‌بینی دقیق‌ترین جزئیات تاخوردگی‌های پروتئینی در مولکول mRNA به منظور خلق مدل‌های پیش‌بینی قوی‌تر و به تبع آن، تولید واکسن‌های مؤثرتر بر پایه mRNA از اهمیت ویژه‌ای برخوردار است.

دانشمندان امیدوارند با ترکیب فناوری کوانتومی و روش‌های سنتی، بر محدودیت‌هایی که بزرگ‌ترین ابررایانه‌ها و مدل‌های هوش مصنوعی معمولاً با آن مواجه هستند، فائق آیند. در این تحقیق، محققان چندین آزمایش را با استفاده از الگوریتم‌های شبیه‌سازی کوانتومی انجام دادند که مدل‌سازی مولکول‌ها را به کیوبیت‌ها (معادل کوانتومی بیت‌های رایانه‌ای) وابسته می‌سازد.

در مرحله اول، گروه تحقیقاتی تنها از ۸۰ کیوبیت (از مجموع ۱۵۶ کیوبیت موجود) در واحد پردازش کوانتومی R۲ Heron استفاده کرد و از یک الگوریتم بهینه‌سازی کوانتومی تحت عنوان الگوریتم واریاسیونی مبتنی بر ارزش در معرض خطر شرطی یا (CVaR-based VQA) بهره برد. این الگوریتم که تحت تأثیر چندین روش تحلیلی برهم‌کنش‌های پیچیده، از جمله جلوگیری از برخورد در سیستم‌های ناوبری و ارزیابی ریسک مالی ساخته شده، برای پیش‌بینی ساختار ثانویه پروتئینی یک توالی mRNA به طول ۶۰ نوکلئوتید به کار گرفته شده است.

نویسندگان این مقاله علمی اشاره داشته‌اند که رکورد پیشین شبیه‌سازی با استفاده از یک مدل کوانتومی مربوط به توالی ۴۲ نوکلئوتیدی می‌باشد. در این آزمایش جدید، محققان با استفاده از روش‌های اصلاح خطا جدید برای کاهش نویز ناشی از عملکردهای کوانتومی، توانستند مقیاس کار را افزایش دهند.

در مطالعه اخیر که به شکل پیش‌انتشار ارائه شده، این گروه به‌طور آزمایشی نشان دادند که شیوه پژوهش آن‌ها قابلیت انجام شبیه‌سازی‌هایی با حداکثر ۱۵۶ کیوبیت را برای توالی‌های mRNA تا طول ۶۰ نوکلئوتید دارد. همچنین، آن‌ها پژوهش‌های مقدماتی انجام داده‌اند که امکان استفاده از حداکثر ۳۵۴ کیوبیت را برای اعمال همان الگوریتم‌ها در شرایط بدون نویز نمایان می‌سازد.

محققان برآورد می‌کنند که افزایش تعداد کیوبیت‌های به کار رفته در اجرای الگوریتم، همراه با مقیاس‌پذیری الگوریتم‌ها برای فرایندهای پیچیده‌تر، می‌تواند به شبیه‌سازی‌های دقیق‌تر و توانایی پیش‌بینی توالی‌های طولانی‌تر منجر شود. با این حال، آن‌ها تأکید کردند که این روش‌ها نیازمند توسعه تکنیک‌های پیشرفته برای ادغام مدارهای خاص با این نوع مسائل در سخت‌افزار کوانتومی موجود خواهند بود؛ موضوعی که نشان‌دهنده این است که پیشرفت این تحقیقات به الگوریتم‌ها و معماری‌های پردازشی پیشرفته‌تری احتیاج دارد.

منبع: livescience

۲۲۷۳۲۳