Un problema di informatica quantistica rimasto aperto per 18 anni ha trovato una soluzione grazie all’intelligenza artificiale. David Turturean, neolaureato al MIT e membro dello staff tecnico di Physical Superintelligence (PSI), ha utilizzato l’accesso anticipato a Fable 5.2, modello di Anthropic, per affrontare la congettura di Aaronson-Ambainis. Per il laboratorio, il risultato offre una dimostrazione concreta del proprio approccio: costruire sistemi di ricerca specializzati attorno ai modelli AI per risolvere problemi scientifici.
La congettura di Aaronson-Ambainis riguarda la capacità dei computer quantistici di risolvere problemi più velocemente di quelli classici. La soluzione chiude una delle strade attraverso cui ottenere un forte vantaggio su determinati problemi difficili, senza escludere tutte le altre. Turturean la descrive come un risultato negativo che permette ai ricercatori di sapere dove smettere di cercare. Il contributo consiste quindi nel restringere il campo delle possibilità e orientare diversamente il lavoro successivo.
Scott Aaronson, uno dei due studiosi che formularono il problema, considera corretta la dimostrazione, pur ammettendo di non comprenderla pienamente. A sostenere la sua valutazione sono la formalizzazione automatica in Lean, un linguaggio per la matematica, e le spiegazioni di un gruppo di ricercatori di primo piano con cui PSI ha condiviso la soluzione. Aaronson ha descritto la congettura come uno degli ultimi problemi aperti della complessità delle interrogazioni quantistiche sulla cui centralità esisteva un ampio consenso.
La strategia illustrata dall’amministratore delegato Matt Pines ruota attorno agli harness, le strutture software che organizzano l’impiego dei modelli. Per Pines, un sistema di ricerca efficace deve integrare strumenti, memoria e infrastrutture di simulazione, così da esplorare un problema sia in ampiezza sia in profondità. La proposta di PSI mette dunque al centro l’ambiente operativo del modello: un insieme di componenti che consenta di considerare numerose alternative durante il lavoro scientifico.
Il fatturato attuale dell’azienda arriva dall’ottimizzazione dei data center. PSI usa i propri strumenti per simulare calore, energia elettrica, acqua e suono: variabili fisiche che determinano sia le prestazioni degli impianti sia il loro impatto sulle comunità circostanti. È un’applicazione commerciale già concreta del lavoro del laboratorio. L’obiettivo di lungo periodo dichiarato da Pines è trasformare le scoperte della fisica teorica in tecnologie utilizzabili, collegando la ricerca alla costruzione di nuovi dispositivi.
Una sfida parallela arriva da Discovered Materials, che ha lanciato un’iniziativa da 1 milione di dollari rivolta ai ricercatori che usano l’AI per studiare problemi come la superconduttività e la dissipazione del calore. Matematica e informatica hanno già prodotto risultati esprimibili in codice verificabile; nelle discipline legate ai fenomeni naturali, il lavoro passa anche attraverso il confronto con gli esperimenti. È su questo collegamento che PSI concentra una parte della propria attività.
Per Pines, la validazione sperimentale deve collegare nel modo più efficiente possibile i risultati computazionali al comportamento della natura. Il percorso descritto parte da un’idea suggerita dall’AI, passa dalla verifica e arriva alla possibilità di sfruttare un fenomeno per costruire qualcosa. Se una proprietà fisica è reale, può diventare il principio di funzionamento di un dispositivo. PSI sta costruendo questi cicli di lavoro per tradurre le proposte dei modelli in capacità operative.
Anche la gestione della scoperta ha richiesto un processo specifico. PSI ha dovuto attendere che il modello di Anthropic fosse vicino al rilascio prima di rendere pubblico il risultato, utilizzando quel tempo per coinvolgere esperti. Jim Halverson, professore alla Northeastern University e consulente del laboratorio, indica nella trasparenza e nel confronto con gli specialisti due pratiche da seguire. Parteciperà inoltre a un incontro al MIT dedicato alla risposta dei fisici alla nuova velocità della ricerca.
Turturean, che ha rinviato un master al laboratorio di informatica e AI del MIT per entrare in PSI, ha affrontato personalmente il problema della comprensibilità della dimostrazione. Dopo aver stampato la soluzione ottenuta con l’AI, l’ha riletta cercando un modo più naturale per presentarla a un essere umano. La comunità accademica, osserva, si aspetterà che sappia spiegare il risultato: anche quando la scoperta nasce dal lavoro di un modello, resta necessario renderla discutibile e comprensibile agli altri ricercatori.