На форуме «2026 Quantum Summit» представитель Института Хайхай — глава Института квантовых вычислений Се Минсю — в онлайн-выступлении рассказал, как сочетание AI, суперкомпьютеров (HPC) и квантовых процессоров ускоряет решение сложных задач. По его словам, будущее не в полной замене обычных компьютеров квантовыми, а в распределении задач между технологиями: каждая должна выполнять то, для чего лучше всего подходит.
В качестве примера он привёл систему OmniQEC — результат совместной работы Института Хайхай, Наньянского технологического университета, Токийского сельскохозяйственного университета и Городского университета Гонконга. Система использует AI для проектирования и оптимизации квантовых кодов коррекции ошибок (QEC). С помощью больших языковых моделей (LLM) она координирует генерацию кодов, их отбор, проверку на уровне схем и обратную связь — и таким образом находит практичные решения. Се Минсю подчеркнул: когда чётко определены цели, аппаратные ограничения и методы проверки, AI может напрямую участвовать в разработке квантовых технологий.
Ещё один проект — Quantum-Train (разработан Институтом Хайхай вместе с квантовой командой Тайваньского университета, университетом Янмин Цзяотун, Институтом промышленных технологий и Национальным центром теоретических наук). Система использует квантовые нейронные сети и механизм отображения параметров, чтобы с меньшим числом обучаемых параметров генерировать веса, необходимые для традиционных моделей. После обучения модель может работать на обычном оборудовании, снижая зависимость от квантового оборудования.
Среди международных примеров — система AlphaFold от DeepMind, которая быстро предсказывает трёхмерную структуру белков. Это позволяет учёным эффективнее планировать эксперименты. В 2026 году IBM совместно с японским институтом RIKEN провели одно из крупнейших на сегодня моделирование белковых систем — это продемонстрировало, как квантовые процессоры и HPC могут дополнять друг друга.
Се Минсю описал гибридную архитектуру на примере исследований белков: сначала AI быстро отбирает варианты, затем HPC выполняет масштабные симуляции, квантовые системы берут на себя самые сложные вычисления, а на последнем этапе традиционные системы завершают интеграцию и проверку. Такой подход позволяет максимально эффективно использовать квантовые ресурсы. В разработке новых материалов AI может предложить подходящие кандидаты на основе заданных свойств, а результаты вычислений вернуть в AI-систему для дальнейшего улучшения — так цикл разработки ускоряется.
При этом Се Минсю предупреждает: увеличение числа кубитов и приближение к теоретическому оптимуму не всегда оправдано. Нужно искать баланс между точностью и затратами ресурсов: если дополнительные затраты не дают значимого роста точности или традиционные методы уже дают нужный результат, использовать квантовые технологии нецелесообразно.
Для бизнеса Се Минсю предложил три вопроса, на которые стоит ответить перед внедрением квантовых технологий:
1. В чём сейчас самое дорогое «узкое место» (например, медленный отбор материалов, низкий выход годной продукции, высокие энергозатраты, затянутый цикл разработки)?
2. Для какого этапа задачи можно определить измеримые показатели (например, снижение погрешности прогноза, сокращение времени поиска подходящих материалов, уменьшение затрат)?
3. Будет ли гибридный процесс быстрее и экономичнее существующих методов при сохранении качества?
По мнению Се Минсю, Тайвань обладает сильными позициями в полупроводниковой отрасли, ИКТ и цепочках поставок. Если компании смогут чётко ответить на эти вопросы и правильно распределить задачи между AI, HPC и квантовыми системами, они смогут уже сейчас запускать междисциплинарные проекты и накапливать практический опыт, не дожидаясь полноценного развития квантовых компьютеров.
Подписаться в Макс
