Tại sao AI có thể vượt mặt máy tính lượng tử?

-  Các công ty công nghệ đã đầu tư hàng tỷ USD vào máy tính lượng tử với kỳ vọng tạo đột phá trong tài chính, phát triển thuốc và logistics

-  AI đang tiến bộ nhanh chóng trong việc mô phỏng các hệ thống lượng tử phức tạp, thách thức vị thế của máy tính lượng tử

-  Meta vừa công bố mô hình AI được huấn luyện trên tập dữ liệu 118 triệu phân tử, đạt hiệu suất tốt nhất trong lĩnh vực khám phá vật liệu

-  Máy tính lượng tử lớn nhất hiện nay chỉ có hơn 1.000 qubit, trong khi cần đến hàng chục nghìn hoặc hàng triệu qubit để vượt trội hơn máy tính thông thường

-  Các nhà nghiên cứu tại DeepMind đã chứng minh có thể mô phỏng chính xác trạng thái kích thích trong hệ thống lượng tử, ứng dụng cho pin mặt trời và cảm biến

-  Microsoft đã phát triển bộ phần mềm nguồn mở giúp nhiều nhà nghiên cứu sử dụng mạng neural cho mô phỏng

-  AI tận dụng được đầu tư lớn vào phần cứng và phần mềm, trong khi máy tính lượng tử vẫn đang gặp nhiều thách thức về phần cứng

-  Các chuyên gia dự đoán tương lai sẽ là sự kết hợp giữa máy tính lượng tử và AI để giải quyết các bài toán phức tạp

-  Máy tính lượng tử có lợi thế trong mô phỏng sự tiến hóa của hệ thống lượng tử phức tạp theo thời gian

📌 AI đang thách thức vị thế của máy tính lượng tử trong mô phỏng khoa học với những tiến bộ vượt bậc. Meta đã huấn luyện AI trên 118 triệu phân tử, trong khi máy tính lượng tử lớn nhất chỉ đạt 1.000 qubit. Tương lai có thể là sự kết hợp của cả hai công nghệ.

https://www.technologyreview.com/2024/11/07/1106730/why-ai-could-eat-quantum-computings-lunch

#MIT

Tại sao AI có thể vượt mặt máy tính lượng tử?

Những tiến bộ nhanh chóng trong việc ứng dụng trí tuệ nhân tạo vào mô phỏng trong vật lý và hóa học khiến một số người đặt câu hỏi liệu chúng ta có còn cần đến máy tính lượng tử hay không.

Tác giả: Edd Gent
Ngày 7 tháng 11 năm 2024

Các công ty công nghệ đã đổ hàng tỷ đô la vào máy tính lượng tử trong nhiều năm qua với hy vọng chúng sẽ tạo ra bước ngoặt trong nhiều lĩnh vực khác nhau như tài chính, nghiên cứu thuốc và logistics.

Những kỳ vọng đó đặc biệt cao trong vật lý và hóa học, nơi các hiệu ứng kỳ lạ của cơ học lượng tử có vai trò quan trọng. Về lý thuyết, đây là lĩnh vực mà máy tính lượng tử có thể có lợi thế lớn so với máy tính thông thường.

Tuy nhiên, khi ngành công nghiệp này vẫn đang vật lộn với những thách thức của phần cứng lượng tử phức tạp, một đối thủ khác đang đạt được những bước tiến đáng kể trong một số ứng dụng hứa hẹn nhất. AI hiện đang được ứng dụng vào vật lý cơ bản, hóa học và khoa học vật liệu theo cách cho thấy rằng lĩnh vực vốn được coi là thế mạnh của máy tính lượng tử có thể không còn an toàn như trước nữa.

Quy mô và độ phức tạp của các hệ thống lượng tử có thể được mô phỏng bằng AI đang phát triển nhanh chóng, theo Giuseppe Carleo, giáo sư vật lý tính toán tại Viện Công nghệ Liên bang Thụy Sĩ (EPFL). Tháng trước, ông là đồng tác giả của một bài báo được công bố trên Science cho thấy rằng các phương pháp dựa trên mạng nơ-ron đang nhanh chóng trở thành kỹ thuật hàng đầu để mô hình hóa vật liệu có tính chất lượng tử mạnh. Meta cũng vừa công bố một mô hình AI được đào tạo trên bộ dữ liệu khổng lồ về vật liệu, giúp nó vươn lên dẫn đầu trong bảng xếp hạng các phương pháp máy học dành cho khám phá vật liệu.

Với tốc độ phát triển gần đây, ngày càng có nhiều nhà nghiên cứu đặt câu hỏi liệu AI có thể giải quyết phần lớn các vấn đề thú vị nhất trong hóa học và khoa học vật liệu trước khi máy tính lượng tử quy mô lớn trở thành hiện thực hay không.

"Sự xuất hiện của những đối thủ mới trong lĩnh vực máy học là một đòn giáng mạnh vào các ứng dụng tiềm năng của máy tính lượng tử," Carleo nhận định. "Theo tôi, các công ty đầu tư vào máy tính lượng tử sớm muộn gì cũng sẽ nhận ra rằng khoản đầu tư của họ không thực sự xứng đáng."

Những vấn đề mang tính cấp số nhân

Lời hứa của máy tính lượng tử nằm ở khả năng thực hiện một số phép tính nhanh hơn nhiều so với máy tính thông thường. Tuy nhiên, để hiện thực hóa tiềm năng này, cần có những bộ xử lý lượng tử lớn hơn nhiều so với hiện nay. Hiện tại, các thiết bị lớn nhất mới chỉ vừa vượt qua ngưỡng 1.000 qubit, nhưng để đạt được lợi thế rõ ràng so với máy tính cổ điển, có thể sẽ cần tới hàng chục nghìn, thậm chí hàng triệu qubit.

Khi phần cứng đó trở thành hiện thực, một số thuật toán lượng tử, chẳng hạn như thuật toán Shor (dùng để phá mã hóa), có tiềm năng giải quyết vấn đề nhanh hơn theo cấp số nhân so với các thuật toán cổ điển.

Nhưng đối với nhiều thuật toán lượng tử có ứng dụng thương mại rõ ràng hơn, chẳng hạn như tìm kiếm cơ sở dữ liệu, giải quyết bài toán tối ưu hóa hoặc hỗ trợ AI, lợi thế về tốc độ không đáng kể. Năm ngoái, một bài báo do Matthias Troyer, trưởng bộ phận máy tính lượng tử của Microsoft, đồng tác giả đã chỉ ra rằng những lợi thế lý thuyết này biến mất nếu tính đến thực tế rằng phần cứng lượng tử hoạt động chậm hơn nhiều (orders of magnitude slower) so với chip máy tính hiện đại. Việc đưa lượng lớn dữ liệu cổ điển vào và ra khỏi máy tính lượng tử cũng là một rào cản lớn.  

Do đó, Troyer và các đồng nghiệp kết luận rằng máy tính lượng tử nên tập trung vào các vấn đề trong hóa học và khoa học vật liệu, nơi cần mô phỏng các hệ thống mà hiệu ứng lượng tử chi phối. Về lý thuyết, một máy tính hoạt động theo cùng các nguyên tắc lượng tử với các hệ thống này sẽ có lợi thế tự nhiên. Thực tế, đây chính là ý tưởng cốt lõi thúc đẩy sự phát triển của máy tính lượng tử kể từ khi nhà vật lý nổi tiếng Richard Feynman lần đầu đề xuất khái niệm này.  

Các quy tắc của cơ học lượng tử chi phối nhiều thứ có giá trị thực tiễn và thương mại lớn, như protein, thuốc và vật liệu. Các tính chất của chúng được quyết định bởi sự tương tác giữa các hạt cấu thành, đặc biệt là electron—và việc mô phỏng những tương tác này trên máy tính có thể giúp dự đoán đặc điểm của một phân tử. Điều này có thể cực kỳ quan trọng trong việc khám phá những thứ như loại thuốc mới hoặc vật liệu pin hiệu quả hơn.  

Tuy nhiên, những quy tắc thách thức trực giác của cơ học lượng tử—đặc biệt là hiện tượng rối lượng tử, trong đó trạng thái lượng tử của các hạt ở xa có thể liên kết chặt chẽ với nhau—khiến các tương tác này trở nên vô cùng phức tạp. Việc theo dõi chính xác chúng đòi hỏi các phép toán phức tạp, trở nên ngày càng khó khăn theo cấp số nhân khi số lượng hạt tăng lên. Điều này khiến việc mô phỏng các hệ lượng tử lớn trở nên bất khả thi trên máy tính cổ điển.  

Đây chính là lĩnh vực mà máy tính lượng tử có thể tỏa sáng. Vì cũng hoạt động dựa trên các nguyên tắc lượng tử, máy tính lượng tử có thể biểu diễn trạng thái lượng tử hiệu quả hơn nhiều so với máy tính cổ điển. Chúng cũng có thể tận dụng các hiệu ứng lượng tử để tăng tốc tính toán.  

Nhưng không phải tất cả các hệ lượng tử đều giống nhau. Độ phức tạp của chúng phụ thuộc vào mức độ mà các hạt tương tác hoặc có sự tương quan với nhau. Trong các hệ có tương tác mạnh, việc theo dõi tất cả các mối quan hệ này có thể nhanh chóng làm tăng số phép tính cần thiết để mô hình hóa hệ thống. Tuy nhiên, theo Carleo, trong hầu hết các hệ thống mà các nhà hóa học và khoa học vật liệu quan tâm trên thực tế, sự tương quan là yếu. Điều đó có nghĩa là các hạt không ảnh hưởng đáng kể đến hành vi của nhau, khiến việc mô hình hóa hệ thống trở nên đơn giản hơn nhiều.  

Kết luận, theo Carleo, là máy tính lượng tử khó có thể mang lại lợi thế cho hầu hết các vấn đề trong hóa học và khoa học vật liệu. Các công cụ cổ điển có thể mô hình hóa chính xác các hệ có tương quan yếu đã tồn tại, nổi bật nhất là lý thuyết phiếm hàm mật độ (DFT). Ý tưởng cốt lõi của DFT là chỉ cần biết mật độ electron—một đại lượng thể hiện cách các electron phân bố trong không gian—là đủ để hiểu các tính chất quan trọng của hệ thống. Cách tiếp cận này giúp đơn giản hóa đáng kể việc tính toán nhưng vẫn mang lại kết quả chính xác đối với các hệ có tương quan yếu.

Mô phỏng các hệ thống lớn bằng những phương pháp này đòi hỏi sức mạnh tính toán đáng kể. Nhưng trong những năm gần đây, đã có một sự bùng nổ trong nghiên cứu sử dụng DFT để tạo ra dữ liệu về hóa chất, phân tử sinh học và vật liệu—những dữ liệu này có thể được dùng để huấn luyện mạng nơ-ron. Các mô hình AI này học được các quy luật trong dữ liệu, giúp chúng dự đoán các tính chất mà một cấu trúc hóa học cụ thể có thể có, nhưng chúng chạy với chi phí thấp hơn hàng bậc độ lớn so với các phép tính DFT thông thường.

Điều này đã mở rộng đáng kể quy mô của các hệ thống có thể được mô hình hóa—lên đến 100.000 nguyên tử cùng một lúc—và kéo dài thời gian mô phỏng, theo Alexandre Tkatchenko, giáo sư vật lý tại Đại học Luxembourg. “Thật tuyệt vời. Giờ đây có thể thực hiện hầu hết các nghiên cứu hóa học,” ông nói.

Olexandr Isayev, giáo sư hóa học tại Đại học Carnegie Mellon, cho biết các công ty trong ngành hóa học và khoa học sự sống đã ứng dụng rộng rãi các kỹ thuật này. Đối với các nhà nghiên cứu, những vấn đề từng ngoài tầm với như tối ưu hóa phản ứng hóa học, phát triển vật liệu pin mới và hiểu cách protein liên kết giờ đây cuối cùng cũng có thể giải quyết được.

Như hầu hết các ứng dụng AI khác, rào cản lớn nhất là dữ liệu, theo Isayev. Bộ dữ liệu vật liệu mà Meta mới công bố bao gồm các phép tính DFT trên 118 triệu phân tử. Một mô hình được huấn luyện trên bộ dữ liệu này đã đạt hiệu suất tiên tiến nhất, nhưng việc tạo ra dữ liệu huấn luyện này đòi hỏi nguồn tài nguyên tính toán khổng lồ—vượt xa khả năng tiếp cận của hầu hết các nhóm nghiên cứu. Điều đó có nghĩa là để tận dụng hết tiềm năng của phương pháp này, sẽ cần những khoản đầu tư lớn.

Tuy nhiên, mô phỏng một hệ có tương quan yếu bằng DFT không phải là một vấn đề tăng trưởng theo cấp số nhân. Điều này cho thấy rằng với nhiều dữ liệu hơn và tài nguyên tính toán lớn hơn, các phương pháp cổ điển dựa trên AI có thể mô phỏng ngay cả những hệ thống lớn nhất, theo Tkatchenko. Với việc các máy tính lượng tử đủ mạnh để cạnh tranh vẫn còn cách nhiều thập kỷ, ông bổ sung rằng quỹ đạo phát triển hiện tại của AI cho thấy nó có thể đạt được những cột mốc quan trọng, chẳng hạn như mô phỏng chính xác cách thuốc liên kết với protein, sớm hơn nhiều.

Tương quan mạnh

Khi nói đến mô phỏng các hệ lượng tử có tương quan mạnh—những hệ mà các hạt tương tác rất nhiều—các phương pháp như DFT nhanh chóng trở nên vô dụng. Dù ít phổ biến hơn, các hệ này bao gồm những vật liệu có khả năng mang tính đột phá, như siêu dẫn nhiệt độ cao hoặc cảm biến siêu chính xác. Nhưng ngay cả trong lĩnh vực này, AI cũng đang có những bước tiến đáng kể.

Năm 2017, Carleo từ EPFL và Troyer từ Microsoft đã công bố một bài báo quan trọng trên Science, cho thấy mạng nơ-ron có thể mô hình hóa các hệ lượng tử có tương quan mạnh. Phương pháp này không học từ dữ liệu theo cách thông thường. Thay vào đó, theo Carleo, nó giống với mô hình AlphaZero của DeepMind—mô hình đã thành thạo các trò chơi như cờ vây, cờ vua và shogi chỉ bằng cách dựa vào quy tắc của từng trò chơi và khả năng tự chơi với chính mình.

Trong trường hợp này, "quy tắc của trò chơi" được xác định bởi phương trình Schrödinger, phương trình có thể mô tả chính xác trạng thái lượng tử hoặc hàm sóng của một hệ. Mô hình AI tự "chơi" bằng cách sắp xếp các hạt theo một cấu hình nhất định rồi đo mức năng lượng của hệ. Mục tiêu là đạt đến cấu hình năng lượng thấp nhất (được gọi là trạng thái cơ bản), vì trạng thái này quyết định tính chất của hệ thống. Mô hình sẽ lặp lại quá trình này cho đến khi mức năng lượng không giảm thêm nữa, cho thấy rằng trạng thái cơ bản—hoặc một trạng thái rất gần với nó—đã được tìm thấy.

Sức mạnh của các mô hình này nằm ở khả năng nén thông tin, theo Carleo. “Hàm sóng là một đối tượng toán học rất phức tạp,” ông nói. “Những nghiên cứu gần đây đã chỉ ra rằng [mạng nơ-ron] có thể nắm bắt được sự phức tạp của đối tượng này theo cách mà máy tính cổ điển có thể xử lý.”

Kể từ bài báo năm 2017, phương pháp này đã được mở rộng sang nhiều hệ có tương quan mạnh khác nhau, và kết quả rất ấn tượng, theo Carleo. Bài báo trên Science mà ông cùng các đồng nghiệp công bố tháng trước đã thử nghiệm các kỹ thuật mô phỏng cổ điển hàng đầu trên một loạt các bài toán mô phỏng lượng tử phức tạp, với mục tiêu tạo ra một tiêu chuẩn đánh giá sự tiến bộ của cả phương pháp cổ điển và lượng tử.

Carleo cho biết các kỹ thuật dựa trên mạng nơ-ron hiện là cách tiếp cận tốt nhất để mô phỏng nhiều hệ lượng tử phức tạp nhất mà nhóm đã kiểm tra. “Máy học thực sự đang dẫn đầu trong nhiều bài toán này,” ông nói.

Những kỹ thuật này đang thu hút sự quan tâm của các tập đoàn công nghệ lớn. Tháng 8 vừa qua, các nhà nghiên cứu tại DeepMind đã công bố một bài báo trên Science cho thấy họ có thể mô hình hóa chính xác trạng thái kích thích trong các hệ lượng tử. Điều này có thể giúp dự đoán hành vi của các công nghệ như pin mặt trời, cảm biến và laser trong tương lai. Các nhà khoa học tại Microsoft Research cũng đã phát triển một bộ phần mềm mã nguồn mở để giúp nhiều nhà nghiên cứu hơn sử dụng mạng nơ-ron trong mô phỏng.

Một trong những lợi thế chính của phương pháp này là nó tận dụng được các khoản đầu tư khổng lồ vào phần mềm và phần cứng AI, theo Filippo Vicentini, giáo sư về AI và vật lý vật chất ngưng tụ tại École Polytechnique ở Pháp, đồng tác giả của bài báo Science về đánh giá hiệu suất: “Việc có thể khai thác những tiến bộ công nghệ này mang lại cho chúng tôi lợi thế rất lớn.”

Tuy nhiên, có một điểm cần lưu ý: vì trạng thái cơ bản thực chất được tìm thông qua thử và sai thay vì tính toán trực tiếp, kết quả thu được chỉ là xấp xỉ. Nhưng theo Juan Carrasquilla, nhà nghiên cứu tại ETH Zurich và cũng là đồng tác giả bài báo, chính điều này giúp phương pháp có thể tiến bộ trong một bài toán vốn bị coi là nan giải.

Nếu muốn theo dõi chính xác tất cả các tương tác trong một hệ có tương quan mạnh, số phép tính cần thực hiện sẽ tăng theo cấp số nhân khi kích thước hệ thống lớn lên. Nhưng nếu chỉ cần một kết quả đủ tốt, có rất nhiều cách để rút gọn quá trình tính toán.

“Có thể chúng ta không có hy vọng mô phỏng chính xác tuyệt đối,” Carrasquilla nói. “Nhưng có hy vọng thu thập đủ thông tin để nắm bắt tất cả các khía cạnh mà các nhà vật lý quan tâm. Và nếu làm được điều đó, kết quả thu được về cơ bản không khác gì một lời giải thực sự.”

Dù các hệ có tương quan mạnh thường quá phức tạp để mô phỏng bằng phương pháp cổ điển, vẫn có một số trường hợp ngoại lệ đáng chú ý. Theo một bài báo năm 2023 trên Nature Communications, một số hệ có liên quan đến mô hình hóa siêu dẫn nhiệt độ cao vẫn có thể mô phỏng bằng phương pháp cổ điển.

“Do tính phức tạp theo cấp số nhân, luôn có những bài toán mà không thể tìm ra cách rút gọn,” Frank Noe, quản lý nghiên cứu tại Microsoft Research và là người dẫn đầu nhiều dự án của công ty trong lĩnh vực này, cho biết. “Nhưng tôi nghĩ số lượng hệ mà chúng ta không thể tìm ra cách rút gọn tốt sẽ ngày càng ít đi.”

Không có giải pháp vạn năng

Tuy nhiên, Stefanie Czischek, trợ lý giáo sư vật lý tại Đại học Ottawa, cho rằng rất khó dự đoán những bài toán nào mạng nơ-ron có thể giải quyết hiệu quả. Với một số hệ phức tạp, chúng hoạt động cực kỳ tốt, nhưng với những hệ tưởng chừng đơn giản, chi phí tính toán lại có thể tăng vọt bất ngờ. “Chúng ta thực sự chưa biết giới hạn của chúng là gì,” cô nói. “Chưa ai thực sự xác định được điều kiện nào khiến việc biểu diễn hệ thống bằng các mạng nơ-ron trở nên khó khăn.”

Trong khi đó, cũng có những tiến bộ đáng kể trong các kỹ thuật mô phỏng lượng tử cổ điển khác, theo Antoine Georges, giám đốc Trung tâm Vật lý Lượng tử Tính toán tại Viện Flatiron ở New York, người cũng đóng góp vào bài báo đánh giá hiệu suất trên Science gần đây. “Mỗi phương pháp đều có thành công riêng và chúng cũng bổ trợ lẫn nhau,” ông nói. “Vì vậy, tôi không nghĩ rằng các phương pháp máy học này sẽ hoàn toàn thay thế tất cả các phương pháp khác.”

Máy tính lượng tử cũng sẽ có những ứng dụng riêng, theo Martin Roetteler, giám đốc cấp cao về giải pháp lượng tử tại IonQ, công ty đang phát triển máy tính lượng tử dựa trên công nghệ ion bẫy. Ông đồng ý rằng các phương pháp cổ điển có thể đủ để mô phỏng các hệ có tương quan yếu, nhưng tin rằng một số hệ lượng tử có tương quan mạnh và kích thước lớn sẽ vượt quá khả năng của các phương pháp này. “Tính chất tăng theo cấp số nhân sẽ trở thành vấn đề,” ông nói. “Có những hệ có tương quan mạnh mà chúng ta không thể xử lý bằng phương pháp cổ điển. Tôi hoàn toàn tin rằng điều đó là đúng.”

Ngược lại, ông cho rằng một máy tính lượng tử chịu lỗi trong tương lai, với số lượng qubit nhiều hơn đáng kể so với các thiết bị hiện tại, sẽ có thể mô phỏng những hệ này. Điều này có thể giúp tìm ra chất xúc tác mới hoặc cải thiện sự hiểu biết về các quá trình trao đổi chất trong cơ thể—một lĩnh vực được ngành dược phẩm đặc biệt quan tâm.

Mạng nơ-ron có thể mở rộng phạm vi các bài toán có thể giải quyết, theo Jay Gambetta, người đứng đầu bộ phận máy tính lượng tử tại IBM, nhưng ông không tin rằng chúng sẽ xử lý được những thách thức khó nhất mà doanh nghiệp quan tâm.

“Đó là lý do tại sao nhiều công ty có nhu cầu về hóa học vẫn tiếp tục nghiên cứu máy tính lượng tử—bởi vì họ biết chính xác những phương pháp xấp xỉ này sẽ thất bại ở đâu,” ông nói.

Gambetta cũng bác bỏ ý kiến cho rằng các công nghệ này là đối thủ của nhau. Ông cho rằng tương lai của điện toán có khả năng sẽ là sự kết hợp giữa hai phương pháp, với các thuật toán cổ điển và lượng tử hoạt động cùng nhau để giải quyết vấn đề. “Tôi không nghĩ chúng cạnh tranh với nhau. Tôi nghĩ chúng thực sự bổ trợ lẫn nhau,” ông nói.

Tuy nhiên, Scott Aaronson, giám đốc Trung tâm Thông tin Lượng tử tại Đại học Texas, cho rằng các phương pháp máy học đang cạnh tranh trực tiếp với máy tính lượng tử trong các lĩnh vực như hóa lượng tử và vật lý vật chất ngưng tụ. Ông dự đoán rằng sự kết hợp giữa máy học và mô phỏng lượng tử sẽ vượt trội hơn so với các phương pháp thuần túy cổ điển trong nhiều trường hợp, nhưng điều đó sẽ không thực sự rõ ràng cho đến khi các máy tính lượng tử lớn hơn và đáng tin cậy hơn ra đời.

“Từ những ngày đầu, tôi đã coi máy tính lượng tử trước hết là một cuộc tìm kiếm khoa học, còn các ứng dụng công nghiệp chỉ là phần thưởng thêm,” ông nói. “Vì vậy, nếu mô phỏng lượng tử chỉ đánh bại máy học cổ điển trong một số ít trường hợp, tôi cũng sẽ không thất vọng như một số đồng nghiệp của mình.”

Một lĩnh vực mà máy tính lượng tử có vẻ sẽ có lợi thế rõ ràng là mô phỏng sự tiến hóa của các hệ lượng tử phức tạp theo thời gian, theo Carleo từ EPFL. Điều này có thể mang lại những hiểu biết vô giá cho các nhà khoa học trong các lĩnh vực như cơ học thống kê và vật lý năng lượng cao, nhưng khó có khả năng dẫn đến ứng dụng thực tế trong tương lai gần. “Đây là những ứng dụng mang tính đặc thù hơn, và theo tôi, không đủ để biện minh cho những khoản đầu tư khổng lồ và sự cường điệu quá mức,” Carleo nhận định.

Tuy nhiên, các chuyên gia mà MIT Technology Review phỏng vấn đều cho rằng việc thiếu ứng dụng thương mại không phải là lý do để từ bỏ nghiên cứu về máy tính lượng tử, vì chúng có thể mang lại những đột phá khoa học mang tính nền tảng trong dài hạn.

“Khoa học giống như một tập hợp các chiếc hộp lồng vào nhau—bạn giải quyết một vấn đề, rồi lại phát hiện ra năm vấn đề khác,” Vicentini nói. “Độ phức tạp của những gì chúng ta nghiên cứu sẽ ngày càng tăng lên, vì vậy chúng ta sẽ luôn cần những công cụ mạnh mẽ hơn.”