Hybrid neuronové sítě a kvantového procesoru předpověděl turbulenci o 20 % přesněji než klasické analogy
Vědci z University College London vyvinuli hybridní systém, který kombinuje neuronovou síť a kvantový procesor. Předpovídá turbulenci o 20 % přesněji než klasické modely a vyžaduje stokrát méně paměti.
Kvantový upgrade pro AI: Jak jedna konzultace s kvantovým procesorem udělala neuronovou síť o 20 % chytřejší a stokrát úspornější
Úvod
Představte si šachistu, kterému před důležitou partií dali pět minut na rozhovor s velmistrem. Velmistr za něj nehraje celou partii – jen vysvětlí klíčové principy pozice. Poté šachista hraje výrazně lépe, i když sám o sobě není génius. Přibližně tak funguje hybridní systém vytvořený vědci z University College London (UCL): kvantový počítač jednou zpracuje data, extrahuje jejich hlubokou statistickou strukturu, a pak klasická neuronová síť používá tento „nápovědu“ pro dlouhodobé předpovědi. Výsledek – přesnost predikce turbulence vzrostla o 20 % a spotřeba paměti se snížila stokrát. Není to laboratorní kuriozita, ale první praktický důkaz „kvantové výhody“ na reálném fyzikálním problému.
Podrobnosti události a časová osa
- dubna 2026 časopis Science Advances publikoval práci pod vedením profesora Petera Coveneyho z UCL Chemistry and the Advanced Research Computing Centre. Práce vyšla pod názvem „Quantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantage“ a popisuje architekturu, kterou autoři nazvali QIML – Quantum-Informed Machine Learning.
Časová osa projektu je následující. Výzkumná skupina pracovala na metodě několik let, postupně komplikovala testovací systémy. Nejprve trénovali na jednorozměrné Kuramoto–Sivashinského rovnici (dimenze 512), poté přešli na dvourozměrné Kolmogorovovo proudění (dimenze 4096) a nakonec na trojrozměrné turbulentní proudění v kanálu, jehož data byla modelována metodou mřížkových Boltzmannových rovnic. Klíčový experiment provedli na 20-qubitovém kvantovém procesoru finské společnosti IQM, připojeném k superpočítačovým kapacitám Leibnizova výpočetního centra v Mnichově.
Technická architektura vypadá takto. V první fázi kvantový generátor (Quantum Circuit Born Machine) zpracuje trénovací data a vytvoří tzv. Q-Prior – kompaktní statistický popis invariantních vlastností systému, tedy těch zákonitostí, které přetrvávají i při chaotickém vývoji. Tento Q-Prior zabírá jen několik kilobajtů, zatímco původní data mohou vážit megabajty. Dále je Q-Prior vložen jako diferencovatelné omezení do ztrátové funkce klasické neuronové sítě založené na Koopmanově operátoru, což nutí model dodržovat fyzikálně korektní statistiku po celý horizont predikce.
Prvním autorem práce je Maida Wang z Centra výpočetních věd UCL, spoluprvním je Xiao Xue z Advanced Research Computing. Financování zajistily britský EPSRC (Rada pro inženýrské a fyzikální vědy), samotné UCL a společnosti IQM Quantum Computers a Leibnizovo superpočítačové centrum. Cena pronájmu procesoru této třídy u cloudových poskytovatelů se pohybuje přibližně od 2 000 do 5 000 USD za hodinu provozu – metoda však vyžaduje pouze jednorázové použití kvantového zařízení, což činí náklady srovnatelné s rozpočtem typického univerzitního výzkumného grantu.
Dopad a význam
Abychom si uvědomili rozsah průlomu, musíme pochopit problém, kterému vědci čelili. Turbulence je klasický příklad chaotického systému, kde mikroskopická chyba na vstupu lavinovitě narůstá. V meteorologii například zůstávají předpovědi i na nejlepších superpočítačích spolehlivé jen 10–14 dní – dále je odchylka od reality nepřijatelná. Modelování obtékání křídla letadla, výpočet průtoku krve v aneuryzmatu nebo optimalizace větrné elektrárny – to vše naráží na stejné základní omezení.
Architektura QIML útočí na problém z nečekané strany. Místo zvyšování výpočetního výkonu extrahuje z kvantové mechaniky „nápovědu“ o tom, jak je uspořádána statistika systému. Kvantový počítač to dělá přirozeně, protože sám „myslí“ v termínech superpozic a provázaných stavů, ideálně vhodných pro popis korelací v chaotických prostředích. Výsledek – přesnost vyšší o 17–29 % v závislosti na metrice a systému a spotřeba paměti stokrát menší.
Praktické aplikace pokrývají celou škálu odvětví. V letectví – přesnější předpověď turbulentních proudů kolem křídla, což přímo ovlivňuje palivovou účinnost. V medicíně – modelování průtoku krve pro plánování operací srdce a cév. V energetice – optimalizace umístění větrných generátorů, kde chyba 20 % může znamenat miliony dolarů ušlého zisku za dobu životnosti elektrárny (při typické ceně offshore větrné elektrárny 100–300 milionů USD). V klimatologii – regionální modely schopné pracovat na méně výkonném vybavení.
Maida Wang zvláště poznamenala: „Naše metoda demonstruje kvantovou výhodu v praxi – kvantový počítač překonává to, co je dosažitelné čistě klasickými výpočty. Další kroky – škálování na větší datové sady a aplikace na reálné scénáře.“ Zajímavé je, že autoři nevylučují ani opačný efekt: pochopením, jaké statistické vlastnosti kvantový modul extrahuje, lze vytvořit i dokonalejší klasické algoritmy. Kvantová AI zde vystupuje jako učitel pro klasickou.
Reakce klíčových hráčů
Reakce vědecké komunity na publikaci v Science Advances byla zdrženlivě nadšená – pokud je takové spojení vůbec možné. Na jedné straně 20-qubitový procesor ve srovnání s ohlášenými systémy IBM a Google na stovky a tisíce qubitů vypadá skromně. Na druhé straně žádný z gigantů dosud nepředložil fungující aplikaci, kde kvantový počítač poskytuje měřitelnou výhodu na prakticky významném úkolu.
IQM, která poskytla procesor, posílila reputaci dodavatele zařízení pro „skutečnou vědu“. Společnost aktivně konkuruje IBM a Google na evropském trhu a případ UCL je silným argumentem pro jejich technologický stack. Leibnizovo superpočítačové centrum zase demonstrovalo model hybridní infrastruktury: kvantový akcelerátor u klasického superpočítače – architektura, o které se nyní diskutuje ve všech velkých výpočetních centrech světa.
Odborníci z praxe upozorňují na architektonickou eleganci řešení. Na rozdíl od variačních kvantových algoritmů, které vyžadují tisíce cyklů kvantově-klasické výměny a trpí šumem, QIML používá kvantové zařízení jednorázově a offline. To umožňuje obejít hlavní bolest éry NISQ (Noisy Intermediate-Scale Quantum) – degradaci výsledku při opakovaných měřeních. Profesor Coveney to zdůraznil v tiskové zprávě: „Náš model může poskytovat přesné předpovědi rychle. Predikce proudění tekutin a turbulence je základní vědecký úkol s mnoha praktickými aplikacemi.“
Prognóza a závěry
UCL nastavila novou laťku ve staletém závodě o přesnou předpověď chaosu – a udělala to nikoli brute force, ale elegantním hybridním řešením. Význam práce nespočívá v rekordním výkonu (20% nárůst je působivý, ale pro inženýrství ne revoluční), ale v paradigmatickém posunu: kvantový počítač byl poprvé použit nikoli jako „náhrada klasického“, ale jako „inteligentní asistent“ pro klasickou AI.
Nejbližší horizonty rozšíření jsou jasné. Tým plánuje škálování na procesory s 50–100 qubity a aplikaci na reálná lékařská a klimatická data. Pokud metoda potvrdí účinnost na těchto úkolech, otevře se trh „kvantově informovaného softwaru“, kde není nutné vlastnit vlastní kvantový počítač – stačí se jednou obrátit na cloudovou službu a získat Q-Prior pro svůj inženýrský úkol. Při ceně jedné takové konzultace v rozmezí 10 000 až 50 000 USD (odhad na základě současných cen cloudového kvantového přístupu u IBM a AWS Braket) to může být ekonomicky opodstatněné pro projekty s rozpočty od 1 milionu USD.
Strategické ponaučení je hlubší. Jsme zvyklí měřit pokrok ve výpočetní technice v gigahertzích a gigabajtech. Ale průlom UCL ukazuje, že další kapitola může být napsána nikoli navyšováním „hardwaru“, ale přepracováním samotného přístupu: přenechat kvantové mechanice tu část práce, kterou příroda stejně „počítá“ na kvantové úrovni – statistiku chaosu. V tomto smyslu není QIML jen hybrid neuronové sítě a qubitů, ale architektonický vzor toho, jak rozdělit intelektuální práci mezi klasický a kvantový svět. A podle čísel to funguje.
— Editorial Team
Zatím žádné komentáře.