Hybryda sieci neuronowej i procesora kwantowego przewidziała turbulencję o 20% dokładniej niż klasyczne odpowiedniki
Naukowcy z University College London opracowali hybrydowy system łączący sieć neuronową i procesor kwantowy. Przewiduje on turbulencję o 20% dokładniej niż klasyczne modele i wymaga setki razy mniej pamięci.
Kwantowy upgrade dla AI: jak jedna konsultacja z procesorem kwantowym sprawiła, że sieć neuronowa stała się o 20% mądrzejsza i setki razy oszczędniejsza
Wprowadzenie
Wyobraź sobie szachistę, któremu przed ważną partią dano pięć minut na rozmowę z arcymistrzem. Arcymistrz nie gra za niego całej partii – wyjaśnia jedynie kluczowe zasady pozycji. Potem szachista gra znacznie lepiej, choć sam w sobie nie stał się geniuszem. Mniej więcej tak działa hybrydowy system stworzony przez naukowców z University College London (UCL): komputer kwantowy jednorazowo przetwarza dane, wydobywa ich głęboką strukturę statystyczną, a następnie klasyczna sieć neuronowa wykorzystuje tę „podpowiedź” do długoterminowych przewidywań. Rezultat – dokładność prognozowania turbulencji wzrosła o 20%, a zużycie pamięci zmniejszyło się setki razy. To nie laboratoryjny kuriozum, ale pierwszy praktyczny dowód „przewagi kwantowej” w rzeczywistym zadaniu fizycznym.
Szczegóły wydarzenia i chronologia
16 kwietnia 2026 roku czasopismo Science Advances opublikowało pracę pod kierownictwem profesora Petera Coveneya z UCL Chemistry and the Advanced Research Computing Centre. Praca ukazała się pod tytułem „Quantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantage” i opisuje architekturę, którą autorzy nazwali QIML – Quantum-Informed Machine Learning.
Chronologia projektu jest następująca. Zespół badawczy pracował nad metodą przez kilka lat, stopniowo komplikując systemy testowe. Najpierw ćwiczyli na jednowymiarowym równaniu Kuramoto-Sivashinsky'ego (wymiar 512), następnie przeszli do dwuwymiarowego przepływu Kołmogorowa (wymiar 4096), a w końcu do trójwymiarowego przepływu turbulentnego w kanale, którego dane modelowano metodą równań Boltzmanna na sieci. Kluczowy eksperyment przeprowadzono na 20-kubitowym procesorze kwantowym fińskiej firmy IQM, podłączonym do mocy superkomputerowych Leibniz Supercomputing Centre w Monachium.
Architektura techniczna wygląda następująco. W pierwszym etapie generator kwantowy (Quantum Circuit Born Machine) przetwarza dane treningowe i tworzy tzw. Q-Prior – zwarty statystyczny opis niezmienniczych właściwości systemu, czyli tych prawidłowości, które utrzymują się nawet podczas chaotycznej ewolucji. Ten Q-Prior zajmuje zaledwie kilka kilobajtów, podczas gdy oryginalne dane mogą ważyć megabajty. Następnie Q-Prior jest wbudowywany jako różniczkowalne ograniczenie w funkcję straty klasycznej sieci neuronowej opartej na operatorze Koopmana, zmuszając model do przestrzegania fizycznie poprawnej statystyki przez cały horyzont prognozowania.
Pierwszym autorem pracy jest Maida Wang z Centre for Computational Science UCL, a współpierwszym – Xiao Xue z Advanced Research Computing. Finansowanie zapewnili brytyjski EPSRC (Engineering and Physical Sciences Research Council), sam UCL oraz firmy IQM Quantum Computers i Leibniz Supercomputing Centre. Koszt wynajmu procesora tej klasy u dostawców chmurowych wynosi orientacyjnie od 2000 do 5000 dolarów za godzinę pracy – jednak metoda wymaga tylko jednorazowego dostępu do sprzętu kwantowego, co czyni koszty w pełni porównywalnymi z budżetem typowego uniwersyteckiego grantu badawczego.
Wpływ i znaczenie
Aby zrozumieć skalę przełomu, trzeba wiedzieć, z jakim problemem zmierzyli się naukowcy. Turbulencja to klasyczny przykład systemu chaotycznego, gdzie mikroskopijny błąd na wejściu lawinowo narasta. W meteorologii na przykład prognozy nawet na najlepszych superkomputerach pozostają wiarygodne tylko przez 10–14 dni – dalej rozbieżność z rzeczywistością staje się nieakceptowalna. Modelowanie opływu skrzydła samolotu, obliczanie przepływu krwi w tętniaku czy optymalizacja farm wiatrowych – wszystko to napotyka to samo fundamentalne ograniczenie.
Architektura QIML atakuje problem z nieoczekiwanej strony. Zamiast zwiększać moc obliczeniową, wydobywa z mechaniki kwantowej „podpowiedź” o tym, jak zbudowana jest statystyka systemu. Komputer kwantowy robi to w naturalny sposób, ponieważ sam „myśli” w kategoriach superpozycji i stanów splątanych, idealnie nadających się do opisu korelacji w chaotycznych środowiskach. Rezultat – dokładność wyższa o 17–29% w zależności od metryki i systemu, a zużycie pamięci mniejsze setki razy.
Praktyczne zastosowania obejmują cały wachlarz branż. W lotnictwie – dokładniejsze przewidywanie turbulentnych przepływów wokół skrzydła, co bezpośrednio wpływa na efektywność paliwową. W medycynie – modelowanie przepływu krwi do planowania operacji serca i naczyń. W energetyce – optymalizacja lokalizacji turbin wiatrowych, gdzie błąd rzędu 20% może oznaczać miliony dolarów utraconego zysku w okresie eksploatacji farmy (przy typowym koszcie morskiej farmy wiatrowej od 100 do 300 milionów dolarów). W klimatologii – modele regionalne zdolne do pracy na mniej wydajnym sprzęcie.
Maida Wang szczególnie podkreśliła: „Nasza metoda demonstruje przewagę kwantową w praktyce – komputer kwantowy przewyższa to, co osiągalne czysto klasycznymi obliczeniami. Kolejne kroki to skalowanie na większe zbiory danych i zastosowanie do rzeczywistych scenariuszy”. Co ciekawe, autorzy nie wykluczają efektu odwrotnego: zrozumienie, jakie właściwości statystyczne wydobywa moduł kwantowy, może pozwolić na stworzenie lepszych algorytmów klasycznych. Kwantowa AI występuje tu jako nauczyciel dla klasycznej.
Reakcja kluczowych graczy
Reakcja społeczności naukowej na publikację w Science Advances była powściągliwie entuzjastyczna – o ile takie określenie w ogóle jest możliwe. Z jednej strony 20-kubitowy procesor na tle zapowiedzianych przez IBM i Google systemów o setkach i tysiącach kubitów wygląda skromnie. Z drugiej – żaden z gigantów nie przedstawił dotąd działającej aplikacji, w której komputer kwantowy daje wymierną przewagę w praktycznie istotnym zadaniu.
IQM, która dostarczyła procesor, umocniła reputację dostawcy sprzętu dla „prawdziwej nauki”. Firma aktywnie konkuruje z IBM i Google na rynku europejskim, a przypadek UCL to silny argument na rzecz ich stosu technologicznego. Leibniz Supercomputing Centre zademonstrowało z kolei model hybrydowej infrastruktury: akcelerator kwantowy przy klasycznym superkomputerze – architektura, która jest obecnie dyskutowana we wszystkich dużych centrach obliczeniowych na świecie.
Eksperci branżowi zwracają uwagę na elegancję architektoniczną rozwiązania. W przeciwieństwie do wariacyjnych algorytmów kwantowych, wymagających tysięcy cykli wymiany kwantowo-klasycznej i cierpiących z powodu szumów, QIML używa urządzenia kwantowego jednorazowo i offline. Pozwala to ominąć główny ból ery NISQ (Noisy Intermediate-Scale Quantum) – degradację wyniku przy wielokrotnych pomiarach. Profesor Coveney podkreślił to w komunikacie: „Nasz model może zapewniać dokładne przewidywania szybko. Prognozowanie przepływów płynów i turbulencji to fundamentalne zadanie naukowe z wieloma praktycznymi zastosowaniami”.
Prognoza i wnioski
UCL ustanowił nowy poziom w wielowiekowym wyścigu o dokładne przewidywanie chaosu – i zrobił to nie brute forcem, ale eleganckim hybrydowym rozwiązaniem. Znaczenie pracy nie polega na rekordowej wydajności (20% wzrostu jest imponujące, ale nie rewolucyjne dla inżynierii), ale na zmianie paradygmatu: komputer kwantowy po raz pierwszy został użyty nie jako „zamiennik klasycznego”, ale jako „inteligentny asystent” dla klasycznej AI.
Najbliższe horyzonty rozszerzenia są jasne. Zespół planuje skalowanie na procesory z 50–100 kubitami i zastosowanie do rzeczywistych danych medycznych i klimatycznych. Jeśli metoda potwierdzi skuteczność w tych zadaniach, otworzy się rynek „kwantowo-informowanego oprogramowania”, gdzie nie trzeba posiadać własnego komputera kwantowego – wystarczy raz skorzystać z usługi chmurowej i uzyskać Q-Prior dla swojego zadania inżynieryjnego. Przy koszcie jednego takiego dostępu w przedziale od 10 000 do 50 000 dolarów (szacunek na podstawie obecnych cen chmurowego dostępu kwantowego u IBM i AWS Braket) może to być ekonomicznie uzasadnione dla projektów z budżetami od 1 miliona dolarów.
Lekcja strategiczna jest głębsza. Przywykliśmy mierzyć postęp w informatyce gigahercami i gigabajtami. Ale przełom UCL pokazuje, że następny rozdział może być napisany nie przez zwiększanie „sprzętu”, ale przez wynalezienie na nowo samego podejścia: oddać mechanice kwantowej tę część pracy, którą natura i tak „oblicza” na poziomie kwantowym – statystykę chaosu. W tym sensie QIML to nie tylko hybryda sieci neuronowej i kubitów, ale architektoniczny wzór tego, jak podzielić pracę intelektualną między świat klasyczny a kwantowy. I, sądząc po liczbach, działa.
— Editorial Team
Brak komentarzy.