IBM skúša evolučné LLM workflow na hľadanie kódov pre kvantovú korekciu chýb

IBM Research ukazuje ďalší príklad toho, ako sa veľké jazykové modely môžu použiť mimo bežného generovania textu: ako súčasť evolučného workflow pri hľadaní kvantových korekčných kódov. Téma je úzka, ale významná. Kvantové počítače sú extrémne citlivé na chyby a bez spoľahlivej korekcie sa nedajú škálovať na praktické výpočty. Nájsť dobrý korekčný kód znamená vyvážiť počet fyzických qubitov, počet logických qubitov a odolnosť voči chybám. Priestor možností je pritom obrovský.

IBM sa v novom texte odvoláva na arXiv prácu, v ktorej výskumníci používajú knižnicu OpenEvolve. Tá nadväzuje na evolučné techniky známe z projektov ako AlphaEvolve a FunSearch. Namiesto toho, aby LLM priamo vyhlásil výsledný kód za správny, generuje návrhy algebraických výrazov alebo Python skriptov, ktoré definujú rodiny kandidátov. Tie potom prechádzajú sériou filtrov, testov a overovaní. Jazykový model je teda motorom návrhov, nie poslednou autoritou.

To je dôležitý rozdiel pre celú oblasť vedeckej AI. Pri úlohách s vysokými nárokmi na správnosť nestačí, aby model navrhol presvedčivú hypotézu. Musí existovať samostatný mechanizmus, ktorý ju overí. V prípade IBM sa kandidáti najprv triedia rýchlejšími kontrolami, potom sa používajú dekódovacie metódy ako belief propagation s ordered statistics decoding a nakoniec sa vybrané kandidáty overujú presnejším, ale výpočtovo drahším prístupom cez zmiešané celočíselné lineárne programovanie.

Výsledkom prvých experimentov je podľa IBM 465 nových korekčných kódov. Niektoré majú nezvyčajne vysoký počet logických qubitov, iné zaujímavejší kompromis medzi veľkosťou a vzdialenosťou. Firma však zároveň opatrne pripomína, že objavenie kódu v takomto výpočtovom prieskume ešte neznamená okamžitú použiteľnosť v reálnom kvantovom hardvéri. Bude treba ďalej skúmať implementačné obmedzenia, typy šumu, dekódovanie a praktickú architektúru zariadení.

Najzaujímavejší je preto skôr samotný výskumný vzor. LLM tu funguje ako generátor nápadov, ktorý dokáže rýchlo prehľadávať kombinatorický priestor a využívať spätnú väzbu z neskorších fáz. Klasické algoritmy potom odstraňujú zlé, duplicitné alebo neplatné návrhy. Takýto hybrid je odlišný od predstavy, že AI nahradí odborníka jednou odpoveďou. Skôr rozširuje laboratórny cyklus: navrhni, otestuj, vyfiltruj, vráť spätnú väzbu a zopakuj.

Pre kvantové počítanie môže byť podobný prístup užitočný najmä preto, že korekcia chýb je brzdou praktického škálovania. IBM už v minulosti spájala svoje roadmapy s qLDPC a bivariate bicycle kódmi. Nové workflow sa sústreďuje práve na algebraické rodiny takýchto kódov a môže pomôcť rýchlejšie pochopiť, kde sú dobré kompromisy a ktoré cesty sa neoplatí skúmať. Aj negatívne výsledky majú hodnotu, ak zúžia priestor hľadania.

IBM uvoľňuje rámec ako open source cez repozitár qcode-discovery. To je prakticky dôležité, lebo vedecké LLM workflow bez reprodukovateľných nástrojov sa ťažko hodnotia. Otvorený kód umožňuje overiť promptové šablóny, skripty, filtre a spôsob hodnotenia kandidátov. V oblasti, kde sa ľahko preháňa význam „AI objavila“, je práve transparentnosť rozdielom medzi zaujímavým nástrojom a marketingovým tvrdením.

Pre podnikové a akademické tímy je dôležitá aj nákladová stránka. Evolučné hľadanie môže spotrebovať veľa výpočtov, ale stále môže byť lacnejšie než ručné skúmanie tisícov algebraických možností. Hodnota vzniká vtedy, keď je lacná generácia kandidátov spojená s prísnym filtrom, ktorý nepustí ďalej neplatné výsledky. Bez tejto druhej polovice by išlo iba o rýchle vytváranie šumu.

Širší dopad presahuje kvantové korekčné kódy. Rovnaký princíp sa môže objaviť pri návrhu materiálov, optimalizácii algoritmov, hľadaní testov alebo formálnom overovaní. LLM nemusí byť spoľahlivý rozhodca, aby bol užitočný ako navrhovač kandidátov v systéme s tvrdým overením. IBM tým ukazuje jednu z realistickejších ciest vedeckej AI: nie autonómny génius, ale rýchly a kontrolovaný spolutvorca hypotéz, ktorého výstupy musia prejsť nezávislou matematikou a experimentom.