IBM skúša LLM ako navigátora pri hľadaní kvantových opravných kódov

IBM Research zverejnilo prácu o tom, ako môžu veľké jazykové modely pomáhať pri objavovaní kvantových opravných kódov. Nejde o bežnú ukážku chatbota, ktorý odpovie na otázku z fyziky. Výskumníci použili LLM ako súčasť evolučného vyhľadávania: model navrhuje a mutuje programy, ktoré generujú kandidátov na kódy, a následný validačný reťazec matematicky preveruje, či kandidáti majú požadované vlastnosti. Podľa IBM takto systém identifikoval 465 odlišných kandidátov.

Kvantové opravné kódy sú jedným z kľúčových predpokladov použiteľných kvantových počítačov. Qubity sú veľmi citlivé na šum a malé chyby môžu zničiť výsledok výpočtu. Opravný kód sa snaží informáciu rozložiť tak, aby bolo možné chyby zistiť a opraviť bez priameho zmerania samotného kvantového stavu. Problém je, že priestor možných konštrukcií je obrovský a ručné alebo hrubou silou vedené hľadanie naráža na kombinatorickú zložitosť.

Nový prístup IBM sa sústreďuje na triedu bivariate-bicycle kódov a ich perturbované varianty. Zjednodušene povedané, nejde o to, aby LLM „vymyslel fyziku“, ale aby vedel navrhovať programové zmeny v štruktúrovanom priestore možností. V arXiv verzii práce autori uvádzajú približne 1 650 evolučných iterácií, kontrolu asi 200-tisíc kandidátskych kódov, okolo 140 hodín výpočtu a približne 400 dolárov nákladov na inferenciu modelov. To sú nezvyčajne konkrétne čísla, ktoré dávajú predstavu o praktickej cene experimentu.

Dôležitá je validačná vrstva. Kandidátske kódy neboli prijímané len preto, že ich navrhol model. Pipeline používa výpočty hodnosti nad konečnými telesami, odhady a certifikáciu vzdialenosti, zmiešané celočíselné programovanie, deduplikáciu grafov, analýzu rozložiteľnosti a kontroly ekvivalencie. Práve táto kombinácia robí z výsledku zaujímavý signál pre vedecké používanie AI: jazykový model môže byť zdrojom návrhov, ale rozhodovanie o platnosti zostáva v rukách deterministických alebo nezávisle overiteľných metód.

Podľa abstraktu práca našla pri dĺžke bloku do 360 spolu 465 odlišných kandidátov: 97 CSS bivariate-bicycle kódov a 368 ne-CSS perturbovaných variantov. CSS vetva znovu našla známe výkonné kódy a zároveň navrhla nové konečno-dĺžkové reprezentácie, vrátane indekomponovateľného kódu s parametrami [[288,16,12]]. Ne-CSS vyhľadávanie zas prinieslo perturbované kódy, ktoré sa porovnávajú s takzvaným gross-code meradlom pri [[144,12,12]]. Pre nešpecialistu sú tieto zápisy technické, no pointa je jasná: systém nielen reprodukoval niektoré známe oblasti, ale vyprodukoval aj nové kandidátske body na ďalšie skúmanie.

Pre komunitu okolo AI je zaujímavé, že IBM uvoľňuje aj nástroje a odkazuje na GitHub repozitár qcode-discovery. To umožňuje ostatným tímom skúmať, do akej miery ide o jednorazový výsledok a do akej miery o použiteľný spôsob vyhľadávania v ďalších matematických alebo fyzikálnych priestoroch. Transparentnosť je pri takýchto tvrdeniach zásadná, pretože samotný počet nájdených kandidátov nehovorí veľa bez možnosti skontrolovať metódu, kritériá a deduplikačné pravidlá.

Praktický dopad na kvantový hardvér nepríde okamžite. Kandidátsky kód ešte nie je prevádzkový kvantový počítač a mnoho návrhov môže po hlbšom testovaní naraziť na obmedzenia pri implementácii, dekódovaní alebo fyzickej architektúre. Význam práce je skôr metodický: ukazuje, že LLM môže pomôcť prehľadávať formálne priestory návrhov, ak je obmedzený programovým rozhraním a následne kontrolovaný presnými nástrojmi. To je iný režim než voľné generovanie textu a pravdepodobne aj bezpečnejší režim pre vedecké použitie.

V širšom kontexte ide o ukážku obojsmerného vzťahu medzi AI a kvantovým výskumom. Kvantové počítače sa často prezentujú ako budúca infraštruktúra pre nové typy výpočtov, no tu klasická AI pomáha riešiť jednu z prekážok na ceste ku kvantovej spoľahlivosti. Ak sa podobné workflow rozšíria, jazykové modely môžu fungovať ako generátory hypotéz v oblastiach, kde je ľudská intuícia cenná, ale nestačí prehľadať obrovský návrhový priestor.

Zároveň je dobré držať očakávania pri zemi. LLM v tomto prípade nie je samostatný vedecký autor, ale komponent v systéme, ktorý navrhuje programové mutácie a spolieha sa na tvrdé overenie. Práve táto hranica je podstatná. Najpresvedčivejšie vedecké nasadenia generatívnej AI nebudú tie, kde model sebavedomo vysvetľuje výsledok, ale tie, kde jeho návrhy prechádzajú nezávislou kontrolou a kde sa dajú zopakovať. IBM týmto smerom pridáva dôležitý príklad z oblasti, ktorá je matematicky náročná a technologicky strategická.