Квантове машинне навчання та теоретична фізика

Фізика теоретична роками використовує класичні обчислювальні методи: нейронні мережі для класифікації подій у детекторах, Монте-Карло для симуляції статистичних систем, автоматичне диференціювання в диференціальних рівняннях з частинними похідними. Квантове машинне навчання (QML) — це ще один кандидат на розширення цього списку, але його позиція в ньому сьогодні все ще невизначена. У Cashcrown ми стежимо за цією галуззю не тому, що маємо відповіді, а тому, що питання стають дедалі конкретнішими.

Перспективні застосування QML у теоретичній фізиці стосуються трьох класів проблем:

Симуляція багаточастинкових систем. Класичні чисельні методи (точна діагоналізація, DMRG) погано масштабуються зі збільшенням розміру квантової системи. Варіаційні алгоритми, такі як VQE (Variational Quantum Eigensolver), дозволяють оцінювати енергії основного стану системи на невеликому квантовому контурі. Результати є перспективними для простих молекул і модельних гамільтоніанів, але не для реальних систем конденсованої речовини з сотнями ступенів свободи.

Класифікація подій у фізиці частинок. Детектори, такі як LHC, генерують дані величезної розмірності. Квантові нейронні мережі та квантові SVM тестувалися на спрощених наборах даних з протон-протонних зіткнень. У цьому сценарії інтерес викликаний не передбачуваною квантовою перевагою, а тим, що гільбертів простір квантового контуру може природно представляти ознаки квантових станів.

Виявлення фазових та топологічних переходів. Ненавчене навчання на даних із симуляцій дозволяє ідентифікувати критичні точки та топологічні фази без попередніх знань про параметр порядку. Частину цих експериментів вже проводили на реальних квантових процесорах, хоча на невеликих модельних системах.

У всіх трьох випадках лабораторні результати є попередніми. На сьогодні не існує опублікованого результату QML, який на реалістичній фізичній проблемі перевершив би найкращий класичний метод за порівнянних апаратних ресурсів. Фізик, який приймає рішення про напрямок досліджень на основі таких результатів, повинен сприймати їх як сигнал для подальшого вивчення, а не як доказ.

Розмова про QML без обговорення обмежень апаратного забезпечення — це розмова про модель, а не про інструмент.

Поточна ера NISQ (Noisy Intermediate-Scale Quantum) є аналогією до ранніх транзисторних комп'ютерів: результати захоплюють, масштабованість залишається відкритим питанням. Фізик, який використовує QML у 2026 році, працює з інструментом, межі похибок якого потрібно точно розуміти.

Парадоксально, але найбільший вплив AI на квантову фізику в поточному році походить не від квантових алгоритмів, а від класичних мовних моделей та машинного навчання.

Пошук та синтез літератури. Корпус публікацій з arXiv у галузі квантової механіки та фізики конденсованої речовини налічує сотні тисяч статей. Асистент з індексом домену дозволяє за лічені хвилини отримати огляд підходів до конкретного гамільтоніану. Час дослідника на етапі огляду літератури скорочується з тижнів до годин; верифікація достовірності результатів залишається за експертом.

Екстракція даних з протоколів та результатів. Результати квантових контурів, записані у форматах, специфічних для виробника апаратного забезпечення, звіти калібрування, дані вимірювань кубіта можна обробляти через пайплайн з викликом моделі, який перетворює сирі дані на структуровані таблиці. Фізик вирішує, які метрики є важливими, модель заповнює таблицю.

Генерація коду для симуляцій. Моделі кодування добре зарекомендували себе як асистенти при написанні контурів у Qiskit, Cirq або PennyLane та при налагодженні типових помилок у структурі гейтів. Код завжди проходить рецензування дослідника перед запуском на апаратному забезпеченні (час контуру на реальному квантовому процесорі є обмеженим ресурсом).

Гіпотези на основі патернів у даних симуляцій. Системи аналізу даних з функцією пояснення (explainability) можуть вказувати, які параметри гамільтоніану корелюють з певною фазою. Це не замінює аналітичного аналізу, але може спрямувати увагу дослідника на неочікувані кореляції. Ширший патерн побудови та верифікації таких гіпотез ми описуємо у статті LLM як генератор гіпотез.

Квантова фізика — це галузь, в якій помилку моделі важко помітити без глибоких знань предметної області. Це робить нагляд людини тут не процедурним, а змістовним.

Паттерн, який ми вважаємо правильним, виділяє кілька рівнів рішень:

Вибір анзацу. VQE вимагає проектування пробного контуру (анзацу), який параметризує гільбертів простір відповідно до досліджуваного гамільтоніану. Жодна модель AI не замінить фізика, який розуміє симетрію системи і може відкинути анзац, що веде до локального мінімуму без фізичного значення.

Інтерпретація результатів з шумом. Результат вимірювання на процесорі NISQ обтяжений системною та статистичною похибкою. Рішення, чи відхилення від очікуваного значення є фізичним сигналом чи артефактом шуму, вимагає експерта, а не автоматичного статистичного тесту.

Валідація перед публікацією. Кожна гіпотеза, згенерована моделлю, кожна таблиця, заповнена пайплайном екстракції, і кожен результат класифікації має бути перевірений дослідником перед включенням до рукопису. Це стандарт відтворюваності, без якого науковий результат не існує.

Оцінка застосовності методу. QML на апаратному забезпеченні NISQ з шумом може продукувати результати, які виглядають узгоджено, але є артефактом специфічного патерну помилок даного процесора. Фізик, який розуміє цю динаміку, відрізнить результат, що узагальнюється, від результату, каліброваного під одну машину.

Спостережність системи (observability) тут так само важлива: повний лог кожного запиту до квантового апаратного забезпечення, версія коду, seed випадковості та параметри калібрування мають зберігатися як частина дослідницької документації. Без цього відтворюваність експерименту є неможливою.

QML — це галузь, в якій значна частина публікацій походить від груп, які мають сильний інтерес у демонстрації «квантової переваги». Кілька практичних правил допомагають оцінювати результати:

Перевірте класичний еталон. Хороша робота QML завжди показує результат найкращого класичного методу на тій самій проблемі та ресурсах. Якщо цього порівняння немає, результат є неповним.

Верифікуйте масштаб проблеми. Результат на 8 кубітах — це не те саме, що результат на 1000 кубітах. Багато «проривних» результатів QML стосуються іграшкових розмірів проблем, на яких класичні методи також є оптимальними.

Перевірте апаратне забезпечення. Результати з класичного симулятора квантового контуру є цікавими, але не відповідають на питання, чи працюватиме метод на реальному процесорі з шумом.

Відрізняйте квантову інспірацію від квантової переваги. Архітектура «натхненна квантовою механікою», що працює на класичному апаратному забезпеченні (наприклад, tensor networks, quantum-inspired optimization), є цінним методом, але не є QML у фізичному сенсі.

У Cashcrown ми спостерігаємо за галуззю QML як за потенційною інфраструктурою майбутнього, а не як за готовим виробничим інструментом. Клієнти, які запитують про застосування AI у наукових дослідженнях, отримують від нас відповідь, засновану на поточному стані апаратного забезпечення, а не на прогнозах виробника.

Ні, у виробничому сенсі. Поточні процесори NISQ мають занадто високий рівень шуму, занадто короткий час когерентності та занадто малу кількість логічних кубітів, щоб перевершити класичні методи на фізично значущих задачах. QML є активною галуззю досліджень, а не готовим інструментом для впровадження. Горизонт повної квантової переваги для задач з фізики конденсованої речовини оцінюється щонайменше в кілька до десятків років, залежно від прогресу в корекції помилок.

Насамперед через синтез літератури, екстракцію даних з публікацій та протоколів, генерацію коду для симуляцій та ідентифікацію патернів у даних симуляцій. Це завдання, в яких класичні моделі працюють відтворювано і де LLM з базою знань предметної області дає вимірювану економію часу. Кожен результат потребує верифікації експертом. Детальніше про роль AI як асистента дослідника: науковці з AI кращі за науковців без AI.

Основні ризики: галюцинації моделі (хибні цитування, некоректні формули), успадкування упередженості з тренувальних даних (надмірне представлення певних підходів у літературі), відсутність причинно-наслідкової моделі (кореляція в даних — це не імплікація в природі) та ризик «automation bias», тобто безкритичного сприйняття результатів моделі дослідником. Паттерн обмеження цих ризиків описано в статті про роль людини в циклі.

Відтворюваність є відкритим викликом. Результати залежать від конкретного квантового процесора, його поточної калібрування, глибини контуру та патерну помилок у даній сесії. Наукова робота повинна документувати: версію апаратного забезпечення, параметри калібрування, seed випадковості та точну структуру анзацу. Без цієї документації результат не відповідає стандарту наукової відтворюваності. Аналогічне правило стосується класичних моделей AI: від даних до теорії обговорює ці паттерни в ширшому контексті.

AI Act не забороняє використання AI у наукових дослідженнях. Системи, що підтримують аналіз даних або синтез літератури з суто дослідницькою метою, підлягають м'якшим вимогам, ніж системи, що впливають на рішення високого ризику. Однак, якщо результати квантових досліджень мають пряме застосування в системах безпеки, медицині або критичній інфраструктурі, система AI, що бере участь у цьому процесі, може бути класифікована як високого ризику. Загальні принципи прозорості та документації діють незалежно від класифікації ризику. Детальніше: проблема чорної скриньки.

Квантове машинне навчання залишається одним із найцікавіших напрямків досліджень на перетині фізики та інформатики. У Cashcrown ми ставимося до нього як до галузі, за якою варто стежити, а не як до готової відповіді на питання про прискорення досліджень. Якщо ти працюєш над застосуваннями AI у наукових дослідженнях і хочеш оцінити, які класичні інструменти можуть дати вимірювану цінність вже сьогодні, перевір наш інструмент оцінки готовності.