Proč na tohle ChatGPT nestačí
Velké jazykové modely mají slepou skvrnu, na kterou vědci upozorňují už delší dobu: umějí skvěle pracovat s textem o fyzice, ale samotným fyzikálním dějům rozumí jen omezeně. Umí popsat, co je to kvantová superpozice, ale když máte skutečně navrhnout sekvenci laserových pulzů, která molekulu dostane do jednoho přesně určeného stavu, psaní textu nestačí.
Důvod je jednoduchý. Složitost kvantové dynamiky roste se systémem exponenciálně — a s ní roste i cena, za kterou ji spočítáte. Tým z NarangLab na UCLA to shrnul jasně: „K řídicí pulzní sekvenci se nemůžeme ‚proptat‘. Potřebujeme model, který se skutečně naučil fyziku." Právě tohle je jádro nové práce „Inverse Design of Quantum Control Sequences with Fourier Neural Operators", kterou tým představil na konferenci IEEE Quantum Week v Torontu.
Molekula jako rozházená skládačka
Než vědci můžou na molekulárním iontu dělat přesnou spektroskopii, musí ho dostat do jednoho jediného, dobře definovaného kvantového stavu. Zní to jako maličkost. U polyatomické molekuly hydronium je to ale skoro celý problém.
Hydronium je námaha, která se vyplatí — k tomu se ještě vrátím. Jenže při teplotě 20 kelvinů (−253 °C) začíná zachycený iont „rozmazaný" napříč stovkami rotačních a hyperjemných hladin. Úkolem kvantového řízení je najít takovou sekvenci laserových pulzů, která tenhle tepelný nepořádek svede do jednoho stavu. Představte si Rubikovu kostku s tisíci možných otočení: hledáte tu správnou sérii tahů, jenže každý kandidátský tah musíte pokaždé draze přepočítat.
Tradiční metody optimálního řízení fungují dobře na malých systémech. Jenže se opírají přesně o to opakované numerické přepočítávání — a jeho cena roste s dimenzí prostoru. V tomto případě jde o 888rozměrnou dynamiku, což je pro konvenční optimalizaci příliš velké sousto.
Náhradní simulátor, který se naučil fyziku
Trík týmu spočívá v tom, že uvnitř optimalizační smyčky přestali volat drahý simulátor. Místo toho natrénovali Fourierův neuronový operátor (FNO), aby se simulátorem stal. Ten dostane aktuální rozložení populace molekuly plus parametry jednoho Ramanova pulzu (jeho dvoufotonovou frekvenci a polarizaci) a celou trajektorii populace odhadne na jediný průchod.
Dvě konstrukční volby to rozpohybovaly do velkého měřítka. Za prvé takzvané fyzikou informované vložení: místo syrové laserové frekvence model dostává odchylku (detuning) od molekulárních přechodů, ke kterým je pulz skutečně blízko. Dostane tak fyziku, která je relevantní, a zbytek vynechá. Za druhé využití symetrie: polarizační kanály σ⁺ a σ⁻ jsou v diagonální bázi zrcadlovými obrazy, takže jeden natrénovaný model pokryje oba bez dalšího tréninku.
Výsledek je pozoruhodný. Náhradní model reprodukuje referenční trajektorie z platformy CUDA-Q Dynamics od Nvidie s vysokou věrností, a přitom běží až 10⁷krát rychleji než GPU-akcelerované numerické řešení, od kterého se učil. Nezrychlil tedy proti pomalému CPU — zrychlil proti simulátoru, který už sám je na grafické kartě.
Čísla: dvojnásobná úspěšnost, pár minut místo hodin
Na rychlý a diferencovatelný dopředný model tým posadil plánovač nazvaný FNO-SPMP. Ten v každém kroku ohodnotí kandidátní pulzy v mřížce frekvencí a délek, vzorkuje z nejlépe hodnocených, aplikuje pulz, simuluje měření a reset — a opakuje.
Výsledky na hydroniu jsou konkrétní. FNO-SPMP dosahuje populace cílového stavu 0,98 s úspěšností až 86,2 %. Oproti srovnávacímu přístupu založenému na posilovaném učení ve stejném diskrétním řídicím prostoru zhruba zdvojnásobil úspěšnost, použil asi polovinu pulzů a zkrátil generování sekvence z přibližně 10 hodin na 10–20 minut.
Zastavme se u toho čísla, protože je v něm jemný detail. Deset hodin je 600 minut, takže 10–20 minut znamená end-to-end zrychlení zhruba 30–60krát. Samotný náhradní model je přitom až 10⁷krát rychlejší. Rozdíl mezi „milionkrát" a „desítkykrát" dává smysl: plánovač musí udělat spoustu vyhodnocení a po každém pulzu simulovat měření a reset. I tak je to skok z „nechám to běžet přes noc" na „vyběhnu si na kafe".
Proč zrovna hydronium
Hydronium není náhodná volba. Jeho inverzní přechody jsou citlivé na variace fundamentálních fyzikálních konstant, a proto je kandidátem na sondu, která by mohla odhalit fyziku za Standardním modelem. Jinými slovy: pokud by se některá z konstant, na kterých stojí náš popis vesmíru, byť nepatrně měnila, právě taková molekula by si toho mohla všimnout. Neřeší se tu jen chemie — řeší se otázka, jestli náš model vesmíru platí přesně.
Tým navíc zdůrazňuje, že důležitější než samotná čísla je celý pracovní postup. Kombinace rychlého náhradního modelu a gradientové optimalizace dovoluje nahlédnout do Hilbertových prostorů, které byly pro přímou optimalizaci dosud příliš velké. Stejný vzor by se podle autorů měl přenést na další molekulární ionty i jiné kvantové platformy.
Česká stopa vede do Ostravy
Tahle práce vzniká ve Spojených státech, ale její software a hardware mají evropskou paralelu. V září 2025 byl v národním superpočítačovém centru IT4Innovations při VŠB–Technické univerzitě Ostrava spuštěn první český kvantový počítač VLQ. Pořídil ho evropský podnik EuroHPC v rámci konsorcia LUMI-Q, které sdružuje třináct partnerů z osmi zemí, a vyšel zhruba na 165 milionů korun.
VLQ je k dispozici širokému spektru evropských uživatelů — od vědecké komunity po průmysl a veřejný sektor. Právě tady se protíná americký výzkum s evropskou ambicí: nástroje jako CUDA-Q od Nvidie, na kterých tým trénoval náhradní model, jsou přesně tím typem softwaru, který taková zařízení potřebují k tomu, aby z „ukázky fyziky" udělala užitečnou infrastrukturu. Česko v tom nehraje první housle, ale v Ostravě už stojí stroj, na který podobné metody můžou časem navazovat.
Zároveň je dobré zůstat u země. Jde o základní výzkum zveřejněný na arXiv, nikoli o produkt, který si zítra koupíte. Autorům (mimo jiné Anastasia Pipi, Valentin Duruisseaux, Emily Been a Anima Anandkumar) jde o důkaz, že AI modely, které se učí fyziku přímo — a ne jen jazyk o ní — zvládnou ve fyzickém světě věci, které jazykovým modelům z principu nejdou.
Je Fourierův neuronový operátor totéž co ChatGPT?
Ne. Jazykové modely se učí statistické vzorce textu, zatímco Fourierův neuronový operátor se učí přímo funkci — v tomto případě dynamiku molekuly. Nemá nic společného s generováním textu; jeho výstupem je předpověď trajektorie populace molekuly po laserovém pulzu.
Kdy se tahle technologie dostane k běžným firmám?
Je to základní výzkum zveřejněný jako preprint na arXiv, nikoli komerční nástroj. Autoři ale věří, že se pracovní postup (rychlý náhradní model + plánovač) přenese na další molekuly a kvantové platformy. Na reálné nasazení v průmyslu si budeme muset počkat.
Co přesně znamená, že je model „10⁷krát rychlejší"?
Jde o zrychlení jednoho vyhodnocení: náhradní model odpoví na stejnou otázku až desetmilionkrát rychleji než GPU simulace, od které se učil. Celý proces návrhu sekvence se ale zkrátil „jen" 30–60krát, protože plánovač navíc simuluje měření a reset po každém pulzu.
