Z kvantové fyziky do praktického strojového učení

Po celá desetiletí představovaly kvantové počítače fascinující, ale prakticky nedosažitelnou technologii. Zatímco teoreticky dokážou řešit problémy nedostupné pro klasické počítače — jako je rozklad velkých čísel nebo simulace molekulárních interakcí — jejich využití v oblasti umělé inteligence zůstávalo spíše snem než realitou. Nyní se však situace může změnit.

Tým vedený Hsin-Yuan Huangem z kvantové společnosti Oratomic a Haimengem Zhao z Kalifornského technologického institutu (Caltech) publikoval studii, která podle odborníků může položit základy pro skutečné využití kvantových počítačů v machine learningu. Mezi spoluautory patří i významné postavy kvantového výzkumu — Hartmut Neven z Google Quantum AI, John Preskill z Caltechu a Jarrod McClean z Google.

Jejich práce, zveřejněná na serveru arXiv pod identifikátorem 2604.07639, dokazuje, že i relativně malý kvantový počítač s několika desítkami logických qubitů může zpracovávat obrovské datasety s výkonem, který by klasický stroj potřebující každý atom v pozorovatelném vesmíru nedokázal dorovnat.

Proč se dosud kvantové počítače pro AI nevyužívaly?

Hlavní překážkou byla takzvaná data loading bottleneck — problém s načítáním klasických dat do kvantového systému. Strojové učení vyžaduje obrovské množství dat: recenze restaurací, genetické sekvence, obrázky, texty. Aby kvantový počítač mohl s těmito daty efektivně pracovat, musí být uložena v kvantové superpozici — specifickém stavu, který umožňuje paralelní zpracování.

Dosud se předpokládalo, že všechna data musí být předem uložena do specializované kvantové paměti. Problém je, že taková paměť by musela být fyzicky nerealizovatelně velká. „Výzkumníci si mysleli, že ukládání do superpozice vyžaduje obří paměťové jednotky,“ vysvětluje Haimeng Zhao.

Nový přístom tento předpoklad zcela mění. Místo předchozího „stahování celého filmu před přehráním“ tým navrhl streamování dat v malých dávkách přímo do kvantového procesoru. Data se neukládají předem, ale zpracovávají „za pochodu“ — podobně jako při sledování videa online.

Quantum oracle sketching a exponenciální výhoda

Technika nazvaná quantum oracle sketching kombinuje náhodné vzorkování klasických dat s kvantovými operacemi. Spolu s metodou classical shadows umožňuje vytvářet stručné klasické modely z obrovských datasetů — úkol, který je podle důkazů týmu pro klasické počítače proveditelný pouze při exponenciálně větší velikosti systému.

Konkrétní čísla jsou pozoruhodná. Podle autorů by kvantový počítač s přibližně 300 logickými qubity překonal klasický počítač postavený z každého atomu v pozorovatelném vesmíru. A již počítač se 60 logickými qubity — což je podle Huangových odhadů realistický cíl do konce této dekády — by dosáhl výrazného kvantového převahu při úlohách strojového učení.

Výzkumníci svou teorii ověřili na dvou reálných aplikacích: analýze sentimentu filmových recenzí a zpracování dat jednobuněčného RNA sekvenování. V obou případech dospěli k redukci výpočetních nároků o čtyři až šest řádů — tedy desetitisícnásobné až milionnásobné zrychlení či zmenšení paměťové náročnosti.

Co na to odborníci?

Adrián Pérez-Salinas z ETH Curych komentuje výzkum přirovnáním k krmení mocného zvířete: „Kvantový stroj je velmi mocné zařízení, ale musíte jej nejprve nakrmit. Tato studie ukazuje, že stačí data načítat po částech, bez překrmování.“

Zároveň ale upozorňuje na riziko dequantizace — jev, kdy algoritmy původně navržené pro kvantové počítače byly později upraveny tak, aby fungovaly i na klasickém hardwaru se stejnou výkonností. „Bude důležité zkoumat, jak kritická je kvantovost pro tento nový algoritmus,“ dodává.

Vedran Dunjko z Leidenské univerzity v Nizozemsku vidí přímé uplatnění ve velkých vědeckých experimentech, jako je Velký hadronový urychlovač (LHC) u CERNu, kde vznikají petabajty dat, z nichž většina končí v koši kvůli nedostatku výpočetní kapacity. „Toto není většina toho, kvůli čemu GPU zahřívají planetu, ale může to být stále důležité,“ říká Dunjko s narážkou na současné datacentrum poháněné umělou inteligencí.

Evropský a český kontext

Pro Evropu má tento vývoj zvláštní význam. EU dlouhodobě investuje do kvantových technologií prostřednictvím programu Quantum Flagship s rozpočtem přesahujícím 1 miliardu eur a iniciativy EuroHPC, která má za cíl vybudovat evropské kvantové superpočítače. V roce 2023 byl v České republice otevřen IBM Quantum Hub na ČVUT v Praze, který českým vědcům a firmám umožňuje přístup ke kvantovým počítačům IBM přes cloud.

Česká akademie věd, Univerzita Karlova a ČVUT se aktivně zapojují do evropských kvantových výzkumných sítí. I když Česko zatím nevyvíjí vlastní plnohodnotný kvantový procesor, jeho instituce hrají významnou roli v teoretickém výzkumu a vývoji kvantových algoritmů — přesně v té oblasti, kterou nová studie posouvá dál.

Z hlediska regulace se v EU připravuje AI Act, který definuje pravidla pro bezpečnost umělé inteligence. Zatím se kvantová výpočetní technika přímo nereguluje, ale její potenciál zásadně urychlit AI trénink by mohl v budoucnu vyvolat otázky transparentnosti a bezpečnosti výkonnějších modelů — oblast, kde EU chce být globálním průkopníkem.

Kdy se toho dočkáme?

Realistický horizont je konec této dekády. Zatímco 60 logických qubitů zní jako málo, ve skutečnosti jde o extrémně náročný technický cíl. Dnešní kvantové počítače disponují stovkami fyzických qubitů, ale logické qubity — což jsou ty opravdu odolné vůči chybám — se dosud počítají v jednotkách. Google oznámil vývoj logických qubitů v roce 2024, ale cesta k 60 funkčním kusům je ještě dlouhá.

Autoři studie nyní pracují na rozšíření své metody na další typy algoritmů a na návrhy konfigurací kvantových počítačů, které by zvládly zpracovávat data nejen s minimální pamětí, ale i v praktickém čase. Pokud se jim to podaří, může strojové učení vstoupit do éry, kde kvantové procesory doplní — a později možná i nahradí — současné GPU farmy.