Гібридний квантово-ШІ метод переписує прогнозування складних систем

Хаотичні системи — турбулентність повітря, клімат, кров’яний потік — підкоряються відомим рівнянням, але передбачати їхню поведінку в довгостроковій перспективі класичні ШІ не вміють: помилки накопичуються, і модель «губить нитку». Дослідники Університетського коледжу Лондона (UCL) знайшли несподіваний вихід: вони підключили квантовий комп’ютер не для кінцевих обчислень, а для одного єдиного підготовчого кроку — і ШІ одразу почав прогнозувати точніше й стабільніше. Як повідомляє SciTechDaily з посиланням на публікацію в Science Advances, новий метод QIML виявився на ~20% точнішим за найкращі класичні конкуренти і зжирає у сотні разів менше пам’яті.

Що відомо коротко

• : Wang M., Xue X., Gao M., Coveney P.V. «Quantum-informed machine learning for predicting spatiotemporal chaos with practical quantum advantage», Science Advances 12(16): aec5049 (17 квітня 2026). DOI: 10.1126/sciadv.aec5049.
• Установи: UCL Centre for Computational Science + Advanced Research Computing UCL. Підтримка: IQM Quantum Computers, Leibniz Supercomputing Centre (Мюнхен), EPSRC (UK).
• Метод: QIML (Quantum-Informed Machine Learning) — квантовий генеративний модуль навчається один раз офлайн і передає «Q-Prior» класичній авторегресивній мережі.
• Тест на 3 системах: рівняння Курамото-Сівашинського → поток Колмогорова 2D → 3D турбулентний канальний потік.
• +20% точність за стандартним ШІ; +30% спектральна точність; у сотні разів менше пам’яті для збереження даних.
• Вперше квантові обчислення реально інтегровані з класичним машинним навчанням для складних динамічних систем.

Що це за явище

Квантові комп’ютери вже довели свою перевагу на окремих математичних задачах, але здебільшого ці задачі були штучно підібраними тестами. Реальне практичне застосування — там, де квантовий комп’ютер вирішує справжній науково-інженерний виклик краще за класику — залишалось «Святим Граалем» галузі.

Турбулентність — саме такий виклик. Вона описується рівняннями Нав’є-Стокса, які фізики знають уже 200 років, але точні чисельні симуляції потребують тижнів суперкомп’ютерного часу. ШІ-моделі швидші, але з часом «розповзаються»: без розуміння фундаментальної статистичної структури системи вони не можуть утримати довгострокову точність.

Деталі відкриття

Ключова ідея команди UCL — не замінювати класичний ШІ квантовим, а збагатити класичну модель квантовою «пам’яттю». Квантовий генеративний модуль навчається один раз на наявних даних і витягує інваріантні статистичні властивості системи — ті базові патерни, що залишаються стабільними незалежно від початкових умов. Це і є Q-Prior: квантово-encoded «компас», який під час роботи класичного ШІ штрафує за відхилення від фізично коректних розподілів.

Квантові комп’ютери особливо добре виконують цю роботу, бо кубіти можуть перебувати у суперпозиції станів і бути заплутаними між собою. Кілька кубітів представляють колосальну кількість можливих станів — саме це дозволяє квантовому модулю «вмістити» складну статистику турбулентної системи в надкомпактній формі.

Що показали нові спостереження

Так само, як квантові алгоритми вже відкривають нові горизонти у фізиці частинок і ядерній фізиці, QIML демонструє: квантова математика «резонує» з хаотичними фізичними системами. Дослідники зазначають, що самі хаотичні системи поводяться «квантово-подібно» — зміна в одній частині системи миттєво впливає на іншу, далеку частину. Цей структурний збіг і є фізичним поясненням, чому квантовий попередній підготовчий крок так суттєво покращує класичний прогноз.

Особливо вражає результат на 3D турбулентному каналі: це найскладніша система, де не існує явних рівнянь для поперечних перерізів потоку. Всі класичні базові лінії або «скочуються» в надгладкий усереднений стан, або розходяться у нефізичні артефакти. Тільки QIML зберігає структурну відповідність істині впродовж усього прогнозного горизонту.

Чому це важливо для науки

Практичні застосування QIML величезні: прогнозування клімату, аеродинаміка літаків, кровотік у серцевих клапанах, проектування турбін і реакторів, розробка ліків. Всюди, де є складна динаміка рідин і газів, — там нові квантово-інформовані моделі можуть суттєво скоротити час і підвищити точність.

З фундаментальної точки зору це перше переконливе свідчення «практичної квантової переваги» в машинному навчанні — не синтетичний бенчмарк, а реальна задача прогнозування. Це відкриває нову дослідницьку програму: розширити QIML на більші датасети, реальні атмосферні дані і, в перспективі, задачі, де класичні суперкомп’ютери принципово не справляються.

Цікаві факти

• Рівняння Нав’є-Стокса — математична основа моделювання будь-якого плинного середовища — є одним із семи «Задач тисячоліття» Математичного інституту Клея. За їх розв’язання пропонується $1 млн нагороди. Попри 200 років вивчення, точне аналітичне розв’язання для турбулентного режиму досі невідоме — тому чисельне моделювання і ШІ залишаються основними інструментами. Джерело: Clay Mathematics Institute.
• QIML потребував у сотні разів менше пам’яті для збереження навчальних даних порівняно з класичними конкурентами — Koopman ML, FNO, MNO. Для 4096-вимірних систем (поток Колмогорова) це різниця між гігабайтами і терабайтами. Компактність пов’язана з тим, що квантовий модуль кодує дані у власному «квантовому просторі» з принципово іншою щільністю інформації. Джерело: Science Advances 2026, DOI: 10.1126/sciadv.aec5049.
• Квантові обчислення виконувались на апаратурі IQM Quantum Computers — фінського виробника надпровідних квантових процесорів. IQM — один з небагатьох у Європі постачальників реального квантового заліза для наукових досліджень. Паралельно класичне навчання відбувалось на суперкомп’ютері Leibniz Supercomputing Centre у Мюнхені — одному з найпотужніших HPC-вузлів Євросоюзу. Джерело: IQM Quantum Computers та LRZ Munich.
• Курамото-Сівашинська рівняння — «улюблений тест» для моделей хаотичних систем у фізиці — описує горіння, хімічні хвилі і певні плазмові нестабільності. Її розв’язок за 512 просторовими точками і 500 кроками прогнозу — стандартний «стрес-тест» для довгострокової стабільності ШІ-прогнозів. Саме тут QIML скоротив помилку на 17% і підвищив спектральну точність на 30% порівняно з найкращим класичним конкурентом. Джерело: arXiv 2507.19861.

FAQ

Чи означає це, що квантові комп’ютери тепер замінять класичні суперкомп’ютери в прогнозуванні клімату? Ні — поки що. Квантові комп’ютери досі шумні, схильні до помилок і обмежені кількістю кубітів. QIML обходить ці обмеження, використовуючи квантовий пристрій лише на одному підготовчому етапі. Основне навчання і генерація прогнозів залишаються на класичних суперкомп’ютерах. Це гібридна архітектура, а не заміна.

У чому принципова різниця між кубітом і класичним бітом? Класичний біт — це вимикач: або 0, або 1. Кубіт може перебувати у суперпозиції: одночасно бути «частково 0 і частково 1» до моменту вимірювання. Крім того, кубіти можуть бути квантово заплутані: стан одного миттєво пов’язаний зі станом іншого незалежно від відстані. Ці властивості дозволяють кількома кубітами представляти кількість станів, яка експоненційно зростає з кількістю кубітів.

Які наступні кроки команди UCL? Дослідники планують масштабувати QIML на більші датасети і реальні ситуації з більшою складністю. Паралельно вони мають намір розробити провідну теоретичну базу, яка математично пояснить, чому квантова попередня підготовка покращує класичну довгострокову точність. В ідеалі — перевірити метод на реальних атмосферних даних і задачах кровотоку.

Гібридний квантово-ШІ метод переписує прогнозування складних систем з’явилася спочатку на Цікавості.

cikavosti.com