IBM OpenEvolve: AI objevuje stovky nových kvantových korekčních kódů — průlom v error correction
Kvantové počítače jsou ohromnou nadějí, ale trpí jedním fundamentálním problémem: qubity jsou křehké. Každý kvantový bit je vystaven vnějšímu rušení, které způsobuje chyby a ničí výpočty dřív, než mohou přinést užitečný výsledek. Řešením jsou kvantové korekční kódy (QEC) — matematické konstrukce, které přidávají redundanci a umožňují systému detekovat a opravovat chyby bez zničení samotné kvantové informace.
Problém je, že nalezení optimálních QEC kódů je extrémně výpočetně náročné. Prostor možných algebraických formulací je tak obrovský, že ruční prohledávání připomíná hledání jehly v kupce sena. Vědci z IBM Research ale přicházejí s radikálně novým přístupem: nechali umělou inteligenci, aby dělala práci za ně.
OpenEvolve: Evoluční AI pro kvantový svět
Na centru nového výzkumu je OpenEvolve — open-source knihovna, která staví na evolučních AI technikách původně vyvinutých v rámci projektů AlphaEvolve a FunSearch od Google DeepMind. Systém využívá velké jazykové modely (LLM) ke generování hypotéz o tom, jaké algebraické výrazy by mohly tvořit platné a užitečné QEC kódy.
Princip je elegantní: LLM dostane prompt s informacemi o rodině zkoumaných kódů, vlastnostech k optimalizaci a příklady známých funkčních kódů. Na základě toho generuje Python skripty, které kódy samy vytvářejí. Tyto kódy pak procházejí kaskádovitým filtrem — od rychlých předběžných kontrol až po přesnou, ale výpočetně náročnou verifikaci metodou smíšeného celočíselného lineárního programování (MILP).
Výsledky z každého kola se vracejí do LLM jako zpětná vazba, což modelu umožňuje iterativně zlepšovat své návrhy. Je to proces připomínající rýžování zlata: z tisíců náhodných návrhů zůstane postupně jen hrstka těch nejcennějších.
Bivariate bicycle kódy: IBM roadmapa k odolným kvantovým počítačům
IBM tým testoval svůj framework na tzv. bivariate bicycle (BB) kódech — třídě kvantových low-density parity-check (qLDPC) kódů, které jsou klíčovou součástí IBM roadmapy pro fault-tolerant kvantové výpočty. Tyto kódy byly původně představeny v přelomové práci IBM publikované v časopise Nature, kde ukázaly zhruba 10× lepší efektivitu oproti předchozím metodám.
QEC kódy se popisují ve formátu [[n, k, d]], kde:
- n = počet fyzických qubitů
- k = počet logických (korekovaných) qubitů
- d = „vzdálenost" — kolik chyb může logický qubit tolerovat
Ideální kód má málo fyzických qubitů, hodně logických a vysokou vzdálenost. V praxi je ale zlepšení jednoho parametru vždy na úkor ostatních.
465 nových kódů: Od rekordních po kompaktní
Během evoluční kampaně systém OpenEvolve objevil celkem 465 nových error correction kódů s různorodými vlastnostmi a kompromisy. Některé z nejpřekvapivějších výsledků:
| Kód | Význam |
|---|---|
| [[288, 50, 8]] | 50 logických qubitů — drtivý překrok předchozího rekordu 16 v této rodině (ale s nízkou vzdáleností d=8) |
| [[72, 4, 8]] | Pouhých 72 fyzických qubitů — kompaktní kód, který by mohl být snadněji implementovatelný na blízkém hardwaru |
| [[288, 16, 12]] | Vyvážený profil s predikovanými vlastnostmi konkurenceschopnými s IBM „gross code" [[144,12,12]] |
| [[360, 12, ≤24]] | Alternativní balancovaný kód s vyšší vzdáleností |
Zvláště zajímavé jsou kódy s vyváženým profilem. IBM dosud plánovala používat pro své fault-tolerant systémy tzv. „gross code" [[144, 12, 12]] — kód, který byl výsledkem dlouhodobého ručního výzkumu. Nyní AI našla kódy, které v určitých typech šumu mohou tomuto ručně navrženému řešení konkurovat, a to během jedné evoluční kampaně.
AI a kvantové výpočty: Obousměrná synergie
Tato práce ilustruje rostoucí obousměrnou synergii mezi AI a kvantovými výpočty. Na jedné straně kvantové počítače mohou v budoucnu urychlit trénování AI modelů. Na druhé straně — jak ukazuje OpenEvolve — klasické AI modely už dnes pomáhají posouvat kvantový výzkum vpřed.
„Je to poprvé, co jsme si vědomi aplikace evoluční AI na objevování kvantových error correction kódů," uvádí tým IBM Research ve svém paperu zveřejněném na arXivu. LLM zde nefunguje jako generátor textu, ale jako nástroj pro vědecký výzkum — navrhuje algebraické formulace, které lidský výzkumník buď neprozkoumal, nebo by jejich testování trvalo měsíce.
Klíčovým trikem je filosofie „panning for gold" — rýžování zlata. Systém negeneruje nápady jen tak náhodně. Používá třístupňovou kaskádu:
- Rychlý pre-screening — odstranění zjevně neplatných kódů (analogie: protřepání rýžovací pánvy)
- Belief propagation + ordered statistics decoding (BP-OSD) — rychlá, ale nepřesná analýza chyb (analogie: vizuální kontrola)
- Mixed-integer linear programming (MILP) — přesná, ale výpočetně drahá verifikace top kandidátů (analogie: laboratorní rozbor)
Zpětná vazba z pozdějších fází pomáhá LLM generovat stále lepší návrhy. Systém se tak adaptivně učí, kde leží nejslibnější oblasti prostoru kódů.
Open-source: Komunita může stavět na
IBM Research uvolnila framework kompletně jako open source. Na GitHubu je k dispozici celý kód, prompty, které výzkumníci použili, i dokumentace k vytvoření vlastních evolučních kampaní. Projekt najdete v repozitáři qiskit-community/qcode-discovery a OpenEvolve knihovnu na algorithmicsuperintelligence/openevolve.
To znamená, že jakákoliv výzkumná skupina na světě — od univerzit po startupy — může využít stejný framework pro hledání QEC kódů optimalizovaných pro její vlastní hardware. Potřebujete kódy pro superconducting qubity? Pro trapped ions? Pro photonics? OpenEvolve se dá adaptovat pro každou platformu.
Kontext: Proč je to důležité teď
Kvantové error correction je v roce 2026 největší výzvou oboru. Dosud platí, že každý logický qubit vyžaduje stovky až tisíce fyzických qubitů pro korekci chyb. To je důvod, proč dnešní kvantové procesory s stovkami qubitů ještě nedokážou výpočty, které by klasické počítače překonaly.
IBM roadmapa počítá s dosažením kvantové výhody do roku 2026 a plné fault-tolerance do 2029. Klíčem k tomuto cíli jsou právě qLDPC kódy — kódy, které dokážou dosáhnout stejné úrovně ochrany s mnohem méně fyzickými qubity než tradiční surface kódy. Čím lepší QEC kódy, tím méně hardwaru potřebujeme.
OpenEvolve tento proces urychluje. Místo let výzkumu může AI během dnů projít tisíce variant. Některé objevené kódy mohou být laboratorní kuriozity, jiné mohou ukázat cestu k dalším generacím kvantových procesorů.
Cesta kupředu
Nalezení kódů je první krok. Dalším je implementace na reálném hardwaru. Každý QEC kód má specifické požadavky na konektivitu qubitů, měřicí protokoly a řídicí elektroniku. Kódy objevené OpenEvolve budou muset podstoupit rozsáhlé fyzikální simulaci a nakonec testování na skutečných kvantových procesorech IBM.
Ale to, že AI dokáže systematicky prozkoumat prostor kódů, je průlom sám o sobě. Otevírá cestu k optimalizaci QEC pro konkrétní hardwarové platformy — něco, co bylo dosud prakticky nemožné kvůli výpočetní náročnosti.
„Ať už najdete hodně zlata nebo jen trochu, framework vždy poskytuje hodnotu jako způsob, jak rychle zhodnotit různé rodiny error correction kódů a kde hledat dál," shrnují výzkumníci IBM.
Zdroje: IBM Research Blog, arXiv preprint, Quantum Computing Report. Open-source: GitHub qcode-discovery, OpenEvolve.