Q-Prior lượng tử giúp AI bám sát hệ hỗn loạn ra sao?

Một dự báo có thể khởi đầu hợp lý rồi dần trượt sang diễn biến phi thực tế chỉ vì những sai lệch rất nhỏ. Đây là thách thức khi AI xử lý thời tiết, dòng chảy rối và các hệ hỗn loạn khác. Nhóm nghiên cứu tại University College London thử bổ sung một “điểm tựa” mang tên Quantum Prior, viết tắt là Q-Prior: máy tính lượng tử tạo bản tóm tắt các mẫu nền trong dữ liệu, sau đó AI thông thường dùng nó để dự đoán. Phần lượng tử không thay thế AI; nó chuẩn bị thông tin có thể giúp mô hình bám sát cấu trúc của hệ lâu hơn. [1]

Vì sao hệ hỗn loạn làm AI dễ lạc hướng?

Hỗn loạn không đồng nghĩa với ngẫu nhiên hoàn toàn. Hệ vẫn vận động theo những quy luật nhất định, nhưng kết quả rất nhạy với trạng thái ban đầu. Hai trạng thái chỉ khác nhau đôi chút có thể phát triển theo những hướng ngày càng xa nhau, hiện tượng thường được gọi là hiệu ứng cánh bướm. Thời tiết, dòng chất lỏng chảy nhanh trong ống và dòng chảy rối là các ví dụ được Bảo tàng Khoa học Anh nêu khi giới thiệu công trình của nhóm UCL. [1]

Sự nhạy cảm ấy tạo ra một vấn đề đặc biệt cho dự đoán nối tiếp. Sai lệch nhỏ ở một bước có thể ảnh hưởng đến điểm xuất phát của bước sau, rồi tiếp tục tích lũy. Mô hình vẫn có thể tạo ra đầu ra trông quen thuộc, nhưng chuỗi diễn biến dần không còn giữ được những quan hệ quan trọng của hệ. Vì vậy, dáng vẻ hợp lý của một kết quả chưa đủ để cho thấy nó hợp lý về mặt vật lý. [1]

Q-Prior được tạo ra như thế nào?

Phương pháp của nhóm mang tên Quantum-Informed Machine Learning, có thể hiểu là học máy được bổ sung thông tin từ tính toán lượng tử. Trước hết, một máy tính lượng tử được huấn luyện một lần trên dữ liệu mô tả hệ hỗn loạn. Nó tạo ra Q-Prior, một bản tóm tắt đã nén của các mẫu nền trong dữ liệu. Bản tóm tắt này sau đó được chuyển cho mô hình AI dùng trong quá trình dự đoán. [1]

Chữ “Prior” dễ gợi cảm giác rằng máy đã biết trước các định luật chi phối hệ. Thực ra, Q-Prior được rút ra từ dữ liệu dùng ở bước chuẩn bị. Nó không phải bộ phương trình phổ quát, cũng không tự động kiểm tra mọi định luật vật lý. Vai trò của nó gần với một phần thông tin định hướng: trước khi dự đoán, AI đã có thêm biểu diễn về các quan hệ mà bước lượng tử tìm thấy trong dữ liệu. [1]

Có thể hình dung bằng một ví dụ tự tạo. Khi vẽ tiếp một đường cong, người chỉ nhìn vài nét cuối có thể nối rất mượt nhưng làm sai hình dạng chung. Một bản phác thảo thu nhỏ của toàn bộ đường sẽ giúp họ giữ hướng tốt hơn. Q-Prior cũng cung cấp một bản tóm tắt như vậy, dù dữ liệu của hệ hỗn loạn phức tạp hơn nhiều và phép so sánh này không mô tả cách mạch lượng tử vận hành.

Phần lượng tử có thể bổ sung điều gì?

Theo phần giới thiệu công trình, mạch lượng tử có khả năng biểu diễn nhiều khả năng cùng lúc. Nhóm nghiên cứu cho rằng đặc điểm này giúp nắm bắt những mối liên hệ tinh tế hoặc kéo dài trong dữ liệu bằng ít tham số hơn. Đây là phần mà máy tính thông thường có thể cần lượng dữ liệu lớn hơn để học. Khi Q-Prior được đưa vào AI, những mối liên hệ đã nén ấy trở thành thông tin bổ sung cho quá trình tạo dự báo. [1]

Tác dụng được mô tả là “ràng buộc” AI, nhưng đây không phải một hàng rào tuyệt đối. Q-Prior có thể giảm nguy cơ mô hình trôi sang trạng thái phi thực tế bằng cách khiến cấu trúc học được của hệ tiếp tục ảnh hưởng đến đầu ra. Cách diễn đạt thận trọng hơn là Q-Prior giúp dự báo giữ đặc điểm vật lý tốt hơn trong các phép thử đã thực hiện, thay vì bảo đảm mọi dự báo về mọi hệ đều đúng với tự nhiên. [1]

Các phép thử cho thấy điều gì?

Nhóm áp dụng phương pháp cho ba hệ hỗn loạn: phương trình Kuramoto-Sivashinsky, dòng Kolmogorov hai chiều và dòng chảy rối trong kênh ba chiều. Đây là ba bài toán khác nhau, cho phép kiểm tra liệu Q-Prior có hữu ích ngoài một trường hợp đơn lẻ hay không. Phần giới thiệu của Bảo tàng Khoa học Anh cho biết phương pháp có cải thiện kết quả so với AI cổ điển trong những thiết lập so sánh của nghiên cứu. [1]

Trường hợp dòng chảy rối trong kênh đáng chú ý vì Q-Prior được huấn luyện trên một bộ xử lý lượng tử siêu dẫn thực. Khi bỏ phần thông tin này, dự đoán trở nên mất ổn định về mặt vật lý; khi sử dụng nó, mô hình cho kết quả tốt hơn các phương án được đem ra so sánh. Quan sát đó cho thấy đóng góp lượng tử có thể tạo khác biệt đo được trong một bài toán xác định, thay vì chỉ xuất hiện trong mô phỏng lý tưởng. [1]

Dù vậy, kết quả trên không thể chuyển thẳng thành lời hứa về dự báo thời tiết hay thiết kế kỹ thuật. Ba hệ thử nghiệm cho thấy nguyên lý có thể hoạt động, còn hiệu quả trong một ứng dụng khác sẽ phụ thuộc vào dữ liệu, cách tạo Q-Prior và tiêu chí đánh giá. Giá trị trước mắt của công trình nằm ở chỗ nó chỉ ra một cách đưa thông tin lượng tử vào AI mà không yêu cầu máy lượng tử thực hiện toàn bộ quá trình dự đoán. [1]

Vì sao thiết kế lai có ý nghĩa?

Máy tính lượng tử hiện còn hạn chế, trong khi chuyển dữ liệu qua lại giữa máy lượng tử và máy tính thông thường vừa chậm vừa dễ phát sinh lỗi. Phương pháp của nhóm chỉ dùng bước lượng tử một lần để tạo Q-Prior. Sau đó, bản tóm tắt được chuyển sang cho AI thông thường, nơi phần lớn công việc dự đoán diễn ra. Cách phân chia này tận dụng phần việc phù hợp với từng loại máy và tránh trao đổi dữ liệu ở mỗi bước dự báo. [1]

Điểm mới vì thế không phải là giao toàn bộ bài toán hỗn loạn cho máy tính lượng tử. Ý tưởng cốt lõi là dùng phần cứng lượng tử để chuẩn bị một biểu diễn gọn, rồi để hệ thống cổ điển khai thác nó nhiều lần. Hiệu ứng cánh bướm vẫn tồn tại và dự báo dài hạn vẫn khó, nhưng AI có thêm một điểm tham chiếu về cấu trúc của hệ. Q-Prior đáng chú ý chính ở vai trò khiêm tốn đó: không dự đoán thay AI, mà giúp AI ít rời xa bài toán vật lý đang được mô hình hóa. [1]