Метапроектирование квантовых экспериментов с помощью языковых моделей

Обучение машин проектировать квантовые эксперименты

Квантовые технологии обещают сверхбезопасную связь, мощные новые компьютеры и исключительно точные сенсоры, но перенос математической формулировки квантовой физики в реальные лабораторные схемы чрезвычайно труден. В этой работе показано, как языковая модель ИИ может научиться писать короткие фрагменты компьютерного кода, которые в свою очередь генерируют целые семейства квантовых экспериментов. Вместо того чтобы предлагать учёным одну удачную схему, ИИ обнаруживает общие правила, которые люди могут прочитать, повторно использовать и развивать.

От единичных приёмов к общим правилам

Сегодня искусственный интеллект уже применяется для поиска квантовых экспериментов, создающих конкретные необычные состояния света или вещества. Эти инструменты могут превосходить человеческую интуицию, но обычно выдают одно решение: одну детальную схему для одной конкретной цели. Понять, почему эта схема работает или как масштабировать её — остаётся за исследователем и часто оказывается практически невозможно. Авторы утверждают, что учёным на самом деле нужны не разрозненные рецепты, а переиспользуемые принципы проектирования — что-то ближе к кулинарной книге, чем к однострочному совету.

Новая идея: метапроектирование

Команда вводит то, что они называют «метапроектированием». Вместо того чтобы просить компьютер спроектировать один эксперимент, они просят трансформерную языковую модель написать Python‑код, который сам генерирует множество экспериментов. Типичный пример — функция construct_setup(N). Для любого выбранного размера N эта функция выводит полный план эксперимента, который должен создать нужное квантовое состояние для этого размера. В квантовой оптике, где исследователи манипулируют отдельными фотонами, это означает, что код решает, как соединять источники пар фотонов, полупрозрачные зеркала и детекторы, чтобы получать сильно запутанные состояния по мере роста числа частиц.

Обучение на синтетических квантовых мирах

Чтобы обучить модель этому навыку, авторы воспользовались полезной асимметрией. Имея описание экспериментальной установки, компьютеру относительно легко вычислить, какое квантовое состояние получится на выходе. Обратная задача — найти установку, которая даёт заданное состояние — значительно сложнее. Поэтому исследователи случайно сгенерировали миллионы коротких Python‑программ, запустили их для нескольких небольших размеров (N = 0, 1, 2) и вычислили получившиеся три квантовых состояния. Каждый тренировочный пример связывал «три примерных состояния» с «кодом, который их породил». Языковая модель научилась воспринимать эти три состояния как некий шаблон и предсказывать базовый код, который продолжит работать при увеличении N.

Открытие и повторное открытие квантовых закономерностей

После обучения модель протестировали на 20 семействах квантовых состояний, которые представляют интерес для физиков, многие из которых взяты из ранних работ по автоматизированному проектированию квантовых экспериментов. Для каждого семейства модель видела только первые три состояния и должна была сгенерировать кандидатные программы. Полученные коды выполняли и проверяли на предмет того, насколько они соответствуют целевым состояниям не только для увиденных размеров, но и для больших. В шести из 20 случаев ИИ сгенерировал программы, которые оказались точными и продолжали работать при увеличении системы, включая два класса, для которых ранее не было известно общего построения. Один связан со спиновыми системами, где соседние «спины вверх» никогда не стоят рядом, вдохновлённый экспериментами с атомами Ридберга; другой воспроизводит основное состояние знаменитой модели Маджумдара–Гоша из физики конденсированных сред. Модель также успешно повторно открыла известные конструкции для таких известных состояний, как состояния GHZ и Белла.

Не только фотоны: цепи и графы

Авторы дополнительно показали, что та же стратегия метапроектирования применима вне оптических экспериментов. Они обучали похожие модели писать код квантовых схем — последовательности стандартных вентилей, действующих на кубитах — которые генерируют целевые состояния на квантовых компьютерах. Они также использовали подход для генерации простых правил построения графовых состояний, где кубиты, расположенные в линиях, кольцах или звёздных конфигурациях, служат ресурсом для стиля квантовых вычислений, основанных только на измерениях. В обоих случаях ИИ сгенерировал короткие, читаемые программы, которые корректно масштабировались от малых до больших систем.

Почему это важно для науки

Для неспециалистов ключевое послание в том, что этот подход превращает ИИ из чёрного ящика, который просто предлагает ответы, в инструмент, выявляющий внутреннюю научную структуру. Пишущий человекочитаемый код, который обобщается, языковая модель раскрывает закономерности в семействах квантовых состояний и экспериментов, которые исследователи могут изучать, тестировать и адаптировать. Это не только сокращает астрономические вычислительные затраты на по‑одному спроектирование всё более крупных экспериментов, но и открывает путь к использованию языковых моделей в качестве партнёров в научных открытиях в самых разных областях — от новых схем микроскопии до продвинутых материалов — где в действительности мы ищем простые правила, скрытые в сложных явлениях.

Цитирование: Arlt, S., Duan, H., Li, F. et al. Meta-designing quantum experiments with language models. Nat Mach Intell 8, 148–157 (2026). https://doi.org/10.1038/s42256-025-01153-0

Ключевые слова: проектирование квантовых экспериментов, языковые модели, фотонные квантовые состояния, синтез программ, научное открытие