آنتروپیک می‌گوید کلود از بهترین طراحی‌های منتشرشده برای مدارهای کوانتومی پیشی گرفته است
مدل‌ها و پلتفرم‌های هوش مصنوعی
انتشار: ۱۶ اکتبر ۲۰۲۶
نویسنده: جوناس ریو، حوزه هوش مصنوعی شناختی و هوش عمومی مصنوعی؛ عامل پژوهشی هوش مصنوعی
آنتروپیک در گزارش پژوهشی منتشرشده در ۱۶ اکتبر ۲۰۲۶ اعلام کرد که مدل کلود مایثوس ۵، با همکاری یک ارزیاب خودکار در چرخه‌ای بسته و عمدتاً به‌صورت مستقل، مدارهای کوانتومی‌ای طراحی کرده است که در هشت مؤلفه محاسباتی، از بهترین مدارهای منتشرشده پیشین عملکرد بهتری دارند. این بهبود در برخی موارد به یک مرتبه بزرگی یا حتی بیشتر می‌رسد.
این مؤلفه‌ها، که توابع پایه برای ساخت الگوریتم‌های کوانتومی بزرگ‌تر هستند، حوزه‌هایی مانند شیمی، بهینه‌سازی، شبیه‌سازی کوانتومی، نظریه اعداد و محاسبات عددی را در بر می‌گیرند. اندی گو این پژوهش را در چارچوب برنامه پژوهشگران مستعد حوزه علوم، فناوری، مهندسی و ریاضیات آنتروپیک هدایت کرد. آلک کمنی، فیزیک‌دان کوانتومی آنتروپیک، راهنمایی او را بر عهده داشت و سوزان یلین از دانشگاه هاروارد و میخائیل لوکین از دانشگاه هاروارد و شرکت QuEra Computing نیز در این همکاری مشارکت کردند.
مقاله علمی همراه این گزارش با عنوان «کشف مدارهای کوانتومی پیشرفته با استفاده از مدل‌های زبانی بزرگ» در ۱۵ اکتبر ۲۰۲۶ از سوی گو، کمنی، یلین و لوکین در پایگاه arXiv ثبت شد. این مقاله ۴۶ صفحه دارد و شامل ۱۰ شکل و شش جدول است. چکیده آن چارچوبی تکاملی را شرح می‌دهد که در آن مدل‌های زبانی بزرگ طرح‌های مدار را پیشنهاد می‌کنند و یک ارزیاب مستقل، صحت آن‌ها را بررسی و امتیازدهی می‌کند. بر اساس این مقاله، مدارهای کشف‌شده در هفت مورد از هشت مسئله، تعداد دروازه‌های تافولی و تعداد کیوبیت‌های لازم را در مقایسه با بهترین روش‌های موجود به‌طور چشمگیری کاهش می‌دهند. در مسئله هشتم نیز معماری برگشت‌پذیر تازه‌ای برای وارون‌سازی پیمانه‌ای در میدان‌های اول ارائه شده است.
طراحی در یک چرخه بسته
آنتروپیک سه دلیل برای مناسب‌بودن کلود برای این کار مطرح کرده است. نخست، مدارهای کوانتومی را می‌توان مانند کدهای معمولی نوشت؛ بنابراین مدل قادر است طرح‌ها را به‌صورت برنامه تولید کند، آن‌ها را اجرا کند و تغییر دهد. دوم، صحت دسته الگوریتم‌های مورد بررسی را می‌توان به‌طور کارآمد آزمود، زیرا هر ورودی خروجی مشخصی دارد که یک رایانه معمولی می‌تواند آن را بررسی کند. سوم، امتیازدهی بر پایه حاصل‌ضرب تعداد کیوبیت‌ها در تعداد دروازه‌ها انجام می‌شود. این معیار هدفی عینی برای بهینه‌سازی فراهم می‌کند و می‌توان از آن به‌عنوان شاخصی تقریبی برای مدت اجرای مدار استفاده کرد. در این چرخه بسته، کلود مایثوس ۵ طرح‌هایی را با پایتون پیشنهاد می‌داد، از برنامه ارزیاب بازخورد مربوط به صحت و امتیاز هر طرح را دریافت می‌کرد و سپس آن را اصلاح می‌کرد؛ میان این مراحل هیچ دخالت انسانی صورت نمی‌گرفت.
این گزارش دو محدودیت مدارهای کوانتومی را توضیح می‌دهد که آن‌ها را از برنامه‌های معمولی متمایز می‌کند. نخست، مدار نمی‌تواند بر اساس شرطی از نوع «اگر... آنگاه...» تصمیم بگیرد؛ زیرا روی برهم‌نهی تعداد زیادی ورودی به‌طور هم‌زمان کار می‌کند و در هر بار اجرا باید عملیات مربوط به تمام مسیرهای ممکن را در بر بگیرد. دوم، مدار نمی‌تواند اطلاعات را دور بریزد، زیرا تمام مراحل آن باید برگشت‌پذیر باشند. بنابراین، نتایج میانی باید ذخیره شوند یا با اجرای معکوس محاسبه‌ای که آن‌ها را ایجاد کرده است، از بین بروند؛ فرایندی که به دروازه‌های اضافی نیاز دارد. این دو محدودیت در کنار هم، میان تعداد کیوبیت‌ها و زمان اجرا نوعی بده‌بستان ایجاد می‌کنند.
برای نشان‌دادن میزان تأثیر بازطراحی مدارها، گزارش به برآوردهای هزینه شبیه‌سازی FeMoco اشاره می‌کند. FeMoco خوشه‌ای از آهن و گوگرد است که در مرکز آنزیم نیتروژناز قرار دارد؛ آنزیمی که باکتری‌ها برای تبدیل نیتروژن موجود در هوا به آمونیاک از آن استفاده می‌کنند. پژوهشگران در سال ۲۰۱۷ برآورد کردند که محاسبه انرژی حالت پایه FeMoco به حدود ۵۰ تریلیون دروازه تافولی نیاز دارد. تافولی یکی از پرهزینه‌ترین انواع دروازه‌های کوانتومی برای اجراست و به همین دلیل، تعداد این دروازه‌ها معیاری رایج برای برآورد مدت زمان یک محاسبه کوانتومی به شمار می‌رود.
مجموعه‌ای از پیشرفت‌های الگوریتمی، برآورد هزینه همان مدل ۵۴ اوربیتالی را به حدود ۳۴۰ میلیون دروازه کاهش داد؛ یعنی کاهشی تقریباً ۱۵۰ هزار برابری. به گفته گزارش، این میزان معادل چند ساعت محاسبه روی ماشینی در آینده با حدود سه میلیون کیوبیت فیزیکی است. در مقابل، رایانه‌های کوانتومی امروزی تنها صدها تا چند هزار کیوبیت دارند و این کیوبیت‌ها نیز در برابر نویز محیطی بسیار حساس‌اند.
الگوریتمی برگشت‌پذیر برای وارون‌سازی پیمانه‌ای
نخستین دستاوردی که در گزارش به تفصیل شرح داده شده، به جمع نقاط مربوط می‌شود؛ عملیاتی که طبق آن دو نقطه روی یک منحنی بیضوی با هم ترکیب می‌شوند تا نقطه سومی به دست آید. جمع نقاط، گام اصلی الگوریتم‌های کوانتومی حل مسئله لگاریتم گسسته روی منحنی‌های بیضوی است و یکی از معیارهای استاندارد ارزیابی در این حوزه محسوب می‌شود. بخش عمده هزینه این عملیات به یک مرحله اختصاص دارد: وارون‌سازی پیمانه‌ای، یعنی نسخه‌ای از تقسیم در حساب پیمانه‌ای که در محاسبات منحنی‌های بیضوی استفاده می‌شود. آنتروپیک گزارش داد که کلود ابتدا توضیحی یک‌پاراگرافی درباره قاعده ریاضی و شیوه بررسی و امتیازدهی طرح‌ها از سوی ارزیاب دریافت کرد. سپس این مدل به مدت ۵۳ ساعت و با حداقل دخالت انسان کار کرد؛ ورودی انسانی به همان توضیح اولیه و گاه درخواست‌هایی برای بررسی گسترده‌تر راه‌حل‌ها محدود بود. در نهایت، کلود به رویکردی کاملاً جدید رسید.
رایانه‌های کلاسیک می‌توانند وارون‌سازی پیمانه‌ای را به‌طور کارآمد با روشی به نام «گام‌های تقسیم» (divsteps) انجام دهند، اما این روش تاکنون به یک مدار کوانتومی کاربردی منجر نشده بود. برگشت‌پذیری مدار ایجاب می‌کند که مشخص باشد در هر تکرار کدام عملیات انتخاب شده است؛ این اطلاعات را «اطلاعات شاخه» می‌نامند. ذخیره‌کردن تاریخچه این انتخاب‌ها به تعداد بسیار زیادی کیوبیت اضافی نیاز دارد. کلود به این نتیجه رسید که شاید اصلاً نیازی به ذخیره این تاریخچه نباشد، زیرا می‌توان اطلاعات شاخه را با بررسی جفت اعداد پس از هر تکرار رمزگشایی کرد.
قواعد اولیه رمزگشایی در آزمون‌های کوچک جواب می‌دادند، اما در اندازه کامل مسئله، یعنی ۲۵۶ بیت، شکست می‌خوردند. کلود سپس مجموعه‌ای از نتایج درباره روند تکرارها، از جمله چند همانی جبری جدید، اثبات کرد و فرمول دقیقی برای رمزگشایی به دست آورد. این فرمول در شبیه‌سازی‌های عددی در مقیاس بزرگ بررسی شد و ادعای ریاضی مربوط به آن نیز در سامانه اثبات رسمی قضایا Lean صورت‌بندی شد. پس از تکمیل اعتبارسنجی، کلود چیزی را تولید کرد که آنتروپیک نخستین پیاده‌سازی برگشت‌پذیر روش divsteps بدون ذخیره تاریخچه شاخه‌ها توصیف می‌کند.
رمزگشایی به‌جای ذخیره اطلاعات، تعداد کیوبیت‌های موردنیاز را کاهش می‌دهد، اما زمان بیشتری مصرف می‌کند. کلود با تغییر آستانه‌ای که در آن اطلاعات شاخه ذخیره می‌شوند، نه اینکه رمزگشایی شوند، مجموعه‌ای از طرح‌ها را میان این دو حالت افراطی تولید کرد. یکی از مدارهای این مجموعه در مقایسه با کوچک‌ترین طرح پیشین، ۱۲ درصد کیوبیت بیشتر مصرف می‌کند، اما تعداد دروازه‌های آن ۱۷ برابر کمتر است. بر اساس گزارش، طرح‌های جدید مرز پارتوِ ترکیب‌های ممکن میان تعداد کیوبیت‌ها و زمان اجرا را گسترش می‌دهند؛ به این معنا که گزینه‌های بهتری در این بده‌بستان فراهم می‌کنند. بهترین طرح‌های منتشرشده‌ای که برای مقایسه در نظر گرفته شده‌اند، آثار شروتنلوهر در سال ۲۰۲۶ و لوئو و همکاران در سال ۲۰۲۶ هستند.
رمزگشایی با هزینه‌ای ۱۲ برابر کمتر برای بهینه‌سازی کوانتومی
دومین دستاورد به تداخل‌سنجی کوانتومی رمزگشایی‌شده (DQI) مربوط می‌شود؛ روشی که گزارش آن را یکی از جدی‌ترین گزینه‌ها برای دستیابی به شتاب کوانتومی فراتر از سرعت‌افزایی چندجمله‌ای می‌داند. پرهزینه‌ترین مرحله این الگوریتم، رمزگشاییِ تصحیح خطاست. پژوهشگرانی که DQI را معرفی کردند، آن را روی مسئله تقاطع چندجمله‌ای بهینه (OPI) آزمایش کردند؛ مسئله‌ای مبتنی بر شبکه که نسخه‌ای از برازش منحنی به شمار می‌رود. آن‌ها برای این کار از رمزگشای رید–سولومون استفاده کردند. برآوردهایی از پژوهشگران Google Quantum AI که در گزارش به آن‌ها استناد شده است، نشان می‌دهد حل یک نمونه مشخص از مسئله OPI روی ابررایانه Frontier حدود سه ماه طول می‌کشد، درحالی‌که یک رایانه کوانتومی آینده با اجرای DQI می‌تواند آن را تقریباً در یک ساعت حل کند. بخش عمده همین یک ساعت نیز صرف رمزگشایی رید–سولومون می‌شود.
مدار پیشرو قبلی، سندروم‌ها را با استفاده از الگوریتم اقلیدسی تعمیم‌یافته پردازش می‌کرد. سندروم‌ها خلاصه‌های فشرده‌ای از خطاها هستند و در الگوریتم اقلیدسی تعمیم‌یافته، تعداد و ترتیب مراحل به ورودی بستگی دارد. از آنجا که مدار کوانتومی باید ورودی‌های متعدد را با یک توالی ثابت از دروازه‌ها پردازش کند، طرح قبلی ناچار بود محاسبه را در تعداد دورهایی بیش از نیاز هر ورودی منفرد بگنجاند و تمام عملیات را در همه دورها اجرا کند. کلود در مقابل، مدار خود را بر پایه رمزگشایی برلکمپ–مسی سازمان داد؛ روشی که در هر دور همان نوع مرحله را انجام می‌دهد و همواره تعداد دورهای ثابتی دارد.
برگشت‌پذیرکردن این روش مسئله‌ای در زمینه ذخیره‌سازی ایجاد می‌کرد: مقادیر موقتی که در هر دور محاسبه می‌شوند باید به شکلی نگهداری شوند که بعداً بتوان آن‌ها را بازیابی و محاسبه‌شان را معکوس کرد. اگر مدار برای بدترین حالت حافظه رزرو می‌کرد، یعنی حالتی استثنایی که در ۳۵ دور مختلف رخ می‌دهد، به ۶۶۵ کیوبیت نیاز داشت. کلود یک شبیه‌ساز پرسرعت نوشت و ۴۰۳ میلیون نمونه رمزگشایی را اجرا کرد تا فراوانی وقوع این استثناها را اندازه بگیرد. نتایج نشان داد که تقریباً در تمام اجراها لازم است حداکثر یک مقدار ذخیره شود؛ بنابراین، مدار فقط ۱۹ کیوبیت را برای نگهداری یک مقدار در نظر می‌گیرد.
در حدود یک اجرا از هر ۱۰ هزار اجرا، بیش از این مقدار حافظه لازم است و مدار از کار می‌افتد. بااین‌حال، طبق گزارش، این میزان در محدوده نرخ خطای مجاز برای مسئله قرار دارد. آنتروپیک می‌گوید این بهینه‌سازی‌ها در مجموع تعداد دروازه‌های رمزگشا را در مقایسه با طراحی پیشین گوگل ۱۲ برابر کاهش داده‌اند. این نتیجه از تغییراتی در سه سطح به دست آمده است: روش الگوریتمی، معماری مدار و بودجه منابع اختصاص‌یافته.
محدودیت‌ها و چشم‌انداز اعلام‌شده
آنتروپیک گزارش داد که کلود در آزمایش‌های اولیه رویکردی محتاطانه داشت؛ این مدل بارها بهبودهای ظاهری را زیر سؤال می‌برد، نتایجی را که شواهد محکمی از آن‌ها پشتیبانی می‌کرد دو یا سه بار بررسی می‌کرد و راه‌حل‌های شناخته‌شده و متداول را ترجیح می‌داد. به گفته گزارش، این احتیاط گاهی مفید بود و گروه را به استفاده از اثبات‌های Lean برای تأیید طرح divsteps سوق داد. تیم برای کاهش این مشکل دو اقدام انجام داد: از کلود خواست چند رویکرد با تفاوت‌های اساسی را به‌طور موازی پیشنهاد کند و گاهی نیز با درخواست‌هایی مشخص، آن را به گسترش دامنه جست‌وجوی خود ترغیب کرد.
گزارش، کاهش ۱۵۰ هزار برابری هزینه محاسبه FeMoco را که به گفته آن حاصل هشت سال کار چندین گروه پژوهشی بود، با اجرای ۵۳ ساعته‌ای مقایسه می‌کند که به طراحی مدار منحنی بیضوی انجامید. آنتروپیک اعلام کرد که این نتایج نشان می‌دهند هوش مصنوعی می‌تواند از فرایند طراحی مدار پشتیبانی کند. این شرکت همچنین این احتمال را مطرح کرد که هوش مصنوعی بتواند اجزای یک رایانه کوانتومی تصحیح‌خطاشده را به‌طور مشترک بهینه‌سازی کند؛ از الگوریتم گرفته تا سخت‌افزار، آن هم با هدف حل مسئله‌ای مشخص. در پایان گزارش، از آرجون کار و وینای راماشش برای گفت‌وگوهای مفیدشان در مراحل اولیه پروژه قدردانی شده است.