دستاورد تازه آنتروپیک در رایانش کوانتومی؛ کلود مدارهایی طراحی کرد که تا ۱۷ برابر بهینه‌تر از بهترین طرح‌های انسانی هستند
شرکت هوش مصنوعی آنتروپیک در ۱۷ اکتبر از نتیجه پژوهشی مهمی خبر داد: جدیدترین مدل این شرکت، کلود مایتوس ۵، در محیطی با چرخه بازخورد خودکار و بدون هیچ‌گونه دخالت انسانی، مدارهای کوانتومی طراحی کرده است که از بهترین راهکارهای شناخته‌شده و بهینه‌سازی‌شده به دست انسان فراتر می‌روند. این مدل هزینه محاسباتی برخی وظایف کلیدی رمزگشایی را ۱۲ تا ۱۷ برابر کاهش داده و به‌طور مستقل روابط جبری کاملاً جدیدی به دست آورده است که پیش از این انسان‌ها آن‌ها را کشف نکرده بودند.
مقاله این پژوهش در پایگاه پیش‌چاپ علمی arXiv منتشر شده است. اندی گو، پژوهشگر آنتروپیک، نویسنده اول مقاله است و آلک کمنی، فیزیک‌دان حوزه کوانتوم، به‌عنوان مشاور در این پژوهش حضور داشته است. سوزان یلین از دانشگاه هاروارد و میخائیل لوکین، از دانشگاه هاروارد و شرکت کوئرا کامپیوتینگ، نیز در این مطالعه مشارکت داشته‌اند.
۵۳ ساعت در برابر هشت سال تلاش انسانی
رایانه‌های کوانتومی در حال حاضر با دو محدودیت عمده سخت‌افزاری روبه‌رو هستند: تعداد کیوبیت‌های آن‌ها بسیار محدود است و این واحدهای محاسباتی نیز به‌شدت در برابر خطاهای ناشی از نویز محیطی آسیب‌پذیرند. به همین دلیل، دانشمندان ناچار شده‌اند الگوریتم‌ها را تا حد ممکن بهینه کنند تا بتوانند همان وظایف را با کیوبیت‌های کمتر و مراحل محاسباتی کوتاه‌تر انجام دهند.
شبیه‌سازی فمُکو (FeMoco)، خوشه آهن‌ـ‌گوگردی موجود در هسته آنزیم نیتروژناز، نمونه‌ای از این مسئله است. این محاسبه برای توسعه کاتالیزورهای کارآمد تولید کود اهمیت دارد. دانشمندان در سال ۲۰۱۷ برآورد کردند که انجام این شبیه‌سازی به حدود ۵۰ تریلیون گیت توفولی نیاز دارد. پس از هشت سال تلاش و بهینه‌سازی مرحله‌به‌مرحله توسط گروه‌های پیشرو جهان، تعداد گیت‌های موردنیاز به ۳۴۰ میلیون کاهش یافت؛ یعنی حدود ۱۵۰ هزار برابر کمتر شد.
کلود مایتوس ۵ تنها در ۵۳ ساعت، طراحی مجدد هشت ماژول اصلی رایانش کوانتومی را به پایان رساند. این ماژول‌ها حوزه‌هایی از جمله شبیه‌سازی شیمیایی، شبیه‌سازی فیزیکی، مسائل بهینه‌سازی و نظریه اعداد را در بر می‌گرفتند. آنتروپیک برنامه‌ای با نام «همکاران پژوهشی علوم، فناوری، مهندسی و ریاضیات» (STEM Fellows) راه‌اندازی کرد و از طریق آن، شرح متنی هشت مسئله بنیادی طراحی مدار کوانتومی را در اختیار مدل گذاشت. سامانه‌ای خودکار نیز نتایج را ارزیابی می‌کرد. معیار امتیازدهی، حاصل‌ضرب تعداد کیوبیت‌های اشغال‌شده در تعداد گیت‌های کوانتومی بود. کلود به‌طور مستقل راهکارهای خود را ارائه می‌کرد، پیام‌های خطا و امتیازها را دریافت می‌کرد و کدهایش را در محیطی بسته اصلاح می‌کرد؛ در هیچ مرحله‌ای دخالت انسانی صورت نمی‌گرفت.
در نهایت، این مدل در هر هشت مسئله از بهترین طرح‌های انسانی منتشرشده پیشی گرفت.
کشف مستقل روابط جبری جدید
چشمگیرترین دستاورد در زمینه وارون‌سازی پیمانه‌ای رخ داد؛ عملیاتی اساسی در مرحله جمع نقاط برای حل مسئله لگاریتم گسسته روی منحنی بیضوی. در رایانه‌های کلاسیک، این عملیات معمولاً با الگوریتم «دیواستپس» (divsteps) انجام می‌شود، اما تاکنون هیچ‌کس نتوانسته بود این الگوریتم را با موفقیت به مدارهای کوانتومی منتقل کند.
علت این دشواری به دو محدودیت اساسی رایانش کوانتومی بازمی‌گردد. نخست، مدارهای کوانتومی نمی‌توانند از انشعاب شرطی «اگر ـ وگرنه» به شیوه معمول رایانه‌های کلاسیک استفاده کنند؛ بلکه باید همه مسیرهای ممکن را به‌طور هم‌زمان در ساختار خود در بر بگیرند. دوم، محاسبات کوانتومی باید برگشت‌پذیر باشند؛ به این معنا که نمی‌توان داده‌های میانی را به‌سادگی دور انداخت و باید آن‌ها را با اجرای محاسبات معکوس بازیابی کرد. هر مرحله از الگوریتم دیواستپس اطلاعاتی درباره شاخه محاسباتی طی‌شده بر جای می‌گذارد. برای اجرای این الگوریتم روی مدار کوانتومی، لازم بود تمام این اطلاعات ذخیره شود؛ کاری که به تعداد غیرعملی و بسیار زیادی کیوبیت نیاز داشت.
کلود پس از دریافت این مسئله، به ایده‌ای کلیدی رسید: زوج اعدادی که پس از هر مرحله محاسباتی باقی می‌مانند، از پیش اطلاعات ریاضی کافی برای تشخیص شاخه قبلی در خود دارند؛ به‌شرط آنکه از مقادیر فعلی به عقب حرکت کنیم. مدل ابتدا چند قاعده ساده برای استنتاج معکوس را امتحان کرد که در آزمایش‌های کوچک عملکرد نسبتاً خوبی داشتند، اما همه آن‌ها هنگام کار با اعداد بزرگ ۲۵۶ بیتی شکست خوردند.
سپس مدل راهبرد خود را تغییر داد و به سراغ استنتاج مبتنی بر نظریه محض ریاضیات رفت. کلود فرایند تکرارشونده الگوریتم دیواستپس را بررسی کرد، مجموعه‌ای از روابط جبری کاملاً جدید را اثبات کرد و با استفاده از آن‌ها به فرمولی دقیق برای رمزگشایی رسید. این مدل ابتدا درستی فرمول را با شبیه‌سازی عددی در مقیاس بزرگ بررسی کرد و سپس با کمک دستیار اثبات رسمی لین (Lean)، اثباتی صوری و دقیق برای آن ارائه داد.
در نهایت، مدل نخستین پیاده‌سازی برگشت‌پذیر الگوریتم دیواستپس را ارائه کرد که برای ذخیره تاریخچه شاخه‌های محاسباتی به حافظه اضافی نیاز ندارد. یکی از طرح‌های آن تعداد گیت‌های کوانتومی را به یک‌هفدهم کمترین مقدار ثبت‌شده پیشین رساند، در حالی که تعداد کیوبیت‌های موردنیاز تنها ۱۲ درصد افزایش یافت.
بازطراحی معماری الگوریتم گوگل
دومین دستاورد مهم به الگوریتم بهینه‌سازی کوانتومی DQI، مخفف «تداخل‌سنجی کوانتومی رمزگشایی‌شده» (Decoded Quantum Interferometry)، مربوط می‌شود. این الگوریتم یکی از امیدوارکننده‌ترین مسیرها برای دستیابی رایانه‌های کوانتومی آینده به شتاب محاسباتی فراتر از چندجمله‌ای در حوزه‌هایی مانند زمان‌بندی لجستیک و طراحی مواد به شمار می‌رود. مهم‌ترین و پرهزینه‌ترین بخش آن، رمزگشایی برای تصحیح خطای رید ـ سالومون است.
طرحی که پیش‌تر گروه گوگل کوانتوم ای‌آی توسعه داده بود، از الگوریتم اقلیدسی تعمیم‌یافته استفاده می‌کرد. این الگوریتم روی رایانه‌های کلاسیک انعطاف‌پذیر و کارآمد است، اما انتقال آن به مدارهای کوانتومی مشکلات جدی ایجاد می‌کند. از آنجا که تعداد مراحل موردنیاز به ورودی بستگی دارد، مدار کوانتومی باید همه شاخه‌های محاسباتی را تا پایان و بر اساس بدترین حالت ممکن اجرا کند؛ در نتیجه، بخش بزرگی از محاسبات هدر می‌رود.
کلود پس از بررسی مسئله تشخیص داد که این الگوریتم با شیوه عملکرد مدارهای کوانتومی سازگار نیست و بخش اصلی آن را با الگوریتم برلکمپ ـ مسی (Berlekamp–Massey) جایگزین کرد. این الگوریتم در هر دور، عملیات یکسانی انجام می‌دهد و تعداد دورهای آن از ابتدا کاملاً مشخص است؛ ویژگی‌ای که آن را با ماهیت مدارهای کوانتومی، یعنی طی‌کردن مسیری محاسباتی تا پایان، سازگارتر می‌کند.
با این حال، تغییر الگوریتم چالش تازه‌ای در زمینه ذخیره‌سازی ایجاد کرد. اگر نادرترین و افراطی‌ترین حالت‌ها نیز در نظر گرفته می‌شدند، مدار باید ۶۶۵ کیوبیت را برای ذخیره مقادیر میانی کنار می‌گذاشت؛ ظرفیتی که بسیار فراتر از توان سخت‌افزارهای موجود است. کلود برای حل این مشکل، شبیه‌سازی پرسرعتی نوشت و ۴۰۳ میلیون آزمایش نمونه‌گیری انجام داد تا احتمال وقوع این حالت‌های استثنایی را با دقت اندازه‌گیری کند.
نتایج آماری نشان داد که در اکثریت قاطع محاسبات، ذخیره حداکثر یک مقدار میانی کافی است. مدل بر همین اساس، فضای ذخیره‌سازی را فقط برای ۱۹ کیوبیت در نظر گرفت. احتمال کمبود فضا در اثر وقوع یک حالت استثنایی تقریباً یک در ده‌هزار برآورد شد؛ احتمالی که همچنان در محدوده خطای مجاز الگوریتم قرار می‌گیرد.
ترکیب سه تغییر، یعنی جایگزینی الگوریتم پایه، بازآرایی داده‌ها هنگام اجرا و حذف افزونگی مربوط به حالت‌های استثنایی، به کلود امکان داد تعداد گیت‌های کوانتومی موردنیاز رمزگشا را ۱۲ برابر کاهش دهد. محاسبه‌ای که پیش‌تر یک ساعت زمان می‌برد، اکنون می‌تواند تنها در چند دقیقه انجام شود.
از بهینه‌سازی الگوریتم تا طراحی سخت‌افزار
تیم پژوهشی در مقاله توضیح داده است که کلود در آزمایش‌های اولیه رویکردی نسبتاً محتاطانه داشت. مدل اغلب حتی به بهبودهایی که خود کشف کرده بود بیش از حد شک می‌کرد و بارها نتایج تأییدشده را دوباره بررسی می‌کرد. این احتیاط به ارائه اثبات‌های دقیق با ابزار لین کمک می‌کرد، اما در عین حال باعث می‌شد مدل به راهکارهای جاافتاده انسانی پایبند بماند. پژوهشگران در ادامه از مدل خواستند چند مسیر راه‌حل کاملاً متفاوت را به‌طور هم‌زمان پیشنهاد کند و گاهی نیز با راهنمایی‌های دستی، دامنه جست‌وجوی آن را گسترش دادند. تنها پس از این تغییر بود که توانایی مدل در استخراج فرمول‌های ریاضی کاملاً جدید آشکار شد.
اهمیت این کشف فراتر از بهینه‌سازی الگوریتم‌هاست. یکی از چالش‌های اساسی توسعه رایانه‌های کوانتومی این است که کدهای تصحیح خطا، رمزگشاها و ماژول‌های کنترل سخت‌افزار فیزیکی ارتباط تنگاتنگی با یکدیگر دارند. با این حال، پیچیدگی کل سامانه باعث شده است دانشمندان ناچار شوند این بخش‌ها را از هم جدا کنند و هرکدام را مستقلاً طراحی کنند. از آنجا که منطق زیربنایی این اجزا را می‌توان به کد تبدیل کرد، صحت آن را سنجید و بر اساس معیارهای مشخص امتیاز داد، چنین مسائلی در محدوده توانایی‌های هوش مصنوعی قرار می‌گیرند.
پژوهش آنتروپیک چشم‌انداز بلندپروازانه‌تری را نیز مطرح می‌کند: هوش مصنوعی در آینده ممکن است دیگر به بهینه‌سازی جداگانه مدارهای منفرد محدود نباشد و بتواند از فیزیک سخت‌افزار در پایین‌ترین سطح تا منطق الگوریتم‌ها در بالاترین سطح، همه اجزا را به‌صورت یکپارچه بهینه کند. در چنین شرایطی، انسان‌ها می‌توانند سخت‌افزارهای اختصاصی رایانه‌های کوانتومی را مستقیماً بر اساس نقشه‌های طراحی تولیدشده به‌وسیله هوش مصنوعی بسازند.
کاربرد عملی رایانش کوانتومی مدت‌هاست به دلیل محدودیت‌های سخت‌افزاری با مانع روبه‌روست و در این صنعت عموماً بر این باورند که برای دستیابی به کاربردهایی با ارزش عملی واقعی، به میلیون‌ها کیوبیت نیاز است. نتایجی که کلود اکنون به دست آورده، نشان می‌دهد بهینه‌سازی الگوریتم‌ها در مقیاسی چندین‌برابری می‌تواند به سخت‌افزارهای فعلی و هنوز محدود نیز امکان دستیابی به نتایجی تحول‌آفرین را بدهد. به این ترتیب، نرم‌افزار از مسیری متفاوت به کمک سخت‌افزار می‌آید و ممکن است روند دستیابی به کاربردهای عملی رایانش کوانتومی را به‌طور چشمگیری سرعت ببخشد.