کلودِ آنتروپیک طراحی مدارهای بهینه‌سازی کوانتومی را بهبود می‌دهد
اخبار پژوهش‌های کوانتومی، الگوریتم‌های کوانتومی
۱۷ اکتبر ۲۰۲۶ | نویسنده: راستی فلینت
مدل کلودِ شرکت آنتروپیک مدارهای کوانتومی‌ای طراحی کرده است که در برخی موارد، از نظر کارایی دست‌کم یک مرتبه بزرگی از بهترین طرح‌های منتشرشده پیشین بهتر هستند. این پیشرفت نیاز به منابع کوانتومی برای اجرای کاربردهای مختلف را به میزان چشمگیری کاهش می‌دهد. اندی گو، که این پروژه را در چارچوب برنامه پژوهشگران حوزه علوم، فناوری، مهندسی و ریاضیات (STEM Fellows Program) آنتروپیک هدایت کرد، برای دستیابی به این نتایج با پژوهشگرانی از دانشگاه هاروارد و شرکت QuEra Computing، از جمله سوزان یلین و میخائیل لوکین، همکاری داشت.
رایانه‌های کوانتومی کنونی تنها به صدها تا چند هزار کیوبیت مجهزند و هدف این پژوهش، استفاده کارآمدتر از همین منابع محدود است. به گفته تیم پژوهشی، کلود برای طراحی هشت مدار، مشخصات عملکردی آن‌ها را به زبان ساده دریافت کرد و عمدتاً به‌صورت مستقل روی طراحی و بهینه‌سازی آن‌ها کار کرد.
بهینه‌سازی مدارهای کوانتومی کلود برای شیمی و حوزه‌های دیگر
کلود روش‌های تازه‌ای برای طراحی مدارهای کوانتومی پیدا کرد که تعداد کیوبیت‌ها و گیت‌های موردنیاز برای انجام محاسبات را کاهش می‌دهند. این دستاورد حاصل کشف ساختارهای جدید و بینش‌های ریاضی بود، نه صرفاً اصلاح تدریجی طرح‌های موجود. این پیشرفت یکی از چالش‌های بنیادی محاسبات کوانتومی را هدف قرار می‌دهد: ایجاد توازن میان تعداد کیوبیت‌های مصرفی و زمان محاسبه؛ محدودیتی که بر امکان‌پذیری اجرای الگوریتم‌های پیچیده تأثیر چشمگیری دارد. این سیستم مدارهایی را برای طیف متنوعی از کاربردها، از جمله شیمی، مسائل بهینه‌سازی، شبیه‌سازی فیزیکی و نظریه اعداد، بهینه کرد و نشان داد که توانایی آن فراتر از تنظیم جزئی الگوریتم‌های موجود است.
موفقیت این هوش مصنوعی به توانایی آن در استدلال تحت محدودیت‌هایی بازمی‌گردد که در برنامه‌نویسی متعارف وجود ندارند؛ به‌ویژه لزوم ایجاد توازن میان تخصیص کیوبیت‌ها و جلوگیری از محاسبات تکراری. کلود تشخیص داد که مدارهای موجود اغلب اجزای پرهزینه‌ای دارند که برای مدیریت ورودی‌های نادر طراحی شده‌اند. سپس این مدارها را بازطراحی کرد تا اجزای غیرضروری حذف شوند.
برای نمونه، هنگامی که از کلود خواسته شد یک مولکول سولفید آهن را شبیه‌سازی کند، این مدل از تقارن‌های ذاتی و ساختارهای تکرارشونده مولکول بهره گرفت تا نتایج محاسبه‌شده قبلی را دوباره به کار ببرد و محاسبات تکراری را به حداقل برساند. این روش به تکنیکی در محاسبات کلاسیک به نام «divsteps» شباهت دارد و امکان تخصیص کارآمدتر منابع کوانتومی را فراهم کرد. توانایی‌های کلود به بهینه‌سازی مؤلفه‌های محاسباتی مشخص نیز گسترش می‌یابد.
به گزارش تیم پژوهشی، کشف دیگری هزینه پرهزینه‌ترین مرحله یکی از الگوریتم‌های پیشرو در بهینه‌سازی کوانتومی را تقریباً ۱۲ برابر کاهش داد. این پیشرفت‌ها صرفاً به معنای کم شدن تعداد گیت‌ها نیستند، بلکه نشان‌دهنده تغییری اساسی در ساختار مدارها و توانایی شناسایی کارایی‌هایی هستند که پیش‌تر شناخته نشده بودند.
اهمیت این پژوهش فراتر از بهینه‌سازی الگوریتم‌هاست و نشان می‌دهد هوش مصنوعی می‌تواند در بازطراحی مدارها نیز نقش فعالی ایفا کند؛ گامی مهم برای بهره‌گیری کامل از ظرفیت محاسبات کوانتومی. سریع‌تر شدن فرایند طراحی مدارها می‌تواند پیشرفت در حوزه‌های وابسته به محاسبات کوانتومی، از جمله کشف دارو، علم مواد و تولید کود، را تسریع کند. مدیریت کارآمد کیوبیت‌ها و گیت‌ها اهمیت اساسی دارد، زیرا هر دو بر هزینه و پیچیدگی کلی محاسبات کوانتومی اثر می‌گذارند.
تیم پژوهشی با اشاره به اهمیت دستاوردهای کلود می‌گوید: «هر دوی این محدودیت‌ها باعث می‌شوند محاسبات کوانتومی، هم از نظر زمان اجرا و هم از نظر تعداد کیوبیت‌ها، بسیار پرهزینه‌تر از همتایان کلاسیک خود باشند.» این پژوهش گامی به‌سوی طراحی خودکار مدارهای کوانتومی به شمار می‌رود و می‌تواند مسیرهای تازه‌ای برای اکتشاف و نوآوری در این حوزه بگشاید.
کلود مایتوس ۵ بهینه‌سازی مدارهای کوانتومی را در یک چرخه بسته انجام می‌دهد
کلود مایتوس ۵ توانست فرایند بهینه‌سازی مدارهای کوانتومی را در یک چرخه بسته انجام دهد؛ به این معنا که بدون دخالت انسان، طرح‌هایی پیشنهاد می‌کرد، آن‌ها را می‌آزمود و سپس بهبود می‌داد. این توانایی در هشت مؤلفه محاسباتی متمایز به نمایش گذاشته شد. موفقیت سیستم به یک برنامه ارزیاب خودکار متکی بود که هر مدار را بر اساس تعداد کیوبیت‌ها و گیت‌ها به‌صورت عینی امتیازدهی می‌کرد. این معیارها به‌عنوان شاخصی تقریبی از زمان اجرا به کار می‌رفتند و امکان بهبود مرحله‌به‌مرحله طرح‌ها را فراهم می‌کردند. این رویکرد به هوش مصنوعی اجازه داد از اصلاح جزئی طرح‌های موجود فراتر برود و با شناسایی ساختارهای ریاضی و الگوهای تازه در خود مسائل، به افزایش چشمگیر کارایی دست یابد.
در پی مجموعه‌ای از پیشرفت‌های الگوریتمی، تعداد تخمینی گیت‌های لازم برای شبیه‌سازی انرژی حالت پایه FeMoco به حدود ۳۴۰ میلیون کاهش یافته است؛ یعنی تقریباً ۱۵۰ هزار برابر کمتر از برآورد پیشین. بر این اساس، یک ماشین کوانتومی آینده با حدود سه میلیون کیوبیت فیزیکی می‌تواند این محاسبه را طی چند ساعت انجام دهد.
بخش عمده این کاهش‌ها حاصل بازطراحی مدارهای انجام‌دهنده محاسبات بود، نه بهبود سخت‌افزار. توانایی سیستم در شناسایی و کشف ساختارهای ریاضی زیربنایی، نشان می‌دهد که می‌تواند روابط ناشناخته‌ای را در سامانه‌های کوانتومی پیچیده پیدا کند. این قابلیت ممکن است توسعه الگوریتم‌های کارآمدتر را سرعت ببخشد و فرصت‌های تازه‌ای برای محاسبات کوانتومی ایجاد کند.
طراحی‌های نوآورانه کلود ساختارهای پنهان مدارها را آشکار می‌کنند
کلود مایتوس ۵ نشان داد که می‌تواند طراحی مدارهای کوانتومی را به‌طور مستقل اصلاح کند و با شناسایی ساختارهای ریاضی زیربنایی، عملکردی بهتر از الگوریتم‌های منتشرشده ارائه دهد. این سیستم در هشت مؤلفه محاسباتی مختلف در حوزه‌های شیمی، بهینه‌سازی و نظریه اعداد، مدارهایی تولید کرد که به کیوبیت‌ها و گیت‌های کمتری از پیاده‌سازی‌های شناخته‌شده پیشین نیاز داشتند. این موفقیت از اصلاحات جزئی در طرح‌های موجود حاصل نشد، بلکه بر کشف روش‌های تازه مبتنی بر ویژگی‌های ذاتی هر مسئله تکیه داشت.
عملکرد چرخه‌بسته سیستم، شامل پیشنهاد طرح‌ها، دریافت ارزیابی و تکرار مستقل فرایند، نقشی اساسی در این روند داشت. ترکیب این فرایند با یک تابع هدف و برنامه ارزیاب خارجی که صحت مدارها را بررسی می‌کرد، به کلود امکان داد با حداقل دخالت انسان فعالیت کند.
در پی مجموعه‌ای از پیشرفت‌های الگوریتمی، تعداد تخمینی گیت‌های لازم برای شبیه‌سازی انرژی حالت پایه FeMoco به حدود ۳۴۰ میلیون کاهش یافته است؛ کاهشی تقریباً ۱۵۰ هزار برابری که انجام محاسبه را در چند ساعت روی یک ماشین آینده با حدود سه میلیون کیوبیت فیزیکی امکان‌پذیر می‌کند. کلود پیش‌تر توانایی چشمگیری در بهینه‌سازی الگوریتم‌های کلاسیک نشان داده بود؛ بنابراین پژوهشگران می‌خواستند بررسی کنند که آیا این مدل می‌تواند الگوریتم‌های کوانتومی را نیز به همین شکل بهبود دهد، مشروط بر آنکه تنها توضیحی به زبان ساده درباره محاسبه موردنیاز هر مدار در اختیارش قرار گیرد.
این سیستم فرصت‌هایی را شناسایی کرد تا مقادیر موقت را بتوان از وضعیت فعلی مدار بازسازی کرد و به این ترتیب، نیاز به ذخیره‌سازی پرهزینه را از میان برد و فرایند رمزگشایی را بیش از پیش ساده کرد. روش کلود برای مدیریت مقادیر موقت، نمونه‌ای از توانایی آن در کشف ساختارهای زیربنایی است. در حالت معمول، مدارها باید مقادیر موقت را ذخیره کنند تا بعداً بتوان آن‌ها را بازسازی کرد؛ کاری که به منابع قابل‌توجهی از کیوبیت‌ها نیاز دارد. اما کلود روشی ابداع کرد که با آن می‌توان بیشتر این اطلاعات را از وضعیت موجود مدار به دست آورد و عملاً از ذخیره‌سازی آن‌ها صرف‌نظر کرد.
این روش به راهبرد بهینه‌سازی به‌کاررفته در divsteps، یکی دیگر از مؤلفه‌های محاسباتی، شباهت دارد؛ جایی که سیستم با استفاده هوشمندانه از داده‌ها، راه‌هایی برای کاهش مصرف کیوبیت شناسایی کرد. با وجود عملکرد قوی کلود، پژوهشگران مشاهده کردند که این مدل در انتخاب طرح‌های اولیه گرایش دارد محتاطانه عمل کند. این توانایی می‌تواند در حوزه‌های دیگر پژوهش علمی، از علم مواد تا تولید کود، نیز سودمند باشد؛ حوزه‌هایی که در آن‌ها سامانه‌های پیچیده اغلب الگوهای تکرارشونده مشابهی دارند.
محدودیت‌های الگوریتم‌های برگشت‌پذیر، مسیر طراحی کوانتومی کلود را شکل می‌دهند
کلود در طراحی مدارهای کوانتومی به‌طور پیوسته کاهش تعداد کیوبیت‌های موردنیاز را در اولویت قرار داد، حتی اگر این انتخاب به افزایش اندک تعداد عملیات محاسباتی منجر می‌شد. این ترجیح هنگام حل مسائل رمزنگاری مبتنی بر منحنی‌های بیضوی و بهینه‌سازی کوانتومی نیز دیده شد و نشان داد که طرح‌های اولیه مدل بیشتر بر صرفه‌جویی در حافظه و منابع ذخیره‌سازی تکیه دارند تا دستیابی به بیشترین سرعت خام. چنین رویکردی با توجه به محدودیت‌های سخت‌افزارهای کوانتومی کنونی اهمیت ویژه‌ای دارد؛ سخت‌افزارهایی که تعداد کیوبیت‌های در دسترس آن‌ها همچنان در حد صدها تا چند هزار است.
موفقیت هوش مصنوعی در بهینه‌سازی، از توانایی آن در کنار آمدن با محدودیت‌های ویژه محاسبات کوانتومی ناشی می‌شود؛ محدودیت‌هایی که در برنامه‌نویسی سنتی وجود ندارند. برخلاف کدهای متعارف، رایانه‌های کوانتومی نمی‌توانند از منطق شرطی، یعنی انشعاب «اگر ـ آنگاه»، به همان شیوه معمول استفاده کنند، زیرا یک رایانه کوانتومی به‌طور هم‌زمان با برهم‌نهی همه ورودی‌های ممکن کار می‌کند. در نتیجه، هر عملیاتی که برای یکی از ورودی‌ها لازم باشد، باید برای سایر ورودی‌ها نیز در مدار گنجانده شود؛ امری که پیچیدگی مدار را به‌طور چشمگیری افزایش می‌دهد.
این روش یادآور راهبردهای بهینه‌سازی در محاسبات کلاسیک، به‌ویژه بهینه‌سازی divsteps است؛ یک مؤلفه محاسباتی که در آن کاهش فضای ذخیره‌سازی داده‌های میانی نیز اهمیت زیادی دارد. نمونه‌ای روشن از این بهینه‌سازی، بازطراحی مدار کوانتومی رمزگشایی رید ـ سالومون به‌دست کلود است؛ مرحله‌ای مهم در تصحیح خطا در رایانه‌های کوانتومی. کلود برای افزایش کارایی، الگوریتم اقلیدسی تعمیم‌یافته را با الگوریتم برلکمپ ـ مَسی جایگزین کرد. روش دوم مراحل محاسباتی را ساده‌تر می‌کند و با الزام مدارهای کوانتومی به اجرای دنباله‌ای ثابت از گیت‌ها سازگاری بیشتری دارد.
با این حال، استفاده از الگوریتم برلکمپ ـ مَسی چالش تازه‌ای در زمینه برگشت‌پذیری محاسبات کوانتومی ایجاد کرد. محاسبات کوانتومی باید برگشت‌پذیر باشند؛ یعنی بتوان ورودی را به‌طور کامل از خروجی بازسازی کرد. این ویژگی معمولاً مستلزم ذخیره‌سازی نتایج میانی است. این نمونه نشان می‌دهد که سیستم نه‌تنها می‌تواند الزامات الگوریتمی یک مسئله را برآورده کند، بلکه قادر است محدودیت‌های فیزیکی سخت‌افزار کوانتومی را نیز به‌صورت هوشمندانه مدیریت کند.
توانایی کلود در تسریع فرایند تکرارشونده طراحی مدارهای کوانتومی به‌ویژه قابل‌توجه است. یافته‌های تیم پژوهشی همچنین نشان می‌دهد که طرح‌های این مدل اغلب مرزهای عملکرد مدارهای کوانتومی را گسترش می‌دهند و ترکیب‌هایی از تعداد کیوبیت و زمان اجرا را فراهم می‌کنند که پیش‌تر دست‌یافتنی نبودند. هرچند کلود در طرح‌های اولیه رویکردی محتاطانه داشت و روش‌های تثبیت‌شده را ترجیح می‌داد، پژوهشگران معتقدند اصلاحات بیشتر می‌تواند ظرفیت آن را افزایش دهد. این تیم اکنون پیشنهاد کرده است عملکرد کلود روی طیف گسترده‌تری از مدارها ارزیابی شود و روش‌هایی برای تشویق مدل به انتخاب طرح‌های جسورانه‌تر مورد بررسی قرار گیرد.