کشف مدارهای کوانتومی با کمک مدل‌های زبانی بزرگ؛ همکاری هاروارد، آنتروپیک و کوئرا هزینه منابع را تا ۹۱۰۰ برابر کاهش داد
در پژوهشی که در پایگاه arXiv منتشر شده است، دانشمندان دانشگاه هاروارد، شرکت آنتروپیک و شرکت کوئرا کامپیوتینگ چارچوبی مبتنی بر هوش مصنوعی تکاملی معرفی کرده‌اند که در آن مدل‌های زبانی بزرگ (LLM) به‌طور خودکار مدارهای کوانتومی مقاوم در برابر خطا را کشف، کدنویسی و بهینه‌سازی می‌کنند.
نویسندگان در مقاله‌ای با عنوان «کشف مدارهای کوانتومی پیشرفته با استفاده از مدل‌های زبانی بزرگ» نشان می‌دهند که ترکیب پیشنهادهای کدنویسی تولیدشده به‌وسیله مدل‌های زبانی بزرگ با یک ارزیاب کلاسیک مستقل، هزینه منابع فضاـزمان، موسوم به هزینه T×Q، را در عملیات محاسباتی پایه بین ۴٫۱ برابر تا بیش از ۹۱۰۰ برابر در مقایسه با روش‌های طراحی‌شده به‌صورت دستی کاهش می‌دهد.
| میزان بهبود مصرف منابع در هشت زیروظیفه کامپایل | |||
|---|---|---|---|
| زیروظیفه کامپایل یا مسئله | روش پایه (T، Q) | روش کشف‌شده (T، Q) | میزان بهبود هزینه TQ |
| رمزگشای DQI رید–سولومون | (5.1 × 106، 1,938) | (4.4 × 105، 1,837) | کاهش ۱۲ برابری |
| رمزگشای DQI هرمیتی | (1.0 × 108، 1.9 × 105) | (9.3 × 105، 2,395) | کاهش بیش از ۹۱۰۰ برابری |
| زاویه چرخش HHL (arcsin) | (1.6 × 104، 300) | (1,348، 115) | کاهش ۳۲ برابری |
| پتانسیل کولنی (1/√||x||²) | (6,355، 252) | (1,140، 142) | کاهش ۹٫۹ برابری |
| تابع گاوسی با ممیز ثابت (e−x²) | (2.4 × 104، 362) | (1,583، 139) | کاهش ۳۹ برابری |
| روش Alias–Select برای Fe2S2 (شیمی) | (5.5 × 104، 139) | (1.5 × 104، 126) | کاهش ۴٫۱ برابری |
| شبیه‌سازی نظریه پیمانه‌ای شبکه‌ای غیرآبلی | (1.3 × 106، 1,927) | (1.7 × 105، 1,859) | کاهش ۷٫۷ برابری |
| وارون‌سازی پیمانه‌ای در میدان اول | (1.9 × 106، 1,446) | (4.0 × 106، 935) | معماری جدید Divsteps |
چارچوب تکاملی مدل‌های زبانی بزرگ و اصول طراحی برگشت‌پذیر
برخلاف بهینه‌سازهای خودکار سنتی مدار که تغییرات موضعی را در سطح گیت‌ها و روی گراف‌های مدار از پیش تعیین‌شده اعمال می‌کنند، چارچوب مشترک هاروارد، آنتروپیک و کوئرا به یک مدل زبانی بزرگ، یعنی کلود (Claude)، اجازه می‌دهد برنامه‌های کامل پایتون را در خانواده‌های الگوریتمی مختلف پیشنهاد کند. سپس یک ارزیاب کلاسیک، مدارهای پیشنهادی را با استفاده از مدل kickmix آزمایش می‌کند. این مدل مسیرهای پایه را شبیه‌سازی می‌کند و انتشار فاز را ردیابی می‌کند تا درستی دقیق مدار تأیید شود. پس از آن، هر طرح بر اساس هزینه TQ امتیاز می‌گیرد؛ معیاری که از حاصل‌ضرب تعداد گیت‌های تافولی (T) در بیشینه تعداد کیوبیت‌های موردنیاز (Q) به دست می‌آید.
فرایند جست‌وجوی تکاملی بارها به سه اصل اساسی در طراحی مشترک الگوریتم و مدار رسید:
- استفاده از مسیریابی شرطی به‌جای محاسبات حسابی شرطی: به‌جای ایجاد بلوک‌های محاسبات حسابی شرطی جداگانه و پرهزینه برای هر شاخه اجرایی، می‌توان از گیت‌های سواپ کنترل‌شده و کم‌هزینه استفاده کرد تا داده‌های منتخب از یک بلوک محاسباتی مشترک و بدون شرط عبور کنند.
- رمزگشایی شاخه‌ها از وضعیت در حال تحول محاسبات حسابی: با استخراج مستقیم انتخاب‌های میانی شاخه‌ها از ناورداهای ریاضی موجود در ثبات‌های محاسباتی به‌روزشده، هنگام اجرای مرحله محاسبه‌زدایی، می‌توان از ذخیره‌سازی حجم عظیمی از تاریخچه در پشته‌های کیوبیتی جلوگیری کرد.
- تخصیص محدود منابع بر اساس بودجه خطا: فضای پشته تاریخچه و حدود حلقه‌ها به‌جای در نظر گرفتن بدترین حالت ممکن، متناسب با ورودی‌های معمول تعیین می‌شود. این رویکرد با پذیرش نرخ خطای کنترل‌شده‌ای در حدود ε ≈ ۱۰−4، امکان صرفه‌جویی در صدها کیوبیت کمکی را فراهم می‌کند.
دستاوردهای کلیدی و معماری وارون‌سازی پیمانه‌ای
در هشتمین وظیفه، یعنی وارون‌سازی پیمانه‌ای در میدان اول که در رمزنگاری و نظریه اعداد کاربرد دارد، این چارچوب معماری برگشت‌پذیر تازه‌ای برای الگوریتم Divsteps کشف کرد. این الگوریتم کلاسیک، وارون‌سازی پیمانه‌ای را در زمان ثابت انجام می‌دهد، اما پیش‌تر به‌دلیل سربار ذخیره‌سازی تاریخچه، برای محاسبات کوانتومی نامناسب تلقی می‌شد. مدار جدید با استخراج یک ناوردای ریاضی مبتنی بر توان‌های عدد ۲، توانست ۸۷٫۶ درصد از تصمیم‌های مبهم مربوط به انتخاب شاخه را مستقیماً از ثبات‌های به‌روزشده رمزگشایی کند. در نتیجه، تنها ۱۲٫۴ درصد از این تصمیم‌ها در پشته‌ای کوچک با ظرفیت ۶۰ کیوبیت ذخیره می‌شوند. این معماری همچنین مجموعه‌ای پیوسته از مصالحه‌های ممکن میان تعداد گیت‌های تافولی و تعداد کیوبیت‌های موردنیاز ایجاد می‌کند.
در رمزگشای کد هرمیتی DQI که به کاهش هزینه‌ای بیش از ۹۱۰۰ برابری انجامید، هوش مصنوعی ذخیره‌سازی مستقیم ماتریس فضای پوچ را با یک رابطه بازگشتی لانچز در محل و یک پیمایش نواری فاز جایگزین کرد. این تغییر، بیشینه تعداد کیوبیت‌های موردنیاز را از ۱۹۰ هزار به ۲۳۹۵ و تعداد گیت‌های تافولی را از ۱۰۰ میلیون به ۹۳۰ هزار کاهش داد. در حوزه توابع عددی نیز، از جمله محاسبه زاویه HHL، پتانسیل کولنی و توابع پایه گاوسی، هوش مصنوعی ضرب‌های گسترده با ممیز ثابت را با جدول‌های جست‌وجوی هم‌تراز با توان‌های دو و به‌روزرسانی مستقیم انباره‌ها جایگزین کرد. این تغییرات هزینه TQ را بین ۹٫۹ تا ۳۹ برابر کاهش دادند.
نوشته یووال بوگر را در لینکدین از اینجا بخوانید و متن فنی پژوهش را در arXiv از اینجا بررسی کنید.