مدل Claude Mythos 5 از آنتروپیک تعداد گیت‌های مدار کوانتومی را ۱۷ برابر کاهش داد

نویسنده: بنا الیاس | ویرایش: عمار رضا | ۱۷ اکتبر ۲۰۲۶، ساعت ۱۶:۱۵

مدل Claude Mythos 5 شرکت آنتروپیک مدارهای کوانتومی‌ای طراحی کرده است که تعداد گیت‌های موردنیاز برای انجام چندین نوع محاسبه را به میزان قابل‌توجهی کاهش می‌دهند. این پژوهش که با همکاری محققان دانشگاه هاروارد و شرکت QuEra Computing انجام شده، نشان می‌دهد بهینه‌سازی الگوریتم‌ها با کمک هوش مصنوعی می‌تواند بازدهی رایانش کوانتومی را افزایش دهد و در عین حال، به برخی محدودیت‌های سخت‌افزاری پایدار این حوزه بپردازد.

نکات مهم

• مدل Claude Mythos 5 مداری کوانتومی برای محاسبات مبتنی بر منحنی بیضوی طراحی کرد که در مقایسه با طراحی‌های قبلی، به ۱۷ برابر گیت کمتر نیاز دارد.
• این مدل با بهینه‌سازی خودکار، تعداد گیت‌های موردنیاز در یک مدار رمزگشایی Reed–Solomon را حدود ۱۲ برابر کاهش داد.
• نتایج آنتروپیک پیشرفت در سطح الگوریتم‌ها را برجسته می‌کنند، اما محدودیت‌های سخت‌افزار کوانتومی و نیاز به اصلاح خطا همچنان از موانع مهم این فناوری هستند.

مدل Claude Mythos 5 شرکت آنتروپیک مداری کوانتومی طراحی کرده است که تعداد گیت‌های آن در مقایسه با یک طراحی پیشین، ۱۷ برابر کمتر است. این دستاورد نشان می‌دهد هوش مصنوعی می‌تواند با بهبود الگوریتم‌ها، نه صرفاً با تکیه بر پیشرفت سخت‌افزار، به کاهش هزینه‌های رایانش کوانتومی کمک کند.

این آزمایش با هدایت پژوهشگر آندی گو، در چارچوب برنامه پژوهشگران STEM شرکت آنتروپیک و با همکاری محققانی از دانشگاه هاروارد و شرکت QuEra Computing انجام شد. در این پروژه، عملکرد مدل در هشت آزمایش طراحی مدار بررسی شد که حوزه‌هایی مانند شیمی، شبیه‌سازی فیزیکی، بهینه‌سازی، نظریه اعداد و محاسبات عددی را در بر می‌گرفتند.

Claude Mythos 5 کارایی مدارهای کوانتومی را افزایش می‌دهد

رایانه‌های کوانتومی محاسبات را با استفاده از کیوبیت‌ها و عملیاتی موسوم به گیت‌های کوانتومی انجام می‌دهند. برخلاف بیت‌های کلاسیک که در هر لحظه یکی از دو حالت صفر یا یک را دارند، کیوبیت‌ها می‌توانند در برهم‌نهی کوانتومی ترکیبی از این حالت‌ها را داشته باشند. این ویژگی به رایانه‌های کوانتومی امکان می‌دهد برخی مسائل علمی را حل کنند که حل آن‌ها با رایانه‌های متعارف بسیار دشوار یا عملاً ناممکن است.

با این حال، سخت‌افزارهای کوانتومی فعلی همچنان با محدودیت تعداد کیوبیت‌ها و نویز محیطی روبه‌رو هستند. نوسان‌های کوچک می‌توانند خطا ایجاد کنند و هرچه مدت محاسبات طولانی‌تر شود، مدیریت آن‌ها دشوارتر خواهد شد. ازاین‌رو، طراحی مدارهایی که به عملیات و حافظه کمتری نیاز دارند، اهمیت زیادی دارد. توسعه الگوریتم‌ها یکی از گام‌های اساسی برای بهبود عملکرد رایانش کوانتومی است.

آنتروپیک شرح هشت وظیفه محاسباتی را به زبان طبیعی در اختیار Claude قرار داد و سامانه‌ای خودکار نیز برای ارزیابی نتایج آن فراهم کرد. مدل بدون دخالت انسان در طول چرخه‌های اجرا، مدارها را طراحی می‌کرد، نتایج آن‌ها را می‌سنجید و راه‌حل‌های خود را بهبود می‌داد. به گفته این شرکت، برخی نتایج با اختلافی معادل یک مرتبه بزرگی از بهترین راه‌حل‌های شناخته‌شده پیشی گرفتند.

Claude نیاز حافظه در مدارهای کوانتومی را کاهش می‌دهد

یکی از نتایج مهم این پژوهش به معکوس‌سازی پیمانه‌ای مربوط می‌شود؛ عملیاتی ریاضی که در محاسبات مبتنی بر منحنی بیضوی کاربرد دارد. این عملیات در الگوریتم‌های کوانتومی مرتبط با مسئله لگاریتم گسسته روی منحنی بیضوی اهمیت دارد. این مسئله برای ارزیابی امنیت رمزنگاری مبتنی بر منحنی بیضوی در برابر رایانه‌های کوانتومی به‌اندازه کافی قدرتمند نیز مطرح است.

Claude یک الگوریتم حسابی برگشت‌پذیر بر پایه روش divsteps توسعه داد. در این روش، مقادیر عددی با استفاده از مجموعه‌ای از عملیات شرطی متوالی ساده‌تر می‌شوند. تبدیل این فرایند به مدار کوانتومی، چالشی در زمینه حافظه ایجاد می‌کند؛ زیرا محاسبات برگشت‌پذیر باید اطلاعاتی را نگه دارند که امکان بازسازی مراحل پیشین را فراهم کند، به‌جای آنکه نتایج موقت غیرضروری را دور بریزند.

مدل روشی پیدا کرد که با استفاده از مقادیر عددی میانی، انتخاب‌های شاخه‌ای پیشین را بازیابی می‌کند. این روش بر پایه شناسایی روابط همانی ریاضی شکل گرفت، با شبیه‌سازی عددی آزمایش شد و درستی آن با استفاده از دستیار اثبات Lean به اثبات رسید. در نتیجه، مدار دیگر مجبور نیست تاریخچه کامل انتخاب‌های انجام‌شده را در حافظه ذخیره کند.

کاهش ۱۷ برابری تعداد گیت‌های مدار کوانتومی با Claude Mythos 5

مدار بهینه‌شده برای محاسبات منحنی بیضوی، در مقایسه با کوچک‌ترین طراحی پیشین، حدود ۱۷ برابر گیت کمتر مصرف می‌کند؛ هرچند تعداد کیوبیت‌های موردنیاز آن ۱۲ درصد بیشتر است. این نتیجه یک چالش مهم مهندسی را نشان می‌دهد: کاهش تعداد عملیات ممکن است نیاز به حافظه را افزایش دهد. بنابراین، هنگام طراحی مدار باید هر دو منبع محاسباتی در نظر گرفته شوند.

شرکت آنتروپیک از بهبودهای دیگری نیز خبر داد. یکی از روش‌های بهینه‌سازی، تعداد گیت‌های موردنیاز در مدار رمزگشایی Reed–Solomon را که در الگوریتم بهینه‌سازی کوانتومی DQI استفاده می‌شود، حدود ۱۲ برابر کاهش داد. این نتایج نشان می‌دهند طراحی به کمک هوش مصنوعی می‌تواند در مسائل ریاضی و علمی گوناگون، راه‌هایی برای کاهش منابع محاسباتی پیدا کند؛ بااین‌حال، هر طراحی باید به‌طور جداگانه ارزیابی شود.

این دستاوردها به این معنا نیستند که رایانه‌های کوانتومی موجود هم‌اکنون قادرند هر محاسبه موردنیازی را انجام دهند. محدودیت‌های سخت‌افزاری، اصلاح خطا و پایداری عملکرد همچنان از مشکلات جدی این حوزه هستند. نتیجه مربوط به منحنی بیضوی برای متخصصان رمزنگاری اهمیت دارد، اما ثابت نمی‌کند که دستگاه‌های امروزی قادر به شکستن سامانه‌های رمزنگاری پرکاربرد هستند.

هوش مصنوعی می‌تواند روند پیشرفت رایانش کوانتومی را سرعت ببخشد

این پژوهش بر سال‌ها پیشرفت در کاهش منابع محاسباتی برآوردشده برای شبیه‌سازی‌های کوانتومی دشوار تکیه دارد. طبق توضیحات شرکت آنتروپیک، در سال ۲۰۱۷ برآورد شده بود که محاسبه انرژی حالت پایه FeMoco، خوشه‌ای آهن‌ـ‌گوگرد مرتبط با تثبیت زیستی نیتروژن، به ۵۰ تریلیون گیت توفولی نیاز داشته باشد.

نوآوری‌های الگوریتمی این تعداد را به ۳۴۰ میلیون گیت کاهش دادند؛ رقمی که بیش از ۱۵۰ هزار برابر کمتر از برآورد اولیه است. بهینه‌سازی خودکار مدارها می‌تواند این تعداد را باز هم پایین‌تر بیاورد، هرچند نتایج واقعی در آینده به پیشرفت سخت‌افزار و عوامل دیگر بستگی خواهند داشت.