آنتروپیک از طراحی هشت مدار کوانتومی بهینه با Claude Mythos 5 خبر داد؛ کاهش هزینه تا ۳۹ برابر

آنتروپیک در ۱۶ اکتبر ۲۰۲۶ نتایج آزمایشی را منتشر کرد که در آن مدل Claude Mythos 5 با تکیه بر توصیف‌های متنی ساده، طراحی هشت مدار کوانتومی پرکاربرد را بازطراحی کرده است. بر اساس مقاله منتشرشده در پایگاه arXiv، در شش مورد از این هشت مسئله، هزینه محاسباتی، که از حاصل‌ضرب تعداد کیوبیت‌ها در تعداد گیت‌های منطقی به دست می‌آید، بین ۴٫۱ تا ۳۹ برابر کاهش یافته است. در مسئله هشتم، یعنی محاسبه معکوس پیمانه‌ای در منحنی‌های بیضوی، مدل معماری‌ای ابداع کرده که پیش از این وجود نداشته است.

برای درک اهمیت این دستاورد، حتی برای کسانی که در حوزه فیزیک فعالیت نمی‌کنند، باید به چند نکته توجه کرد. یک رایانه کوانتومی کاربردی باید بتواند الگوریتم‌های طولانی را روی ماشین‌هایی اجرا کند که امروزه ظرفیت آن‌ها به چند صد یا چند هزار کیوبیت می‌رسد. کیوبیت‌ها، یا بیت‌های کوانتومی، بسیار脆弱 و مستعد خطا هستند. هر کیوبیتی که بتوان از مصرف آن صرف‌نظر کرد و هر گیت منطقی که بتوان حذف کرد، ما را به روزی نزدیک‌تر می‌کند که سخت‌افزار موجود برای اجرای محاسبات مفید کافی باشد. پژوهش آنتروپیک سخت‌افزار جدیدی نمی‌سازد؛ بلکه تعداد اجزایی را که باید ساخته شوند کاهش می‌دهد.

آنتروپیک با Claude Mythos 5 چه کرد؟

آنتروپیک توصیفی متنی از هشت مدار را در اختیار Claude Mythos 5 قرار داد. این مدارها به حوزه‌های شیمی، بهینه‌سازی، شبیه‌سازی فیزیک، نظریه اعداد و محاسبات عددی مربوط بودند. در کنار این توصیف‌ها، برنامه‌ای خودکار برای ارزیابی نیز ارائه شد که درستی عملکرد هر طراحی را بررسی می‌کرد و به آن امتیاز می‌داد. مدل یک طرح پیشنهادی ارائه می‌کرد، امتیاز و خطاهای آن را دریافت می‌کرد و نسخه بعدی را بهبود می‌داد. این چرخه بدون دخالت انسان میان مراحل تکرار می‌شد.

این پژوهش را اندی گو در قالب برنامه پژوهشگران حوزه علوم، فناوری، مهندسی و ریاضیات آنتروپیک هدایت کرد. آلک کمنی، فیزیک‌دان کوانتومی این شرکت، راهنمای پژوهش بود و سوزان یلین و میخائیل لوکین از دانشگاه هاروارد نیز در آن مشارکت داشتند. لوکین همچنین با شرکت QuEra Computing همکاری می‌کند؛ شرکتی مستقر در بوستون که رایانه‌های کوانتومی مبتنی بر اتم‌های خنثی می‌سازد. همکاری QuEra و آنتروپیک پیش‌تر نیز در ماه اوت خبرساز شده بود؛ زمانی که eWeek گزارش داد Claude روی بازیابی خودکار عملکرد لیزر کنترل‌کننده دستگاه‌های QuEra کار می‌کند.

نام این مدل هم در گزارش آنتروپیک و هم در مقاله arXiv دیده می‌شود. مقاله با عنوان «کشف مدارهای کوانتومی پیشرفته با استفاده از مدل‌های زبانی بزرگ» در ۱۵ اکتبر ثبت شده است. مدل مورد استفاده Claude Mythos 5 است؛ همان خانواده‌ای که پیش‌تر در Claude Security نیز مطرح شده بود. این مدل نسخه ۵.۱ نیست؛ نسخه‌ای که در سپتامبر، هم‌زمان با Fable 5.1، عرضه شد.

روش امتیازدهی ساده است. تعداد گیت‌های توفولی، که از پرهزینه‌ترین گیت‌های منطقی برای اجرا به شمار می‌روند و به‌عنوان معیاری برای زمان محاسبات در نظر گرفته می‌شوند، در بیشترین تعداد کیوبیت‌هایی که به‌طور هم‌زمان استفاده می‌شوند ضرب می‌شود. پژوهشگران این معیار را هزینه TQ می‌نامند. هر طرح پیشنهادی در قالب یک برنامه پایتون ارائه می‌شود، فرایند جست‌وجو با چارچوب تکاملی متن‌باز OpenEvolve انجام می‌گیرد و یک شبیه‌ساز کلاسیک درستی آن را بررسی می‌کند. این بررسی امکان‌پذیر است، زیرا هر یک از مدارهای مورد مطالعه برای هر ورودی، خروجی مشخصی تولید می‌کنند.

این هشت مدار چه هستند و میزان بهبود آن‌ها چقدر است؟

صفحه آنتروپیک هنوز نام همه مسائل را به‌صورت جداگانه فهرست نکرده است، اما جدول اصلی مقاله جزئیات آن‌ها را ارائه می‌دهد. میزان بهبود از تقسیم هزینه TQ در طراحی مرجع بر هزینه TQ در طراحی پیدا‌شده توسط مدل محاسبه شده است. این اعداد برآوردهای گزارش‌شده از سوی پژوهشگران هستند و حاصل اندازه‌گیری روی رایانه کوانتومی واقعی نیستند.

مسئله	حوزه	طرح مرجع (توفولی، کیوبیت)	طرح Claude (توفولی، کیوبیت)	میزان بهبود
رمزگشای رید–سولومون برای DQI	بهینه‌سازی	۵٫۱ میلیون، ۱٬۹۳۸	۴۴۰ هزار، ۱٬۸۳۷	۱۲ برابر
رمزگشای هرمیتی برای DQI	بهینه‌سازی	۱۰۰ میلیون، ۱۹۰ هزار (نسخه ساده‌انگارانه)	۹۳۰ هزار، ۲٬۳۹۵	در منابع علمی مقایسه مستقیمی وجود ندارد
زاویه چرخش HHL	محاسبات عددی	۱۶ هزار، ۳۰۰	۱٬۳۴۸، ۱۱۵	۳۲ برابر
پتانسیل کولنی	محاسبات عددی	۶٬۳۵۵، ۲۵۲	۱٬۱۴۰، ۱۴۲	۹٫۹ برابر
محاسبات گاوسی با ممیز ثابت	محاسبات عددی	۲۴ هزار، ۳۶۲	۱٬۵۸۳، ۱۳۹	۳۹ برابر
روش Alias-Select برای مولکول Fe2S2	شیمی	۵۵ هزار، ۱۳۹	۱۵ هزار، ۱۲۶	۴٫۱ برابر
شبیه‌سازی نظریه پیمانه‌ای شبکه‌ای غیرآبلی	شبیه‌سازی فیزیک	۱٫۳ میلیون، ۱٬۹۲۷	۱۷۰ هزار، ۱٬۸۵۹	۷٫۷ برابر
معکوس‌گیری پیمانه‌ای در میدان اول با کاربرد در جمع نقاط منحنی بیضوی	نظریه اعداد	چندین طرح، بدون یک مقدار مرجع مشخص	۴ میلیون، ۹۳۵	بسته به طرح مرجع متفاوت است

بنابراین، بهبودهای بسیار بزرگ، یعنی یک مرتبه بزرگی یا بیشتر، که آنتروپیک به آن‌ها اشاره می‌کند، عمدتاً در سه مسئله محاسبات عددی، یعنی HHL، پتانسیل کولنی و محاسبات گاوسی، و همچنین در رمزگشای رید–سولومون دیده می‌شوند. مقایسه در مورد رمزگشای هرمیتی چندان تعیین‌کننده نیست، زیرا پیش از این هیچ پیاده‌سازی برگشت‌پذیری برای آن در منابع علمی منتشر نشده بود. طرح مرجع را خود پژوهشگران به‌صورت ساده‌انگارانه نوشته‌اند. بر اساس مقاله، طرح جدید در مقایسه با این نسخه به ۱۱۰ برابر گیت توفولی کمتر نیاز دارد.

در گزارش آنتروپیک آمده است که مدل در تمام موارد تعداد کیوبیت‌ها و گیت‌ها را کاهش داده است. مقاله با دقت بیشتری به نتیجه می‌پردازد: در هفت مورد از هشت مسئله، هر دو مقدار کاهش یافته‌اند. در مورد هشتم، ساختار الگوریتم تغییر کرده است و میزان برتری به این بستگی دارد که کاهش تعداد کیوبیت‌ها مهم‌تر باشد یا کاهش تعداد گیت‌ها.

Claude چگونه هزینه جمع نقاط منحنی بیضوی را کاهش داد؟

Claude Mythos 5 با یافتن روشی تازه برای محاسبه معکوس پیمانه‌ای، هزینه جمع نقاط منحنی بیضوی را کاهش داد. معکوس‌گیری پیمانه‌ای، نوعی تقسیم در حساب پیمانه‌ای، پرهزینه‌ترین مرحله این محاسبه است. نوآوری مدل این بود که راهی برای انجام این محاسبه پیدا کرد که به ذخیره تاریخچه تصمیم‌های گرفته‌شده در هر تکرار نیاز نداشت. حاصل کار مجموعه‌ای از مدارهاست که از طرح‌های کم‌مصرف از نظر کیوبیت تا طرح‌های کم‌مصرف از نظر گیت را در بر می‌گیرد.

شرح مسئله اولیه تنها در یک پاراگراف ارائه شده بود. مدل به مدت ۵۳ ساعت روی آن کار کرد و دخالت انسان به متن اولیه و چند درخواست برای گسترش دامنه جست‌وجو محدود بود. نقطه شروع، روش کلاسیکی به نام divsteps بود؛ روشی کارآمد در رایانه‌های معمولی که تا آن زمان نمی‌شد آن را به همین شکل در قالب کوانتومی به کار برد. دلیل این محدودیت آن است که مدار کوانتومی نمی‌تواند رد تصمیم‌های گرفته‌شده را دور بیندازد، زیرا هر مرحله باید برگشت‌پذیر باشد. ذخیره این تاریخچه نیز به مصرف کیوبیت‌های بیشتری نیاز دارد.

ایده Claude این بود که تصمیم هر مرحله را از روی اعدادی که در ثبات‌های محاسباتی باقی می‌مانند، دوباره به دست آورد تا نیازی به ذخیره تاریخچه نباشد. تلاش‌های نخست در نمونه‌های کوچک موفق بودند، اما در اندازه ۲۵۶ بیت شکست خوردند. مدل سپس رویکرد خود را تغییر داد، مجموعه‌ای از همانی‌های جبری جدید درباره رفتار فرایند تکراری اثبات کرد، فرمول دقیق قاعده رمزگشایی را از آن‌ها استخراج کرد و نتیجه را با شبیه‌سازی‌های عددی در مقیاس بزرگ و نیز صورت‌بندی رسمی در Lean بررسی کرد. Lean زبانی برای اثبات‌های قابل راستی‌آزمایی ماشینی است؛ رویکردی مشابه آنچه در حل ده مسئله باز به کمک Astra به کار گرفته شده بود.

از آنجا که رمزگشایی زمان‌بر است، Claude بررسی کرد در چه شرایطی ذخیره اطلاعات از محاسبه مجدد آن‌ها به‌صرفه‌تر است. مدل با تغییر آستانه تصمیم‌گیری، طرح‌هایی با ویژگی‌های میانی نیز به دست آورد. در مقایسه با کوچک‌ترین طرح منتشرشده پیشین، متعلق به لوئو و همکارانش در ژوئیه ۲۰۲۶، یکی از مدارهای این مجموعه ۱۲ درصد کیوبیت بیشتری مصرف می‌کند؛ ۹۳۵ کیوبیت در برابر ۸۳۸ کیوبیت. در مقابل، تعداد گیت‌های توفولی آن ۱۷ برابر کمتر است: ۴ میلیون در برابر ۷۰ میلیون.

پارامترهای منحنی به‌کاررفته در آزمون، یعنی y² = x³ + 7 روی میدان اولی به اندازه ۲²⁵⁶ − ۲³² − ۹۷۷، با پارامترهای منحنی secp256k1 مطابقت دارند؛ همان منحنی‌ای که در امضاهای بیت‌کوین و اتریوم استفاده می‌شود. با این حال، نه آنتروپیک و نه مقاله به‌صراحت نام این منحنی را ذکر نکرده‌اند. طرح مرجع قبلی در مقاله لوئو و همکارانش منتشر شده بود.

این نتایج چه تغییری در بهینه‌سازی کوانتومی ایجاد می‌کنند؟

دستاورد دوم به DQI یا تداخل‌سنجی کوانتومی رمزگشایی‌شده مربوط است؛ روشی که یکی از گزینه‌های جدی برای دستیابی به برتری کوانتومی فراتر از رشد چندجمله‌ای در مسائل بهینه‌سازی به شمار می‌رود. چنین مسائلی می‌توانند شامل لجستیک، زمان‌بندی و طراحی مواد باشند. پرهزینه‌ترین مرحله DQI، رمزگشایی کد رید–سولومون است. Claude هزینه این مرحله را از نظر تعداد گیت‌ها حدود ۱۲ برابر کمتر از طرح پیشین گوگل کرده است.

مدل به‌سرعت تشخیص داد که الگوریتم اقلیدسی تعمیم‌یافته، که در طرح مرجع استفاده شده بود، برای پیاده‌سازی در مدار کوانتومی مناسب نیست؛ زیرا همه ورودی‌ها باید از یک توالی ثابت از گیت‌ها عبور کنند. در عوض، مدل به الگوریتم برلکمپ–مسی روی آورد که در هر دور، نوع مشابهی از عملیات را انجام می‌دهد و تعداد دورهای آن از پیش مشخص است. سپس بیشتر مقادیر موقت را به‌جای ذخیره‌سازی، از وضعیت فعلی محاسبه کرد. در ادامه، با استفاده از یک شبیه‌ساز پرسرعت و بررسی ۴۰۳ میلیون نمونه رمزگشایی، میزان حافظه واقعاً مورد نیاز را برآورد کرد.

در بدترین حالت، اگر یک مقدار استثنایی در ۳۵ دور متفاوت ظاهر شود، به ۶۶۵ کیوبیت اضافی نیاز خواهد بود. اما در تقریباً تمام اجراها تنها یک کیوبیت اضافی کافی است؛ به همین دلیل، مدار برای ۱۹ کیوبیت ظرفیت در نظر می‌گیرد. حدود یک اجرا از هر ۱۰ هزار اجرا با سرریز ظرفیت مواجه می‌شود و شکست می‌خورد؛ نرخی که در محدوده خطای مجاز این مسئله قرار دارد.

برآوردهای Google Quantum AI که آنتروپیک به آن‌ها استناد کرده، اهمیت این بهبود را روشن می‌کنند. حل یک مسئله OPI، یعنی تقاطع چندجمله‌ای بهینه، روی ابررایانه Frontier حدود سه ماه طول می‌کشد؛ در حالی که یک رایانه کوانتومی آینده با اجرای DQI می‌تواند آن را در حدود یک ساعت انجام دهد. بخش عمده همین یک ساعت نیز صرف رمزگشایی خواهد شد.

چرا یک مدل زبانی می‌تواند از پس این کار برآید؟

آنتروپیک سه دلیل اصلی برای موفقیت این روش مطرح می‌کند. نخست، مدارها با کد توصیف می‌شوند؛ بنابراین Claude می‌تواند مانند یک برنامه معمولی آن‌ها را بنویسد و اجرا کند. دوم، یک برنامه کلاسیک می‌تواند رفتار درست مدار را برای تک‌تک ورودی‌ها بررسی کند. سوم، نتیجه ارزیابی به شکل یک عدد ارائه می‌شود و مدل هدف مشخصی برای بهبود در هر چرخه دارد. اگر هر یک از این سه مؤلفه وجود نداشته باشد، این روش قابل استفاده نخواهد بود.

مقاله همچنین سه اصل مشترک در مدارهای کشف‌شده را توضیح می‌دهد. اصل نخست، جایگزین کردن محاسبات شرطی با مسیریابی شرطی داده‌هاست؛ یعنی مقادیر ورودی جابه‌جا می‌شوند و به‌جای ساخت یک بلوک جداگانه برای هر شاخه، از یک بلوک مشترک استفاده می‌شود. اصل دوم، پرهیز از ذخیره تاریخچه تصمیم‌ها و بازسازی آن از وضعیت فعلی است. اصل سوم، استفاده از حاشیه خطای مجاز برای حذف اجزایی است که فقط در ورودی‌های بسیار نادر کاربرد دارند. در مسئله مولکول Fe₂S₂، یک خوشه آهن–گوگرد، مدل متوجه شد که تقارن‌ها و ساختارهای تکرارشونده امکان محاسبه برخی نتایج در یک مرحله و استفاده مجدد از آن‌ها را فراهم می‌کنند.

پژوهشگران در عین حال به یکی از ضعف‌های مدل اشاره می‌کنند. Claude در آزمایش‌های اولیه بیش از حد محتاط بود، بارها نتایجی را که از پیش معتبر بودند دوباره بررسی می‌کرد و به روش‌های شناخته‌شده گرایش داشت. برای اصلاح این رفتار، پژوهشگران چند راهبرد با تفاوت‌های اساسی را به‌طور موازی به مدل تحمیل کردند و گاهی نیز از آن خواستند دامنه جست‌وجو را گسترش دهد.

برای سنجش اهمیت این پیشرفت، مقایسه با روند پیشرفت پژوهش‌های قبلی همچنان معیار مهمی است. برآورد تعداد گیت‌های توفولی لازم برای شبیه‌سازی مولکول FeMoco از حدود ۵۰ تریلیون در سال ۲۰۱۷ به حدود ۳۴۰ میلیون کاهش یافته است؛ بهبودی نزدیک به ۱۵۰ هزار برابر که حاصل هشت سال کار گروه‌های پژوهشی متعدد است. در مقابل، طراحی مدار منحنی بیضوی در یک جلسه ۵۳ ساعته به دست آمد.

محدودیت‌هایی که باید در نظر گرفت

• هیچ‌یک از مدارها روی رایانه کوانتومی اجرا نشده‌اند. هزینه‌ها بر اساس تعداد گیت‌ها و کیوبیت‌ها محاسبه و با شبیه‌سازهای کلاسیک بررسی شده‌اند. بنابراین، این اعداد منابع مورد نیاز را نشان می‌دهند، نه رفتار یک دستگاه واقعی در حضور خطاهای فیزیکی.
• مقاله در ۱۵ اکتبر در arXiv ثبت شده و پژوهشگرانی از آنتروپیک، هاروارد و QuEra در نگارش آن مشارکت داشته‌اند. این مقاله هنوز داوری علمی نشده است و هیچ گروه مستقلی نیز تاکنون مدارها را از نو پیاده‌سازی نکرده است.
• اعداد مرجع برای مقایسه میزان بهبود، همیشه از نتایج منتشرشده پیشین گرفته نشده‌اند. در مسائل محاسبات عددی، پژوهشگران طرح مرجع را بازسازی و پارامترهای آزاد آن را برای کمینه کردن هزینه تنظیم کردند. در مورد رمزگشای هرمیتی، مقایسه با نسخه‌ای ساده‌انگارانه انجام شده است. برای منحنی بیضوی نیز یک طرح مرجع واحد وجود ندارد. مدار مبتنی بر روش divsteps هزینه TQ معادل ۳٫۷ میلیارد دارد، در حالی که این مقدار برای طرح شروتنلوهر برابر با ۲٫۷ میلیارد است. طرح divsteps به کیوبیت‌های کمتری نیاز دارد، اما تعداد گیت‌های آن بیشتر است؛ بنابراین، انتخاب گزینه بهتر به این بستگی دارد که کاهش کدام منبع اولویت داشته باشد.
• این روش تنها زمانی کاربرد دارد که بتوان عملکرد درست مدار را با یک برنامه کلاسیک بررسی کرد و هزینه آن را به یک عدد تبدیل کرد. نویسندگان تأکید می‌کنند که بسیاری از اجزای دیگر رایانه کوانتومی، از جمله کدهای تصحیح خطا، رمزگشاها و سامانه‌های کنترل سخت‌افزار، همچنان بهینه‌سازی نشده‌اند و مدارها تنها یکی از اجزای این ماشین‌ها هستند.

پرسش‌های متداول

۱. آیا این مدارها حمله کوانتومی به بیت‌کوین و اتریوم را نزدیک‌تر می‌کنند؟

این دستاورد هزینه یکی از اجزای محاسبات را کاهش می‌دهد، اما سخت‌افزار در دسترس را تغییر نمی‌دهد. جمع نقاط منحنی بیضوی مرحله‌ای است که در الگوریتم‌های کوانتومی محاسبه لگاریتم گسسته بارها تکرار می‌شود؛ مسئله‌ای که امنیت امضاهای بیت‌کوین و اتریوم بر آن استوار است. مدار Claude هزینه این مرحله را کاهش می‌دهد، اما هنوز ماشینی با تعداد کافی کیوبیت تصحیح‌شده از نظر خطا در دسترس نیست. آنتروپیک می‌نویسد که رایانه‌های کوانتومی ساخته‌شده تاکنون از چند صد تا چند هزار کیوبیت داشته‌اند. درباره تعداد کیوبیت‌های لازم برای شکستن امنیت بیت‌کوین نیز برآوردهای IonQ، شامل ۲۰ هزار کیوبیت و ۲۶ روز زمان، و نگرانی‌های جاستین دریک درباره کیف پول‌ها مطرح شده‌اند؛ جزئیات آن‌ها در گزارش‌های IonQ درباره شکستن بیت‌کوین و دیدگاه جاستین دریک درباره کیف پول‌ها آمده است.

۲. تفاوت گیت‌های توفولی و کیوبیت‌ها به‌عنوان معیار چیست؟

گیت‌های توفولی معیاری برای زمان محاسبات‌اند و کیوبیت‌ها میزان فضای مورد نیاز را نشان می‌دهند. گیت‌های توفولی از عملیاتی هستند که در رایانه کوانتومی مقاوم در برابر خطا بیشترین منابع را مصرف می‌کنند. کیوبیت‌ها نیز تعداد بیت‌های کوانتومی منطقی مورد نیاز در اوج استفاده را مشخص می‌کنند. کاهش یکی از این دو معمولاً باعث افزایش دیگری می‌شود. شاخص TQ در مقاله حاصل‌ضرب این دو را برای مقایسه طرح‌ها به کار می‌گیرد، اما نویسندگان تصریح می‌کنند که وزن مناسب هر معیار به نوع سخت‌افزار بستگی دارد.

۳. FeMoco چیست و چرا آنتروپیک به آن اشاره می‌کند؟

FeMoco خوشه‌ای آهن–گوگرد در بخش مرکزی آنزیم نیتروژناز است؛ آنزیمی که باکتری‌ها برای تبدیل نیتروژن جو به آمونیاک از آن استفاده می‌کنند. درک عملکرد این خوشه می‌تواند به طراحی کاتالیزگرهای صنعتی بهتر، برای مثال در تولید کود، کمک کند. محاسبه انرژی حالت پایه آن یکی از مسائل معیار و دیرینه در پژوهش رایانه‌های کوانتومی است. آنتروپیک از این مسئله برای نشان دادن سرعت بهبود مدارها استفاده می‌کند. برآورد جدید هزینه محاسبات را به حدود ۳۴۰ میلیون گیت توفولی رسانده است؛ مقداری که معادل چند ساعت محاسبه روی یک دستگاه آینده با حدود سه میلیون کیوبیت فیزیکی خواهد بود.

۴. این دستاورد چه ارتباطی با پیشرفت سخت‌افزار دارد؟

این بهبود نرم‌افزاری است که روی سخت‌افزار اجرا می‌شود و باید در کنار پیشرفت‌های سخت‌افزاری ارزیابی شود. برای نمونه، تراشه Nighthawk r2 شرکت IBM زمان بازنشانی کیوبیت‌ها را کاهش می‌دهد، در حالی که مدارهای Claude تعداد کیوبیت‌ها و گیت‌های مورد نیاز الگوریتم را کم می‌کنند. پیشرفت در این دو حوزه مکمل یکدیگر است، اما هیچ‌کدام به‌تنهایی برای ساخت یک رایانه کوانتومی کاربردی کافی نیست.

جمع‌بندی

پس از گزارش هشت کشف علمی با کمک هوش مصنوعی و استفاده سامسونگ از Claude Code برای راستی‌آزمایی طراحی تراشه‌ها، طراحی مدار نیز به فهرست حوزه‌هایی اضافه شده است که در آن‌ها یک مدل مجهز به ارزیاب خودکار می‌تواند ساختارهای تازه‌ای پیدا کند، نه اینکه صرفاً طرح‌های موجود را اندکی بهبود دهد. ارزش این روش در ترکیب کدنویسی، راستی‌آزمایی و امتیازدهی است. در عین حال، محدودیت آن نیز روشن است: نتیجه باید با یک برنامه کلاسیک قابل بررسی باشد. این دستاورد فعلاً در حد دستورالعملی آزمایشگاهی است، نه محصولی آماده تولید انبوه. اعتبار نهایی آن به تلاش گروه‌های مستقلی بستگی دارد که مدارها را بازسازی می‌کنند و آن‌ها را با معیارهایی فراتر از هزینه TQ می‌سنجند.