کلودِ انتروپیک با بازخورد خودکار، مدارهای کوانتومی کارآمدتری طراحی می‌کند
خلاصه گزارش
- پژوهشگران انتروپیک و دانشگاه هاروارد، مدل کلود را با یک سامانه ارزیابی خودکار ترکیب کردند تا برای هشت مسئله محاسباتی، مدارهای کوانتومی کارآمدتری طراحی کنند.
- این سامانه در هفت مسئله، تعداد عملیات گیت و نیاز به کیوبیت را کاهش داد و در مسئله هشتم، روشی تازه برای محاسبات حسابی ارائه کرد. نتایج با محاسبات کلاسیک بررسی شدند، نه با اجرای آزمایش روی سخت‌افزار کوانتومی.
- پژوهشگران کلود را به بررسی راهکارهای متنوع‌تر هدایت کردند؛ بااین‌حال، مزایای عملی این روش همچنان به نیازمندی‌های سخت‌افزاری، تصحیح خطا و فرض‌های مربوط به نرخ شکست قابل‌قبول وابسته است.
پژوهشگران انتروپیک و دانشگاه هاروارد از کلود برای طراحی مدارهای کوانتومی کارآمدتر استفاده کردند. این پژوهش نشان می‌دهد که ترکیب مدل‌های هوش مصنوعی با آزمون‌های خودکار می‌تواند به توسعه الگوریتم‌هایی منجر شود که محدودیت‌های فنی سخت‌گیرانه‌ای دارند.
این سامانه در هشت مسئله، هفت طرح ارائه کرد که در مقایسه با روش‌های مبنای پژوهش، هم تعداد عملیات پرهزینه کوانتومی و هم تعداد کیوبیت‌های موردنیاز را کاهش می‌دادند. نتیجه مسئله هشتم نیز روشی تازه برای محاسبات حسابی بود که توازن بهتری میان زمان محاسبه و میزان حافظه موردنیاز برقرار می‌کرد.
نتایج به طراحی مدارهایی مربوط می‌شوند که درستی عملکردشان با محاسبات کلاسیک بررسی شده است؛ این مدارها روی سخت‌افزار کوانتومی آزمایش نشده‌اند. اهمیت گسترده‌تر این دستاورد برای جامعه هوش مصنوعی، نمایش یک فرایند پژوهشی است که در آن مدل زبانی راهکار پیشنهاد می‌دهد، بازخوردی قابل‌اندازه‌گیری دریافت می‌کند و بر اساس آن، رویکرد خود را اصلاح می‌کند.
این پژوهش با مشارکت محققانی از دانشگاه هاروارد، انتروپیک و شرکت QuEra Computing انجام شد. در مقاله پژوهشی و نوشته همراه آن در وبلاگ انتروپیک به این مطالعه پرداخته شده است. طبق توضیحات انتروپیک، مدل مورد استفاده Claude Mythos 5 بوده است.
جست‌وجویی هدایت‌شده با آزمون‌ها
هر مرحله از جست‌وجو با یک مشخصات مکتوب و برنامه‌ای خالی آغاز می‌شد. کلود چند رویکرد الگوریتمی متفاوت پیشنهاد می‌کرد، آن‌ها را به‌صورت موازی توسعه می‌داد و ایده‌های امیدوارکننده را میان رویکردهای مختلف به اشتراک می‌گذاشت.
یک سامانه ارزیابی مستقل، مدارهای پیشنهادی را بررسی می‌کرد و به آن‌ها بر اساس حاصل‌ضرب تعداد گیت‌های تافولی در بیشینه تعداد کیوبیت‌های مورد استفاده امتیاز می‌داد. گیت تافولی نوعی عملیات محاسباتی است که در بسیاری از طرح‌های پیشنهادی برای رایانه‌های کوانتومیِ دارای تصحیح خطا، هزینه بالایی دارد.
پژوهشگران مدارهایی را انتخاب کردند که رفتارشان را می‌شد به‌سرعت روی رایانه‌های متعارف آزمایش کرد. به این ترتیب، سامانه بازخورد دریافت می‌کرد، بی‌آنکه نیازی به پردازنده کوانتومی باشد.
این مسئله فراتر از بهینه‌سازی معمول کد بود. روال‌های کوانتومی باید اطلاعات لازم برای معکوس‌کردن محاسبات را حفظ کنند. بنابراین، نمی‌توان نتایج موقت را به‌سادگی بازنویسی کرد؛ پاک‌کردن این اطلاعات نیز به عملیات اضافی نیاز دارد.
کلود بارها راه‌هایی پیدا کرد تا اطلاعات قبلی را از وضعیت فعلی محاسبه بازسازی کند و در نتیجه، نیاز به ذخیره‌سازی را کاهش دهد. همچنین، ترتیب عملیات را تغییر داد تا مسیرهای محاسباتی مختلف بتوانند از محاسبات حسابی مشترک استفاده کنند.
بر اساس مقاله، یکی از روال‌های بازطراحی‌شده برای رمزگشایی به حدود ۴۴۰ هزار گیت تافولی نیاز داشت؛ این رقم در روش مبنا ۵٫۱ میلیون گیت بود. در همین حال، بیشینه تعداد کیوبیت‌های موردنیاز از ۱۹۳۸ به ۱۸۳۷ کاهش یافت.
نتیجه دیگر به وارون‌سازی پیمانه‌ای مربوط می‌شد؛ عملیاتی حسابی که در محاسبات مبتنی بر منحنی‌های بیضوی کاربرد دارد. کلود نسخه‌ای برگشت‌پذیر از یک روش کلاسیک موجود توسعه داد و راهی یافت تا تصمیم‌های محاسباتی قبلی را بدون ذخیره‌کردن تمام سابقه آن‌ها بازیابی کند.
طبق نوشته انتروپیک، کار مربوط به منحنی‌های بیضوی ۵۳ ساعت طول کشید. دخالت انسان به ارائه دستورهای اولیه و طرح گاه‌به‌گاه درخواست‌هایی برای گسترش دامنه جست‌وجو محدود بود.
راهنمایی انسان همچنان اهمیت داشت
احتیاط کلود گاهی دامنه جست‌وجوی آن را محدود می‌کرد. به گفته انتروپیک، این مدل اغلب رویکردهای آشنا را ترجیح می‌داد و بارها به بررسی بهبودهایی برمی‌گشت که پشتوانه کافی برای آن‌ها وجود داشت.
پژوهشگران برای مقابله با این محدودیت، از مدل خواستند چند رویکرد متمایز را بررسی کند و در برخی مراحل نیز آن را به جست‌وجویی گسترده‌تر تشویق کردند. انتروپیک می‌گوید پس از آنکه کلود روش حسابی جدید را شناسایی کرد، توسعه، پیاده‌سازی و راستی‌آزمایی آن را به‌طور مستقل انجام داد.
این نتایج محدودیت‌های فنی نیز دارند. بخشی از صرفه‌جویی‌ها به پذیرفتن احتمال وقوع شکست‌های نادر، با توجه به توزیع‌های ورودی مشخص، وابسته است. در یکی از مقایسه‌ها نیز از یک پیاده‌سازی برگشت‌پذیر ساده استفاده شد، زیرا در منابع علمی پیشین مدار برگشت‌پذیر مشابهی وجود نداشت.
تعداد گیت‌ها و کیوبیت‌ها همچنین معیارهایی تقریبی برای برآورد هزینه عملی محاسبات هستند؛ هزینه واقعی به سخت‌افزار و روش‌های تصحیح خطا بستگی دارد.
این پژوهش نشان می‌دهد که کشف علمی با هدایت هوش مصنوعی، به‌ویژه زمانی مؤثر است که پژوهشگران بتوانند مسئله‌ای روشن تعریف کنند، راهکارهای پیشنهادی را با هزینه کم بیازمایند و میزان بهبود را اندازه بگیرند. گسترش این رویکرد به مسائل علمی پیچیده‌تر، به طراحی سامانه‌های ارزیابی با همان میزان اطمینان‌پذیری وابسته خواهد بود.