موفقیت بزرگ آنتروپیک؛ هوش مصنوعی Claude Mythos 5 گیت‌های مدارهای کوانتومی را ۱۷ برابر کاهش داد

کاهش هزینه‌های مدار کوانتومی با هوش مصنوعی Claude در یک بنچمارک هشت‌گانه

آنتروپیک در گزارش جدید خود اعلام کرده است که مدل Claude Mythos 5 موفق شده مدارهای کوانتومی بهینه‌تری نسبت به بهترین طرح‌های ثبت‌شده در هشت مسئله محاسباتی پایه طراحی کند که به منابع بسیار کمتری نیاز دارند. این گزارش پژوهشی که در قالب برنامه یاران STEM آنتروپیک و با همکاری محققان دانشگاه هاروارد (از جمله پژوهشگران فعال در استارتاپ رایانش کوانتومی QuEra) تهیه شده، حوزه‌های مختلفی مانند شیمی، بهینه‌سازی، شبیه‌سازی فیزیک، نظریه اعداد و محاسبات عددی را پوشش می‌دهد.

تکمیل چرخه بهینه‌سازی به کمک سیستم ارزیاب

هر چرخه بهینه‌سازی از یک فرآیند تکرارپذیر پیروی می‌کرد:

1. مدل Claude یک مدار کوانتومی را در قالب کد پایتون تولید می‌کرد.
2. یک ارزیاب بیرونی عملکرد و رفتار مشخص‌شده مدار را بررسی و راستی‌آزمایی می‌کرد.
3. ارزیاب به طرح‌های معتبر بر اساس حاصل‌ضرب تعداد کیوبیت‌ها در تعداد گیت‌ها امتیاز می‌داد.
4. مدل Claude امتیاز دریافتی را بررسی و طرح خود را برای تلاش بعدی بازنگری و اصلاح می‌کرد.

در این فرآیند، پژوهشگران انسانی مسائل را انتخاب کردند، دستورالعمل‌های اولیه را نوشتند، سیستم‌های ارزیاب و توابع امتیازدهی را ساختند و گه‌گاه با پرامپت‌های راهنما از Claude خواستند دامنه جستجوی خود را گسترش دهد. سپس چرخه پیشنهاد طرح، ارزیابی و بازنگری بدون دخالت انسان میان دورهای متوالی اجرا شد. آنتروپیک می‌گوید خانواده مدارهای به‌دست‌آمده، توازن منابع مصرفی را در تمام هشت مسئله ارتقا داده‌اند؛ به‌طوری‌که در برخی طرح‌ها هم‌زمان تعداد کیوبیت‌ها و تعداد گیت‌ها کاهش یافته است.

چالش ساختار ثابت مدارهای کوانتومی با جریان کنترل سنتی

برنامه‌های کامپیوتری کلاسیک می‌توانند پس از بررسی ورودی، مسیر اجرای دستورها را تعیین کنند. اما یک مدار کوانتومی منسجم که روی حالت برهم‌نهی (سوپرپوزیشن) کار می‌کند، باید رفتارهای وابسته به داده را از طریق عملیات‌های کنترل‌شده درون یک مدار واحد بگنجاند تا تمام حالت‌های ممکن ورودی را به‌طور هم‌زمان حفظ کند. همین محدودیت باعث می‌شود ایجاد انشعاب‌های نامنظم در پردازش کوانتومی به‌شدت هزینه‌بر باشد.

محاسبات کوانتومی همچنین اطلاعات را تا زمان اندازه‌گیری از طریق عملیات‌های بازگشت‌پذیر حفظ می‌کند. بنابراین، تا زمانی که انسجام کوانتومی باید حفظ شود، نمی‌توان داده‌های موقت را به‌سادگی بازنویسی یا پاک کرد. مدارها معمولاً داده‌های پیش‌نویس را از طریق فرآیندی به نام «لغو محاسبات» (Uncomputation) پاک می‌کنند که با اجرای معکوس عملیات‌ها همراه است و به تعداد گیت‌ها می‌افزاید. از این رو، طراحان مدار ناچارند میان اختصاص کیوبیت‌های اضافی برای ذخیره داده‌های میانی و افزودن گیت‌های بیشتر برای محاسبه مجدد، تعادل برقرار کنند.

این شرایط طراحی مدار را به یک مسئله جستجوی مقید با چندین هدف قابل‌اندازه‌گیری تبدیل می‌کند. کاهش تعداد گیت‌ها می‌تواند زمان اجرا را کوتاه‌تر کند و خطای انباشته را کاهش دهد؛ از سوی دیگر، نیاز به کیوبیت‌های منطقی کمتر، سخت‌افزار فیزیکی مورد نیاز برای عملکرد مقاوم در برابر خطا (Fault-tolerant) را کاهش می‌دهد.

بازیابی تاریخچه انشعاب‌ها از دل اعداد

بزرگ‌ترین رکورد کاهش گیت توسط Claude در عملیات جمع نقاط روی منحنی‌های بیضوی به ثبت رسید؛ عملیاتی کلیدی در الگوریتم‌های کوانتومی برای حل مسئله لگاریتم گسسته روی منحنی‌های بیضوی. این مسئله زیربنای بخش عمده‌ای از سیستم‌های رمزنگاری کلید عمومی در دنیای امروز است، هرچند سخت‌افزارهای کوانتومی فعلی هنوز فاصله بسیار زیادی تا رسیدن به مقیاس مقاوم در برابر خطای لازم برای اجرای چنین حملاتی دارند.

بخش اعظم هزینه جمع نقاط به معکوس‌سازی مدولار مربوط می‌شود. در پیاده‌سازی‌های کلاسیک می‌توان از الگوریتم divsteps استفاده کرد که نسخه‌ای سریع از الگوریتم تعمیم‌یافته اقلیدسی است. با این حال، ترجمه مستقیم این روش به مدار کوانتومی، تاریخچه انشعاب‌های وابسته به داده را انباشته می‌کند تا بازگشت‌پذیری تمام مراحل ممکن شود؛ فرآیندی که کیوبیت‌های اضافی بسیار زیادی مصرف می‌کند.

مدل Claude در جریان یک اجرای ۵۳ ساعته، روشی ابداع کرد که انشعاب‌های قبلی را مستقیماً از جفت‌اعداد فعلی بازسازی می‌کند. آنتروپیک گزارش می‌دهد که این مدل توانست هویت‌ها و روابط جبری جدیدی استخراج کند، فرمول رمزگشایی خاصی برای بازیابی اطلاعات انشعاب‌ها ارائه دهد، آن را با شبیه‌سازی‌های عددی عظیم بیازماید و ادعای اصلی خود را در زبان Lean (دستیار اثبات قضایا که گام‌های منطقی را با مشخصات ماشین‌خوان بررسی می‌کند) به اثبات قطعی برساند.

یکی از مدارهای طراحی‌شده در این خانواده، تنها با ۱۲ درصد کیوبیت بیشتر نسبت به کوچک‌ترین طرح قبلی، تعداد گیت‌ها را ۱۷ برابر کاهش داده است. نسخه‌های دیگر این طرح در نقاط مختلفی از مرز پارتو (Pareto frontier) قرار می‌گیرند؛ جایی که بهبود تعداد کیوبیت‌ها یا زمان اجرا، به بهای کاهش بهره‌وری معیار دیگر تمام می‌شود.

بهینه‌سازی رمزگشا به کمک الگوریتم برلیکمپ-مسی

مدل Claude همچنین رمزگشای رید-سالامون (Reed-Solomon) مورد استفاده در الگوریتم اینترفرومتری کوانتومی رمزگشایی‌شده (DQI) را از نو طراحی کرد. این الگوریتم به‌عنوان راهکاری برای دستیابی به برتری کوانتومی فوق‌پلی‌نومیال پیشنهاد شده است؛ جایی که با بزرگ‌تر شدن اندازه مسئله، فاصله کارایی محاسبات کوانتومی با روش‌های کلاسیک به‌سرعت افزایش می‌یابد.

رمزگشای قبلی توسعه‌یافته توسط تیم هوش مصنوعی کوانتومی گوگل از الگوریتم تعمیم‌یافته اقلیدسی استفاده می‌کرد که جریان کنترل آن با تغییر ورودی دگرگون می‌شد. مدل Claude این رمزگشا را بر پایه الگوریتم برلیکمپ-مسی (Berlekamp-Massey) بازسازی کرد؛ الگوریتمی که الگوهای خطای جبری را در تعداد مشخصی از دورهای ساختاری مشابه بازیابی می‌کند و جریان کنترل منظم آن به‌شکل مستقیم‌تری روی یک مدار کوانتومی ثابت پیاده می‌شود.

سپس Claude با بازسازی مقادیر میانی از روی حالت فعلی، مصرف حافظه را کاهش داد. در بدترین حالت، تخصیص حافظه برای مقادیر استثنایی در ۳۵ دور به ۶۶۵ کیوبیت نیاز داشت. برای برآورد نیاز واقعی، این مدل یک شبیه‌ساز نوشت و ۴۰۳ میلیون نمونه رمزگشایی را اجرا کرد. نتایج نشان داد تقریباً تمام نمونه‌ها حداکثر به ذخیره یک مقدار استثنایی نیاز دارند و به این ترتیب مدار توانست ظرفیت خود را به ۱۹ کیوبیت محدود کند. طرح نهایی تنها در حدود ۱ بار از هر ۱۰٬۰۰۰ اجرا دچار خطا می‌شود که کاملاً در محدوده مجاز خطای این مسئله است، در حالی که تعداد گیت‌های مصرفی آن به حدود یک‌دوازدهم طرح گوگل کاهش یافته است.

کاهش منابع مصرفی و دگرگونی برآوردهای سخت‌افزاری

برآورد منابع منطقی، پلی میان یک الگوریتم و سخت‌افزار مقاوم در برابر خطای مورد نیاز برای اجرای آن است. کاهش تعداد گیت‌ها می‌تواند مدت‌زمان اجرای برنامه را کوتاه‌تر کند، در حالی که نیاز کمتر به کیوبیت‌های منطقی، تعداد کیوبیت‌های فیزیکی اختصاص‌یافته به تصحیح خطا را کاهش می‌دهد.

شبیه‌سازی مولکول FeMoco به‌خوبی نشان می‌دهد که بهبودهای الگوریتمی چگونه برآوردهای سخت‌افزاری را دگرگون می‌کنند. FeMoco بخش فعال آنزیم نیتروژناز و یکی از بنچمارک‌های استاندارد در شیمی کوانتومی است. در سال ۲۰۱۷، محاسبات حالت پایه این ساختار به حدود ۵۰ تریلیون گیت تافولی نیاز داشت. در پژوهش‌های بعدی، این رقم به حدود ۳۴۰ میلیون گیت کاهش یافت که به معنای بهبود تقریبی ۱۵۰٬۰۰۰ برابری بود؛ بهینه‌سازی بزرگی که اجرای الگوریتم را روی یک ماشین کوانتومی آینده با حدود ۳ میلیون کیوبیت فیزیکی به چند ساعت کاهش می‌دهد.

البته یک چرخه طراحی مدار ۵۳ ساعته را نمی‌توان مستقیماً معادل ۸ سال پیشرفت علمی چندین گروه تحقیقاتی دانست؛ چراکه مسائل، سیستم‌های ارزیابی و معیارهای سنجش متفاوت بوده‌اند و آنتروپیک مسائلی را انتخاب کرده که امکان راستی‌آزمایی خودکار آنها وجود داشته است. با این حال، این آزمایش ثابت می‌کند که در صورت ارائه بازخورد ماشین‌خوان درباره صحت و هزینه مدار، جستجوی خودکار مبتنی بر هوش مصنوعی می‌تواند به کاهش چشمگیر منابع مصرفی منجر شود.

محدودیت‌ها و پرسش‌های بی‌پاسخ در این بنچمارک

• زیرساخت‌سازی انسانی: پژوهشگران مسائل را انتخاب کردند، معیارهای صحت عملکرد را تعریف نمودند، سیستم‌های ارزیاب را توسعه دادند و تابع هزینه را در اختیار مدل گذاشتند.
• هدایت انسانی: تیم تحقیق در مواردی از Claude خواست تا رویکردهای کاملاً متفاوتی را بررسی کند، آنها را به‌طور هم‌زمان پیش ببرد و فراتر از اصلاحات جزئی گام بردارد.
• الگوی جستجو: مدل در اجراهای اولیه بیشتر به سمت روش‌های متداول متمایل بود و بارها به بهبودهای معتبر خود شک کرد؛ بنابراین به پرامپت‌هایی برای تشویق به کاوش گسترده‌تر نیاز داشت.
• راستی‌آزمایی: اثبات استدلال معکوس‌سازی مدولار در نرم‌افزار Lean تأیید شد، اما سایر نتایج بر بررسی‌های اختصاصی و شبیه‌سازی‌های عددی بزرگ متکی بودند.
• مدل هزینه‌سنجی: شمارش کیوبیت‌ها و گیت‌ها منابع منطقی اصلی را مشخص می‌کند، اما تمام هزینه‌های کامپایل، تصحیح خطا، سخت‌افزار کنترلی یا اجرای واقعی روی دستگاه فیزیکی را در بر نمی‌گیرد.
• وضعیت سخت‌افزاری: این دستاورد طرح‌های مداری و برآوردهای منابع را ارائه می‌دهد، نه اجرای واقعی روی یک کامپیوتر کوانتومی مقاوم در برابر خطا.

آنتروپیک ساختارهای ریاضی و اثبات‌ها را حاصل کار مدل Claude در دل این محیط تحقیقاتی توسعه‌یافته توسط انسان می‌داند. این تمایز هنگام بررسی مفهوم «پژوهش خودکار» اهمیت زیادی دارد؛ زیرا مدل ایده‌های اصلی مدار را ارائه کرده، در حالی که پرسش‌ها، ابزارها، معیارهای سنجش و جهت‌دهی‌های مقطعی توسط پژوهشگران انسانی فراهم شده است.

از طراحی مدارهای مجزا تا طراحی هم‌زمان کل سیستم

کدهای تصحیح خطا، رمزگشاهای سندرم، کامپایلرها و سیستم‌های کنترل سخت‌افزار اغلب می‌توانند در قالب کد فرمول‌بندی شوند، بر اساس نیازمندی‌های مشخص مورد آزمایش قرار گیرند و از نظر میزان مصرف منابع امتیازدهی شوند. آنتروپیک پیشنهاد می‌کند همین چرخه بهینه‌سازی به‌طور هم‌زمان در چند لایه گسترش یابد تا یک ایجنت هوش مصنوعی بتواند الگوریتم‌ها و سیستم‌های پشتیبان را در کنار یکدیگر طراحی کند (Co-design)؛ هرچند این ایده در حال حاضر یک چشم‌انداز تحقیقاتی است و هنوز به‌صورت عملی اثبات نشده است.

توسعه‌دهندگان و پژوهشگران می‌توانند فرضیات ارزیاب، ساختار مدارها، اثبات‌ها و جزئیات مصرف منابع را در متن کامل مقاله بررسی کنند. ساختار ارائه‌شده برای معکوس‌سازی مدولار به‌ویژه در تحلیل رمزنگاری کوانتومی کاربرد دارد و رمزگشای DQI نمونه‌ای ملموس از پذیرش احتمال بسیار ناچیز خطا در ازای کاهش فوق‌العاده منابع منطقی است.