بهینه‌سازی مدارهای کوانتومی با Claude؛ جهش هوش مصنوعی در محاسبات برگشت‌پذیر

بزرگ‌ترین چالش فعلی در دنیای محاسبات کوانتومی، محدودیت شدید سخت‌افزار است. رایانه‌های کوانتومی امروزی تنها صدها تا چندهزار کیوبیت (qubit) در اختیار دارند که به شدت مستعد نویزهای محیطی، ارتعاش و گرما هستند. برای اجرای الگوریتم‌های کاربردی—از شبیه‌سازی مولکول‌های شیمیایی گرفته تا رمزنگاری—به میلیون‌ها گیت محاسباتی بدون خطا نیاز است. تا پیش از این، امید اصلی پژوهشگران به پیشرفت مهندسی سخت‌افزار بود؛ اما شرکت Anthropic در تحقیقی نشان داده است که هوش مصنوعی می‌تواند با بازطراحی نرم‌افزاری و الگوریتمی این مدارها، نیاز به سخت‌افزار را بسیار کاهش دهد.

چالش‌های بنیادین برنامه‌نویسی کوانتومی

طراحی مدار برای یک کامپیوتر کوانتومی با برنامه‌نویسی کلاسیک تفاوت‌های ریشه‌ای دارد:

• نبود دستورات شرطی (if-then) کلاسیک: چون محاسبات روی برهم‌نهی (superposition) مقادیر انجام می‌شوند، مدار باید به‌طور هم‌زمان عملیات هر دو شاخهٔ شرط را در خود جای دهد.
• محاسبات برگشت‌پذیر (Reversible Computing): برخلاف برنامه‌های عادی که متغیرهای موقت (scratch work) را دور می‌ریزند، در مکانیک کوانتوم اطلاعات نمی‌تواند بدون بازگردانی (uncomputing) حذف شود؛ زیرا دور ریختن خام اطلاعات حالت کوانتومی را تخریب می‌کند. پاک‌سازی داده‌ها مستلزم اجرای معکوس محاسبات است که باعث افزایش سرسام‌آور تعداد گیت‌ها می‌شود.

این محدودیت‌ها یک معاملهٔ پایاپای (trade-off) بسیار سخت میان فضا (تعداد کیوبیت‌ها) و زمان (تعداد گیت‌ها) ایجاد می‌کند.

چگونه Claude مدارها را بهینه‌سازی کرد؟

محققان Anthropic مدارهای کوانتومی را به شکل کدهای برنامه‌نویسی فرمول‌بندی کردند. سپس Claude را در یک حلقهٔ بسته (closed loop) قرار دادند: یک توصیف متنی از مسئله به مدل داده می‌شد، مدل مداری از گیت‌ها (مانند Toffoli gates) پیشنهاد می‌کرد، و یک برنامهٔ ارزیاب خودکار صحت مدار و امتیاز آن را (حاصل‌ضرب تعداد کیوبیت‌ها در تعداد گیت‌ها) محاسبه می‌کرد و نتیجه را به مدل بازمی‌گرداند.

طی ۵۳ ساعت تلاش مستقل و بدون دخالت انسان، Claude توانست در ۸ مسئلهٔ پایه‌ای در شیمی، فیزیک، بهینه‌سازی و نظریه اعداد، مدارهایی به مراتب بهینه‌تر از پیشرفته‌ترین مقالات ثبت‌شده خلق کند.

کشف ریاضیاتی در الگوریتم divsteps

یکی از چشمگیرترین دستاوردهای این آزمایش، حل مسئلهٔ «معکوس مدولار» (Modular Inversion) بود که گلوگاه محاسباتی اصلی در شکستن لگاریتم گسسته روی منحنی‌های بیضوی (ECC) محسوب می‌شود. در رایانه‌های کلاسیک این کار با الگوریتمی به نام divsteps به سرعت انجام می‌شود؛ اما استفاده از آن در رایانه‌های کوانتومی به دلیل نیاز به ذخیرهٔ ردپای تمام شاخه‌های انتخاب‌شده (branch information) برای برگشت‌پذیر ماندن، نیازمند صدها کیوبیت اضافی بود.

مدل Claude کشف کرد که نیازی به اختصاص کیوبیت جداگانه برای ذخیرهٔ این تاریخچه نیست؛ بلکه با بررسی ریاضیاتی جفت‌اعداد نهایی پس از هر تکرار، می‌توان اطلاعات انشعاب‌ها را به صورت معکوس رمزگشایی (decode) کرد. در واقع خود اعداد به عنوان حافظه عمل می‌کردند. این بینش ریاضیاتی اجازه داد بدون مصرف کیوبیت اضافه، محاسبات معکوس‌پذیر شوند.

بازخوردها و درس‌هایی برای مهندسان نرم‌افزار

در بحث‌های پیرامون این مقاله، برخی کاربران به این نکته اشاره کردند که این شیوه شبیه بازی‌های کدگلف (Code Golf) در زبان‌های اسمبلی کوانتومی مانند Kickmix گوگل است. از آنجا که مدارهای کوانتومی مربوط به محاسبات کلاسیک را می‌توان با کامپیوترهای سنتی به‌طور قطعی شبیه‌سازی و تست کرد، مدل‌های زبانی در ترکیب با ارزیاب‌های تست واحد خودکار (Unit Tests)، سرعت خطایابی و کشف میان‌برهای شگفت‌انگیزی از خود نشان می‌دهند.

این دستاورد ثابت می‌کند که بخش بزرگی از مسیر تجاری‌سازی فناوری‌های پیچیده مانند محاسبات کوانتومی، لزوماً وابسته به پیشرفت سخت‌افزار نیست، بلکه در بهینه‌سازی هوشمندانهٔ لایه‌های الگوریتمی و کامپایلری نهفته است؛ حوزه‌ای که هوش مصنوعی در آن به یک همکار بی‌بدیل برای مهندسان تبدیل شده است.