تصور کنید معماری‌های ریاضیاتی که سال‌ها زمان و شهود انسانی می‌طلبید تا بهینه شوند، اکنون در عرض چند ساعت توسط یک مدل زبانی بازنویسی شوند. این اتفاق در دنیای محاسبات کوانتومی رخ داده است و مرز میان شهود انسانی و تکرار خودکار هوش مصنوعی را جابه‌جا کرده است.
طراحی مدارهای کوانتومی مدت‌هاست که به شهود متخصصان وابسته بود، اما اکنون کانون توجه به سمت تکرارهای خودکار هوش مصنوعی تغییر کرده است. Claude Mythos 5 در یک چرخه بسته با یک ارزیاب خودکار، مدارهایی را طراحی کرده که در ۸ نوع مختلف از «پریمیتوهای محاسباتی» (Computational Primitives) — یعنی روتین‌های پایه‌ای که الگوریتم‌های بزرگتر از آن‌ها ساخته می‌شوند — از بهترین طراحی‌های پیشین پیشی گرفته‌اند؛ در برخی موارد حتی تا ۱۰ برابر بهینه‌تر.
این پریمیتوها حوزه‌های حیاتی از جمله شیمی، بهینه‌سازی، شبیه‌سازی کوانتومی، نظریه اعداد و محاسبات عددی را در بر می‌گیرند. این پیشرفت در حالی رخ می‌دهد که صنعت با محدودیت‌های فیزیکی سخت‌افزارهای فعلی دست‌وپنجه نرم می‌کند. ماشین‌های امروزی تنها صدها یا هزاران کیوبیت (Qubit) دارند که به شدت به نویز محیطی حساس‌اند؛ بنابراین، کارایی نرم‌افزار (مدارها) تعیین می‌کند که ما چقدر به کاربرد عملی نزدیک هستیم. همان‌طور که در تحلیل قبلی ما درباره‌ی اتوماسیون چرخه‌ی حیات نرم‌افزار توسط Claude Task Master اشاره کردیم، این پژوهش ثابت می‌کند که هوش مصنوعی اکنون می‌تواند کشف معماری‌های بنیادی ریاضی را نیز خودکار کند. این توانمندی در راستای پیشرفت‌های اخیر آنتروپیک در حوزه‌های پیچیده علمی است، مشابه آنچه در حل مسائل پیشرفته فیزیک ذرات توسط نسخه‌های تخصصی کلود مشاهده شد.
به نقل از پست پژوهشی منتشر شده در ۱۶ اکتبر ۲۰۲۶، این پروژه توسط «اندی گو» در قالب برنامه Fellows STEM شرکت Anthropic رهبری شده است. این تیم با همکاری «الک کمنی»، فیزیکدان کوانتوم، و پژوهشگران دانشگاه هاروارد و شرکت QuEra Computing یعنی «سوزان یلین» و «میخائیل لوکین» فعالیت کرده‌اند. بر اساس مستندات مقاله‌ی ۴۶ صفحه‌ای این تیم با عنوان Discovering state-of-the-art quantum circuits with large language models که در ۱۵ اکتبر ۲۰۲۶ به arXiv ارسال شد، یک چارچوب تکاملی طراحی شده است. این مقاله شامل ۱۰ شکل و ۶ جدول است که جزئیات چارچوبی را شرح می‌دهد که در آن مدل زبانی بزرگ (LLM) طرح‌ها را پیشنهاد می‌دهد و یک ارزیاب مستقل آن‌ها را تأیید می‌کند.
سازوکار چرخه بسته
تیم پژوهشی از یک سیستم تکاملی استفاده کرد که در آن مدل طرح را پیشنهاد داده و ارزیاب، امتیاز آن را محاسبه می‌کند. در ۷ مورد از ۸ تکلیف، مدارهای کشف‌شده تعداد گیت‌های توفولی (Toffoli) و کیوبیت‌ها را نسبت به استانداردهای فعلی به‌شدت کاهش دادند. در تکلیف هشتم نیز یک معماری بازگشت‌پذیر جدید برای وارونگی پیمانه‌ای در میدان اعداد اول ایجاد شد.
آنتروپیک سه دلیل اصلی برای موفقیت کلود در این حوزه ذکر کرده است:
- نمایش مبتنی بر کد: مدارهای کوانتومی را می‌توان به صورت کد نوشت، بنابراین مدل می‌تواند آن‌ها را مانند یک برنامه بنویسد، اجرا کند و اصلاح نماید.
- تأیید کارآمد: الگوریتم‌های هدف، خروجی‌های قطعی دارند که کامپیوترهای کلاسیک می‌توانند صحت آن‌ها را بررسی کنند.
- امتیازدهی عینی: امتیاز نهایی از ضرب تعداد کیوبیت‌ها در تعداد گیت‌ها به دست می‌آید که معیاری برای تخمین زمان اجراست.
در این چرخه، کلود طرح‌ها را با زبان پایتون پیشنهاد داد، بازخورد گرفت و بدون هیچ دخالت انسانی در هر دور، رویکرد خود را اصلاح کرد.
عبور از محدودیت‌های کوانتومی
طراحی مدارهای کوانتومی به دلیل دو محدودیت اصلی، بسیار سخت‌تر از نرم‌افزارهای معمولی است. اول اینکه مدارها نمی‌توانند از تصمیمات «اگر-آنگاه» (if-then) استفاده کنند، زیرا روی برهم‌نهی (Superposition) ورودی‌ها اجرا می‌شوند و هر مسیر ممکن باید هر بار اجرا شود.
دوم اینکه هر مرحله باید بازگشت‌پذیر باشد؛ یعنی اطلاعات نباید دور ریخته شوند. نتایج میانی باید با اجرای معکوس فرآیند «لغو محاسبات» (uncomputed) شوند که این امر تعداد گیت‌ها را افزایش می‌دهد. این محدودیت‌ها باعث ایجاد یک توازن دائمی میان تعداد کیوبیت‌های مصرفی و زمان کل اجرا می‌شود.
برای درک اهمیت این موضوع، گزارش‌ها اشاره می‌کنند که شبیه‌سازی FeMoco (یک خوشه آهن-گوگرد در باکتری‌ها که برای تبدیل نیتروژن به آمونیاک استفاده می‌شود) در سال ۲۰۱۷ نیازمند ۵۰ تریلیون گیت توفولی تخمین زده شده بود. گیت‌های توفولی گران‌ترین گیت‌ها هستند و معیار استاندارد برای تخمین زمان محاسبات‌اند.
پیشرفت‌های الگوریتمی بعدی، این تخمین را برای همان مدل ۵۴-اوربیتالی به ۳۴۰ میلیون کاهش داد؛ یعنی کاهشی ۱۵۰ هزار برابری. این به معنای آن است که یک ماشین آینده با سه میلیون کیوبیت فیزیکی، می‌تواند این کار را در چند ساعت به پایان برساند. این نوع بهینه‌سازی‌های ساختاری در مدل‌های پیچیده، یادآور موفقیت کلود در افزایش سرعت استنتاج مدل‌های زیست‌مولکولی است که در آن نیز کارایی محاسباتی در اولویت بود.
پیشرفت در وارونگی پیمانه‌ای بازگشت‌پذیر
یکی از بزرگ‌ترین پیروزی‌ها در زمینه «جمع نقاط روی منحنی‌های بیضوی» رخ داد که معیاری برای الگوریتم‌های کوانتومی در حل مسئله لگاریتم گسسته منحنی بیضوی است. گران‌ترین بخش این فرآیند، وارونگی پیمانه‌ای (Modular Inversion) است که در واقع نسخه‌ای از تقسیم در حساب منحنی‌های بیضوی است.
کلود ۵۳ ساعت با کمترین راهنمایی انسانی — تنها یک دستورالعمل کوتاه یک پاراگرافی و چند پرامپت برای تفکر گسترده‌تر — روی این مسئله کار کرد تا رویکردی کاملاً جدید ابداع کند.
کامپیوترهای کلاسیک از روشی به نام divsteps استفاده می‌کنند، اما این روش برای مدارهای کوانتومی غیرعملی بود زیرا ذخیره «اطلاعات شاخه» (سوابق عملیات در هر تکرار) به کیوبیت‌های بسیار زیادی نیاز داشت. کلود استدلال کرد که اگر بتوان اطلاعات شاخه را با بررسی اعداد پس از هر تکرار رمزگشایی کرد، نیازی به ذخیره آن‌ها نیست.
برای اثبات این ادعا، کلود مراحل زیر را طی کرد:
۱. اثبات چندین همانی جبری جدید.
۲. استخراج یک فرمول رمزگشایی دقیق.
۳. اعتبارسنجی ادعا از طریق شبیه‌سازی‌های عددی در مقیاس بزرگ.
۴. رسمی‌سازی کل اثبات در زبان Lean.
طراحی حاصل، مرز بهینگی (Pareto frontier) میان کیوبیت و زمان اجرا را جابه‌جا کرد. چون رمزگشایی باعث صرفه‌جویی در کیوبیت‌ها اما افزایش زمان می‌شود، کلود خانواده‌ای از طرح‌ها را تولید کرد. یکی از مدارهای این خانواده، ۱۲٪ کیوبیت بیشتر اما ۱۷ برابر گیت‌های کمتری نسبت به بهترین طراحی‌های سال ۲۰۲۶ (توسط Schrottenloher و Luo et al) مصرف می‌کند.
بهینه‌سازی رمزگشاهای کوانتومی
کلود همچنین روی تداخل‌سنجی کوانتومی رمزگشایی‌شده (DQI) متمرکز شد که به عنوان یکی از کاندیداهای اصلی برای شتاب کوانتومی فوق-چندجمله‌ای (superpolynomial) شناخته می‌شود. هدف، بهینه‌سازی رمزگشای تصحیح خطای مسئله OPI (تقاطع چندجمله‌ای بهینه) بود که نسخه‌ای شبکه‌ای از برازش منحنی است.
طراحی‌های قبلی از رمزگشای Reed–Solomon و الگوریتم اقلیدسی تعمیم‌یافته استفاده می‌کردند. چون تعداد مراحل به ورودی بستگی داشت، طراحی باید محاسبات را روی دورهای بیشتری نسبت به نیاز هر ورودی منفرد گسترش می‌داد. طبق تخمین‌های Google Quantum AI، حل یک مسئله OPI روی ابرکامپیوتر Frontier سه ماه زمان می‌برد، در حالی که روی یک کامپیوتر کوانتومی آینده با DQI، این زمان به یک ساعت کاهش می‌یابد که بیشتر آن صرف رمزگشایی Reed–Solomon می‌شود.
کلود رویکرد خود را به رمزگشایی Berlekamp–Massey تغییر داد که تعداد مراحل آن مستقل از ورودی است. برای حل مشکل ذخیره‌سازی، کلود یک شبیه‌ساز سریع نوشت و ۴۰۳ میلیون نمونه رمزگشایی را اجرا کرد. او دریافت که در حالی که یک مقدار استثنایی در ۳۵ دور مختلف به ۶۶۵ کیوبیت نیاز دارد، اما تقریباً در هر اجرا، حداکثر نیاز به ذخیره یک مقدار است.
با اختصاص تنها ۱۹ کیوبیت برای یک مقدار ذخیره شده، مدار تنها در یک مورد از هر ۱۰ هزار اجرا شکست می‌خورد که در محدوده نرخ خطای مجاز است. این بهینه‌سازی، تعداد گیت‌های رمزگشا را در مقایسه با طراحی‌های Google Quantum AI تا ۱۲ برابر کاهش داد. این بهبود در سه سطح رخ داد: روش ریاضی، معماری مدار و بودجه منابع.
تحلیل: چرخش به سمت فیزیکِ مبتنی بر هوش مصنوعی
این نتیجه، این فرض بنیادی را که بهینه‌سازی مدارهای کوانتومی نیازمند شهود عمیق انسانی و سال‌ها استخراج دستی است، تغییر می‌دهد. اینکه کلود در ۵۳ ساعت کاری را انجام داد که برای گروه‌های پژوهشی در مورد FeMoco هشت سال زمان برد، نشان‌دهنده شتابی عظیم در «فاز کشف» نرم‌افزارهای کوانتومی است. این توانایی در کشف ساختارهای جدید، مشابه رویکرد عامل‌های هوش مصنوعی آنتروپیک در کشف سامانه‌های آنزیمی جدید است که مرزهای اکتشاف علمی را جابه‌جا کرده است.
آنتروپیک اشاره کرد که کلود در ابتدا محافظه‌کار بود و تمایل داشت از رویکردهای شناخته‌شده استفاده کند و مدام در مورد بهبودها تردید می‌کرد. برای رفع این مشکل، تیم از مدل خواست تا چندین رویکرد متفاوت را به‌طور موازی پیشنهاد دهد و جستجوی خود را گسترش دهد. با این حال، همین احتیاط باعث شد مدل برای تایید طراحی divsteps به سراغ اثبات‌های Lean برود.
برای این حوزه، معنای این اتفاق تغییر گلوگاه است. ما از دنیایی که در آن با کمبود الگوریتم‌های کارآمد بودیم، به دنیایی می‌رویم که محدودیت اصلی، سخت‌افزار فیزیکی است. آنتروپیک پیشنهاد می‌کند که هوش مصنوعی در نهایت می‌تواند کل پشته — از الگوریتم تا سخت‌افزار — را برای مسائل خاص به طور مشترک بهینه کند. این پروژه همچنین از گفتگوهای اولیه با «آرجون کار» و «وینای راماسش» قدردانی کرد.
گام بعدی شما
- نتایج داوری تخصصی (Peer-review) مقاله arXiv را دنبال کنید تا ببینید آیا جامعه علمی همانی‌های جبری جدید را تایید می‌کند یا خیر.
- اثر این بهینه‌سازی‌ها بر سخت‌افزارهای فعلی را با رصد نیازهای کیوبیت در پردازنده‌های جدید Google یا IBM بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو