کلود مدار کوانتومی را ۱۷ برابر کم‌گیت‌تر طراحی کرد؛ پژوهش تازه‌ی Anthropic

شرکت Anthropic می‌گوید مدل Claude Mythos 5 در یک آزمایش ۵۳ ساعته مدارهای کوانتومی را از نو طراحی کرده و در هفت مورد از هشت وظیفه، از بهترین طراحی‌های منتشرشده جلو افتاده است؛ از جمله مداری با ۱۷ برابر گیت کمتر.

اگر در ماه‌های اخیر اخبار هوش مصنوعی را دنبال کرده باشید، می‌دانید که مدل‌های زبانی دیگر فقط به نوشتن متن و کد محدود نیستند. حالا نوبت حوزه‌ای رسیده که برای بیشتر مردم دور و پیچیده به نظر می‌رسد: محاسبات کوانتومی. شرکت Anthropic در پژوهشی که در ۱۶ اکتبر ۲۰۲۶ منتشر کرد، ادعا می‌کند مدل Claude Mythos 5 توانسته مدارهای کوانتومی را طوری طراحی کند که از بهترین نمونه‌های شناخته‌شده سبک‌تر باشند.

۱. اصل ماجرا: مقاله‌ی تازه چه می‌گوید؟

این پژوهش با عنوان «کشف مدارهای کوانتومی پیشرفته با مدل‌های زبانی بزرگ» در آرکایو (arXiv) با شناسه‌ی 2610.22367 ثبت شده و حدود ۴۶ صفحه است. نویسنده‌ی اصلی آن Andi Gu است که در برنامه‌ی STEM Fellows شرکت Anthropic کار می‌کند. پژوهشگرانی از دانشگاه هاروارد و شرکت QuEra Computing نیز در این کار همکاری داشته‌اند.

هدف پژوهش این بود که ببینند آیا یک مدل زبانی بزرگ می‌تواند بدون راهنمایی مستمر انسان، مدارهای کوانتومی را برای چند وظیفه‌ی مهم بهینه کند یا نه. نتیجه، به گفته‌ی Anthropic، این بود که مدل در هفت مورد از هشت وظیفه از بهترین طراحی منتشرشده جلو افتاد و در مورد هشتم یک ساختار کاملاً تازه پیشنهاد داد، نه صرفاً نسخه‌ی بهترشده‌ی یک روش قدیمی.

اگر دنبال دیدن اخبار مشابه هستید، بخش اخبار هوش مصنوعی مستر چت‌جی‌پی‌تی هر روز به‌روز می‌شود.

۲. مدار کوانتومی و «گیت» یعنی چه؟

برای فهمیدن اهمیت خبر، اول باید مفهوم ساده‌ای را روشن کنیم. در رایانه‌ی کلاسیک، برنامه‌ها از دستورهای پشت‌سرهم ساخته می‌شوند. در رایانه‌ی کوانتومی، برنامه به شکل «مدار» نوشته می‌شود؛ مداری که از تعدادی کیوبیت و تعدادی گیت تشکیل شده است. کیوبیت واحد پایه‌ی اطلاعات است و گیت عملیاتی است که روی آن انجام می‌شود.

هرچه تعداد گیت‌ها بیشتر باشد، اجرای الگوریتم زمان بیشتری می‌برد و خطاهای بیشتری جمع می‌شود. هرچه تعداد کیوبیت‌ها بیشتر باشد، سخت‌افزار بزرگ‌تر و گران‌تری لازم است. بنابراین مهندسان همیشه با یک مبادله روبه‌رو هستند: می‌شود حافظه‌ی بیشتری مصرف کرد تا زمان کمتر شود یا برعکس. بهترین طراحی‌ها آن‌هایی هستند که این تعادل را هوشمندانه برقرار می‌کنند.

مدارهای کوانتومی محدودیت دیگری هم دارند: نمی‌توانند مثل برنامه‌های معمولی شرط‌گذاری و انشعاب داشته باشند و باید برگشت‌پذیر باشند. یعنی مقدارهای موقتی که در میانه‌ی محاسبه ساخته می‌شوند باید دوباره پاک شوند. همین مسئله طراحی را بسیار ظریف و پرزحمت می‌کند.

۳. روش کار: حلقه‌ی پیشنهاد، آزمون و اصلاح

روشی که پژوهشگران به کار بردند از نظر مفهومی ساده است. مدل مشخصات یک بلوک محاسباتی را به زبان طبیعی دریافت می‌کند و مدار را به شکل کد پایتون پیشنهاد می‌دهد. سپس یک برنامه‌ی خودکار، که مدل هوش مصنوعی نیست، درستی مدار را بررسی می‌کند و آن را بر اساس حاصل‌ضرب تعداد کیوبیت و تعداد گیت امتیاز می‌دهد. این امتیاز معیار تقریبی زمان اجراست.

امتیاز به مدل برمی‌گردد و مدل با توجه به آن طرح را اصلاح می‌کند. این چرخه صدها بار تکرار می‌شود. بر اساس گزارش‌ها، در اجرای اصلی بین دورها هیچ دخالت انسانی وجود نداشته است. انسان‌ها فقط مشخصات را نوشته‌اند، ارزیاب را ساخته‌اند و گاهی مدل را به گشتن در فضای بزرگ‌تری از راه‌حل‌ها تشویق کرده‌اند.

دلیل موفقیت این الگو هم روشن است. در این حوزه، درستی جواب را می‌شود ارزان و خودکار سنجید. هر جا چنین ارزیابی سریعی وجود داشته باشد، یک مدل هوشمند می‌تواند بارها امتحان کند، شکست بخورد و بهتر شود. شبیه همان چیزی که در آموزش‌های کار با چت‌جی‌پی‌تی درباره‌ی بازخورد گرفتن و اصلاح پرامپت می‌خوانید، اما در مقیاسی بسیار بزرگ‌تر.

۴. هشت وظیفه و نتایج کلیدی

هشت وظیفه‌ی بررسی‌شده حوزه‌هایی مثل شیمی، فیزیک، بهینه‌سازی، نظریه‌ی اعداد و محاسبات عددی را پوشش می‌دهند. گزارش‌ها همه‌ی هشت مورد را فهرست نکرده‌اند، اما چند نمونه‌ی مهم نام برده شده است: وارونه‌سازی پیمانه‌ای در میدان اول (روش divsteps)، رمزگشایی ریدسالومون برای الگوریتم DQI، جمع نقاط روی منحنی بیضوی و شبیه‌سازی مولکول FeMoco.

وارونه‌سازی پیمانه‌ای: ۱۷ برابر گیت کمتر

مهم‌ترین عدد این پژوهش مربوط به همین بخش است. مدل نخستین پیاده‌سازی برگشت‌پذیری را ارائه داده که تاریخچه‌ی شاخه‌ها را ذخیره نمی‌کند. یکی از طراحی‌های این خانواده ۱۲ درصد کیوبیت بیشتر از کوچک‌ترین طراحی قبلی مصرف می‌کند، اما تعداد گیت‌هایش ۱۷ برابر کمتر است. یعنی اگر حاضر باشید کمی حافظه‌ی بیشتر خرج کنید، زمان اجرا به شدت کم می‌شود.

رمزگشایی ریدسالومون: ۱۲ برابر بهبود نسبت به گوگل

در بخش DQI، طراحی تازه حدود ۱۲ برابر گیت کمتری نسبت به ساخت قبلی گوگل دارد. بخشی از این پیشرفت از جایگزین کردن الگوریتم اقلیدسی گسترش‌یافته با روش برلکمپ ـ ماسی به دست آمده است. جالب است که طراحی با شبیه‌سازی چهارصد میلیون رمزگشایی نمونه آزموده شد و بر اساس آن تعداد کیوبیت‌های ذخیره‌ی اضطراری از ۶۶۵ به ۱۹ رسید؛ با این پذیرش که تقریباً در یکی از هر ده هزار اجرا ممکن است حافظه کم بیاید و خطا رخ دهد، البته در محدوده‌ی خطای مجاز.

منحنی بیضوی: اجرای ۵۳ ساعته

در وظیفه‌ی جمع نقاط روی منحنی بیضوی، یک اجرای پیوسته‌ی ۵۳ ساعته با کمترین دخالت انسانی به رویکردی تازه رسید. مدل هویت‌های جبری را اثبات کرد، آن‌ها را با شبیه‌سازی‌های عددی بزرگ آزمود و درستی ادعا را در زبان Lean هم صوری‌سازی کرد. این ترکیب «اثبات، آزمایش و تأیید ماشینی» از نکته‌های قابل توجه کار است.

FeMoco: زمینه‌ی تاریخی

مولکول FeMoco در شبیه‌سازی‌های کوانتومی شیمی مثال معروفی است. برآورد سال ۲۰۱۷ برای محاسبه‌ی انرژی پایه‌ی آن حدود ۵۰ تریلیون گیت توفولی بود و کارهای بعدی آن را به حدود ۳۴۰ میلیون رساندند؛ کاهشی حدود ۱۵۰ هزار برابری. باید دقت کرد که این کاهش حاصل کار گروه‌های پژوهشی مختلف در طول هشت سال است و ادعا نمی‌شود که فقط کار کلود بوده است.

۵. چرا این خبر برای جهان فناوری مهم است؟

اول اینکه محاسبات کوانتومی هنوز در مرحله‌ای هستند که هر کاهش در منابع لازم، فاصله‌ی ما تا کاربرد عملی را کمتر می‌کند. اگر الگوریتمی به جای میلیاردها گیت، با تعداد خیلی کمتری اجرا شود، سخت‌افزار کوچک‌تر و خطای کمتری هم کفایت می‌کند. به همین دلیل پژوهش در بهینه‌سازی مدار اهمیت زیادی دارد.

دوم اینکه این کار نمونه‌ی خوبی از «هوش مصنوعی به عنوان ابزار پژوهش علمی» است. تا مدتی پیش بیشتر بحث‌ها درباره‌ی نوشتن متن، تصویرسازی و برنامه‌نویسی بود. حالا مدل‌ها در حلقه‌های خودکار با ارزیاب مستقل کار می‌کنند و در حوزه‌هایی مثل ریاضیات و فیزیک نتیجه‌ی قابل اندازه‌گیری می‌دهند. اگر می‌خواهید دید کلی‌تری از توان و محدودیت این فناوری داشته باشید، مقاله‌ی توان و محدودیت‌های واقعی هوش مصنوعی را بخوانید.

سوم اینکه این پژوهش تصویر روشنی از جهت حرکت شرکت‌های بزرگ می‌دهد. Anthropic به‌تازگی چند خبر دیگر هم در حوزه‌ی توانایی‌های علمی و امنیتی کلود منتشر کرده است و رقابت میان آزمایشگاه‌های بزرگ هوش مصنوعی، که داستان آن را در مقاله‌ی OpenAI چیست؟ دنبال کرده‌ایم، حالا به حوزه‌های علمی تخصصی هم کشیده شده است.

۶. رابطه با رمزنگاری و امنیت

یکی از وظایف بررسی‌شده، جمع نقاط روی منحنی بیضوی است که در برآوردهای منابع لازم برای شکستن رمزنگاری مبتنی بر منحنی بیضوی با رایانه‌ی کوانتومی استفاده می‌شود. به همین دلیل بعضی رسانه‌ها این خبر را به مباحث امنیتی گره زده‌اند.

اما احتیاط لازم است. خود مقاله، بر اساس خلاصه‌هایی که منتشر شده، تحلیل مستقیمی درباره‌ی تأثیر این نتایج بر رمزنگاری واقعی ارائه نمی‌دهد. کاهش منابع در یک بلوک محاسباتی به معنای شکسته شدن رمزنگاری امروز نیست و فاصله‌ی زیادی تا رایانه‌ای وجود دارد که بتواند چنین حمله‌ای را اجرا کند. جامعه‌ی امنیت همچنان در حال مهاجرت به الگوریتم‌های مقاوم در برابر کوانتوم است و این خبر بیشتر یادآور ضرورت همین مهاجرت است.

۷. محدودیت‌ها و نکته‌های احتیاطی

چند نکته را نباید فراموش کرد. نخست اینکه همه‌ی اعداد از خود Anthropic و مقاله‌ی آن آمده و هنوز گروه مستقلی آن‌ها را بازتولید نکرده است. ارزیاب را همین شرکت اجرا کرده و مقایسه‌ها با جدول‌های همان مقاله انجام شده است.

دوم اینکه دامنه‌ی کار محدود است. طراحی مدار فقط یکی از اجزای یک رایانه‌ی کوانتومی است و تصحیح خطا، کامپایل و محدودیت‌های سخت‌افزار در این پژوهش به صورت یکپارچه بهینه نشده‌اند. سوم اینکه بیشتر نتایج، بهبود فرمول‌بندی‌های موجود هستند و فقط یکی از هشت مورد ساختار کاملاً تازه معرفی می‌کند.

چهارم اینکه مدل در آزمایش‌های اولیه تمایل داشت به بهبودهای درست شک کند و بیش از حد بررسی کند، که او را به سمت روش‌های جاافتاده می‌کشاند. پژوهشگران با واداشتن مدل به امتحان چند رویکرد کاملاً متفاوت به‌صورت موازی این مشکل را کم کردند. در نهایت، بازتولید چنین کاری به صدها دور پیشنهاد و ارزیابی برای هر بلوک نیاز دارد، پس ارزان نیست.

۸. دسترسی به Claude Mythos 5

یک نکته‌ی عملی برای کاربران: Claude Mythos 5 مدلی با دسترسی محدود است و فقط برای شرکای تأییدشده و اعضای برنامه‌های راستی‌آزمایی در دسترس است. از طریق API عمومی نمی‌شود آن را صدا زد. نسخه‌ی عمومی خانواده، Claude Fable 5 است که قیمت آن بر اساس گزارش‌ها ده دلار برای هر میلیون توکن ورودی و پنجاه دلار برای هر میلیون توکن خروجی ثبت شده است.

این یعنی کاربران عادی و حتی بیشتر توسعه‌دهندگان فعلاً نمی‌توانند این آزمایش را خودشان تکرار کنند. با این حال الگوی کلی کار، یعنی حلقه‌ی مدل و ارزیاب خودکار، با مدل‌های دیگر هم قابل استفاده است. اگر تازه‌کار هستید، با آموزش نوشتن پرامپت برای مبتدی‌ها شروع کنید و کم‌کم به سراغ کارهای پیچیده‌تر بروید.

۹. پرسش‌های متداول

آیا کلود واقعاً یک رایانه‌ی کوانتومی ساخته است؟

خیر. کلود مدارهای کوانتومی را روی کاغذ، یعنی به شکل کد و طرح نرم‌افزاری، طراحی کرده است. این مدارها هنوز روی یک رایانه‌ی کوانتومی بزرگ و واقعی اجرا نشده‌اند و ارزیابی‌ها با ابزارهای نرم‌افزاری و شبیه‌سازی انجام شده است.

منظور از «۱۷ برابر گیت کمتر» دقیقاً چیست؟

یعنی در مورد وارونه‌سازی پیمانه‌ای، یکی از طراحی‌های جدید به‌جای کوچک‌ترین طراحی قبلی، حدود یک‌هفدهم گیت لازم دارد و در عوض ۱۲ درصد کیوبیت بیشتر مصرف می‌کند. این عدد برای همه‌ی هشت وظیفه صدق نمی‌کند و مخصوص همان بلوک است.

آیا این پژوهش رمزنگاری امروز را تهدید می‌کند؟

نه به‌طور مستقیم. این کار منابع لازم برخی بلوک‌های محاسباتی را کم می‌کند، اما رایانه‌ی کوانتومی به اندازه‌ی کافی بزرگ برای شکستن رمزنگاری رایج هنوز وجود ندارد. پیشنهاد کارشناسان همچنان آماده شدن برای رمزنگاری مقاوم در برابر کوانتوم است.

آیا یافته‌ها تأیید مستقل شده‌اند؟

تا زمان نگارش این مطلب، نه. اعداد از مقاله‌ی خود Anthropic است و برای اعتماد کامل باید منتظر بازتولید یا بازبینی پژوهشگران مستقل ماند.

چرا چنین خبری برای کسب‌وکارها مهم است؟

چون نشان می‌دهد مدل‌های هوش مصنوعی در حل مسائل تخصصی و پرهزینه‌ی علمی هم می‌توانند ارزش ایجاد کنند. شرکت‌هایی که از ابتدا هوش مصنوعی را در فرایندهای خود وارد کنند، در آینده برتری خواهند داشت؛ موضوعی که در اهمیت هوش مصنوعی در کسب‌وکار بررسی کرده‌ایم.

۱۰. نگاه آخر: دوره‌ی تازه‌ی هوش مصنوعی علمی

اگر ادعاهای این پژوهش در بازبینی‌های بعدی تأیید شوند، می‌توان گفت یک الگوی تازه شکل گرفته است: انسان مسئله را تعریف می‌کند و معیار درستی را می‌سازد، مدل هوش مصنوعی در فضای بزرگی از راه‌حل‌ها می‌گردد و ماشین درستی آن را تأیید می‌کند. این الگو محدود به کوانتوم نیست و می‌تواند در طراحی تراشه، کشف دارو، بهینه‌سازی الگوریتم و بسیاری حوزه‌های دیگر هم به کار برود.

در عین حال باید واقع‌بین ماند. خبرهای هیجان‌انگیز اغلب پیش از بازتولید مستقل منتشر می‌شوند و بخشی از آن‌ها در عمل کوچک‌تر از چیزی هستند که در تیتر می‌بینیم. بهترین رویکرد این است که پیشرفت را جدی بگیریم، اما اعداد را با احتیاط بخوانیم. برای خواندن بقیه‌ی اخبار روز، به صفحه‌ی اخبار سر بزنید.