Blog

Claude مدارهای کوانتومی را تا ده برابر بهینه‌تر طراحی کرد

Anthropic نشان داد Claude با یک حلقه‌ی بسته‌ی کد و ارزیاب خودکار، برای هشت مدار کوانتومی کلیدی طرح‌هایی بهتر از بهترین کارهای منتشرشده پیدا کرده؛ از جمله وارون پیمانه‌ای بدون ذخیره‌ی تاریخچه و دیکودر ۱۲ برابر ارزان‌تر برای DQI.

17 Oct 2026 · 4 min read · Claude · Anthropic · کامپیوتر کوانتومی · هوش مصنوعی · الگوریتم · رمزنگاری · پژوهش

Claude مدارهای کوانتومی را تا ده برابر بهینه‌تر طراحی کرد

Anthropic یک پژوهش تازه منتشر کرده که در آن به Claude فقط توضیح متنی هشت مدار کوانتومی پرکاربرد (از شیمی و بهینه‌سازی تا شبیه‌سازی فیزیک و نظریه‌ی اعداد) را داده‌اند، به‌همراه یک برنامه‌ی ارزیاب خودکار که درستی هر طرح را چک می‌کند و به آن امتیاز می‌دهد. نتیجه: Claude تقریباً بدون دخالت انسان، طرح‌هایی پیدا کرده که از بهترین مدارهای منتشرشده بهترند؛ در بعضی موارد ده برابر یا بیشتر.

تصویر شاخص مقاله‌ی طراحی مدارهای کوانتومی با Claude
تصویر شاخص مقاله‌ی «Designing more efficient quantum circuits with Claude» — منبع: anthropic.com

چرا طراحی مدار این‌قدر مهم است؟

کامپیوترهای کوانتومی فعلی فقط صدها تا چند هزار کیوبیت دارند و این کیوبیت‌ها به نویز بسیار حساس‌اند. پس هر کیوبیت و هر گیت ارزشمند است. مثال معروفش شبیه‌سازی مولکول FeMoco (قلب آنزیمی که باکتری‌ها با آن نیتروژن هوا را به آمونیاک تبدیل می‌کنند) است: سال ۲۰۱۷ تخمین زده می‌شد حدود ۵۰ تریلیون گیت Toffoli لازم دارد و حالا، بعد از هشت سال کار گروه‌های پژوهشی مختلف، به حدود ۳۴۰ میلیون رسیده؛ یعنی کاهشی حدوداً ۱۵۰ هزار برابری که عمدتاً از طراحی بهتر مدار آمده، نه سخت‌افزار بهتر.

روش کار

مدل Claude Mythos 5 در یک حلقه‌ی بسته کار کرده: طرح مدار را به‌صورت کد پایتون می‌نویسد، ارزیاب درستی آن را بررسی می‌کند و بر اساس «تعداد کیوبیت × تعداد گیت» امتیاز می‌دهد، و Claude با همین بازخورد طرح بعدی را بهتر می‌کند. در هر هشت مسئله، طرح‌های Claude هم کیوبیت کمتر و هم گیت کمتری از بهترین کارهای قبلی داشتند.

نمودار مقایسه‌ی تعداد گیت Toffoli و کیوبیت طرح‌های Claude با کارهای قبلی
ضربدرهای خاکستری بهترین طرح‌های منتشرشده‌ی قبلی‌اند و نقطه‌های نارنجی طرح‌های Claude؛ در همه‌ی مسائل پایین‌تر و چپ‌تر — منبع: Anthropic

کشف اول: وارون پیمانه‌ای بدون ذخیره‌ی تاریخچه

گران‌ترین بخش جمع نقاط روی منحنی بیضوی (پایه‌ی الگوریتم‌های کوانتومی شکستن رمزنگاری منحنی بیضوی) وارون پیمانه‌ای است. روی کامپیوتر معمولی روشی به اسم divsteps این کار را سریع انجام می‌دهد، اما در مدار کوانتومی هر قدم باید برگشت‌پذیر باشد و باید سابقه‌ی همه‌ی انشعاب‌ها نگه داشته شود؛ که کیوبیت زیادی می‌خورد. Claude در یک اجرای ۵۳ ساعته به این ایده رسید که این سابقه را اصلاً ذخیره نکند و از روی خود اعداد در هر مرحله «رمزگشایی»اش کند. برای این کار چند اتحاد جبری جدید اثبات کرد، فرمول دقیق را بیرون کشید و درستی‌اش را با Lean به‌صورت صوری ثابت کرد. یکی از طرح‌های این خانواده نسبت به کوچک‌ترین طرح قبلی ۱۲٪ کیوبیت بیشتر ولی ۱۷ برابر گیت کمتر دارد.

جدول منابع جمع نقاط منحنی بیضوی: طرح‌های Claude در برابر Schrottenloher و Luo
جدول ۱: منابع لازم برای جمع نقاط منحنی بیضوی؛ ردیف‌های پررنگ طرح‌های Claude هستند — منبع: Anthropic

کشف دوم: دیکودر ۱۲ برابر ارزان‌تر برای DQI

الگوریتم DQI یکی از جدی‌ترین نامزدها برای برتری کوانتومی در مسائل بهینه‌سازی است و گران‌ترین مرحله‌اش یک دیکودر Reed–Solomon است. طرح قبلی گوگل بر پایه‌ی الگوریتم اقلیدسی توسعه‌یافته بود. Claude آن را کنار گذاشت، سراغ Berlekamp–Massey رفت (که در هر دور کار یکسانی انجام می‌دهد و با توالی ثابت گیت‌ها جور است)، بیشتر داده‌های موقت را به‌جای ذخیره بازسازی کرد، و با نوشتن یک شبیه‌ساز سریع و اجرای ۴۰۳ میلیون نمونه نشان داد به‌جای ۶۶۵ کیوبیت برای بدترین حالت، فقط ۱۹ کیوبیت کافی است. حاصل: ۱۲ برابر گیت کمتر از طراحی قبلی گوگل.

مسئله‌ی Optimal Polynomial Intersection به‌شکل برازش منحنی گسسته
مسئله‌ی OPI: پیدا کردن چندجمله‌ای کم‌درجه‌ای که از بیشترین خانه‌های مجاز بگذرد — منبع: Anthropic
مقایسه‌ی سه طرح دیکودر Reed–Solomon: اقلیدسی، Berlekamp–Massey ساده و طرح Claude
از ۱٫۹ میلیون Toffoli در طرح قبلی به ۱۴۱ هزار؛ و از ۸۴۰ کیوبیت ذخیره به ۱۹ کیوبیت در طرح Claude — منبع: Anthropic

محدودیت‌ها

خود Anthropic می‌گوید Claude در ابتدا بیش از حد محافظه‌کار بود: بهبودها را بارها دوباره چک می‌کرد و به روش‌های شناخته‌شده می‌چسبید. برای همین مجبور شدند از او بخواهند چند رویکرد متفاوت را موازی جلو ببرد و گاهی تشویقش کنند دامنه‌ی جستجو را بازتر کند. مقاله‌ی کامل روی arXiv منتشر شده است.

نظر من

به نظرم مهم‌ترین نکته این نیست که «هوش مصنوعی کوانتوم را حل کرد»؛ نکته این است که هر مسئله‌ای که بشود آن را به کد، یک ارزیاب خودکار و یک امتیاز عددی تبدیل کرد، حالا میدان بازی مدل‌هاست. همان الگویی که در بهینه‌سازی الگوریتم‌های کلاسیک دیدیم، این‌جا در دنیای کوانتوم تکرار شده؛ و این‌بار با اثبات صوری در Lean، نه فقط «روی تست‌ها جواب داد». کاری که گروه‌های انسانی در چند سال قدم‌به‌قدم انجام دادند، این‌جا در یک اجرای ۵۳ ساعته رخ داده.

یک نکته‌ی امنیتی هم هست که نباید از کنارش گذشت: ارزان‌تر شدن جمع نقاط منحنی بیضوی یعنی شکستن ECC روی کامپیوتر کوانتومی آینده هم ارزان‌تر می‌شود. اگر هنوز مهاجرت به رمزنگاری پساکوانتومی (PQC) را جدی نگرفته‌اید، این‌جور خبرها زمان باقی‌مانده را کوتاه‌تر می‌کنند. برای ما برنامه‌نویس‌ها هم درس روشنی دارد: یاد بگیرید مسئله‌تان را طوری تعریف کنید که «قابل ارزیابی خودکار» باشد؛ بخش بزرگی از ارزش کار با مدل‌ها همین‌جاست.

منبع: Anthropic — Designing more efficient quantum circuits with Claude · بحث در Hacker News

Comments0

Comments +

00

No comments yet — be the first. هنوز نظری ثبت نشده؛ اولین نفر باش.

Leave a comment

0 / 2000