⚛️ quantum physics

Revisiting Quantum Code Generation: Where Should Domain Knowledge Live?

تُظهر هذه الدراسة أن توليد أكواد Qiskit باستخدام النماذج اللغوية الكبيرة الحديثة متعددة الأغراض، والمعززة بالاسترجاع المعزز بالتوليد والوكلاء الذين يعتمدون على التغذية الراجعة للتنفيذ التكراري، يتفوق بشكل كبير على النماذج المرجعية الضبط الدقيق المتخصصة في المعلمات، مما يشير إلى أن التعزيز أثناء وقت الاستدلال يوفر مساراً أكثر مرونة وقابلية للصيانة لدمج المعرفة المتخصصة مقارنة بالضبط الدقيق الخاص بالمجال.

المؤلفون الأصليون: Oscar Novo, Oscar Bastidas-Jossa, Alberto Calvo, Antonio Peris, Carlos Kuchkovsky

نُشر 2026-03-24

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Oscar Novo, Oscar Bastidas-Jossa, Alberto Calvo, Antonio Peris, Carlos Kuchkovsky

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم متدرب بارع ولكنه يفتقر للخبرة كيفية بناء دوائر كمومية معقدة باستخدام مجموعة أدوات محددة وسريعة التغير تسمى Qiskit.

لفترة طويلة، كانت النصيحة القياسية هي: "لا تكتفِ بإعطاء المتدرب دليلاً إرشاديًا؛ بل أعد كتابة دماغه." وكان هذا يعني أخذ نموذج ذكاء اصطني- عام و"ضبطه بدقة" (Fine-tuning)—أي حشو عقله بآلاف الأمثلة من أكواد Qiskit حتى يحفظ القواعد عن ظهر قلب. هذا يشبه توظيف نجار ماهر قضى 20 عامًا في بناء نوع واحد فقط من المنازل؛ فهو رائع في بناء ذلك المنزل، ولكن إذا تغيرت المخططات الشهر المقبل، فسيتعين عليك إرساله إلى المدرسة ليعيد تعلم التصميم الجديد.

تسأل هذه الورقة البحثية سؤالاً ثوريًا وبسيطًا: ماذا لو لم نكن بحاجة لإعادة تدريب دماغ المتدرب على الإطلاق؟ ماذا لو أعطيناه فقط صندوق أدوات أفضل وطريقة عمل أكثر ذكاءً؟

الاستراتيجيات الثلاث التي تم اختبارها

اختبر الباحثون ثلاث طرق مختلفة لمساعدة الذكاء الاصطناعي على كتابة الأكواد الكمومية:

نهج "القرص الصلب" (Zero-Shot): تعطي الذكاء الاصطناعي المهمة وتتركه يحاول حلها باستخدام ما يعرفه بالفعل من بيانات تدريبه الضخمة. الأمر يشبه طلب بناء الدائرة من الذاكرة من المتدرب.
نهج "المكتبة" (RAG - Retrieval-Augmented Generation): تعطي الذكاء الاصطناعي المهمة، ولكنك تمنحه أيضًا محرك بحث متصل بأحدث وثائق Qiskit. إذا تعثر، يمكنه البحث عن القاعدة المحددة التي يحتاجها. إنه يشبه إعطاء المتدرب بطاقة مكتبة وإخباره: "اذهب وابحث عن دليل هذه الأداة المحددة قبل أن تبدأ".
النهج "ذاتي التصحيح" (Agentic Inference): هذا هو مغير قواعد اللعبة. أنت تترك الذكاء الاصطناعي يكتب الكود، ثم يشغله، ويرى ما إذا كان سيتعطل. إذا تعطل، يقرأ رسالة الخطأ، ويكتشف ما الذي سار بشكل خاطئ، ثم يحاول مجددًا. يستمر في هذه الحلقة (كتابة ← تشغيل ← إصلاح) ما يصل إلى خمس مرات حتى ينجح. إنه يشبه إعطاء المتدرب منصة اختبار حيث يمكنه بناء نموذج أولي، ورؤية فشله، وإصلاح الخطأ، والمحاولة مرة أخرى حتى يصبح مثاليًا.

المفاجأة الكبرى

قارن الباحثون هذه الطرق "لصندوق الأدوات الذكي" مقابل طريقة "إعادة كتابة الدماغ" القديمة (النموذج الذي تم ضبطه بدقة).

النتيجة؟ كان النموذج "المعاد كتابة دماغه" جيدًا، لكن نماذج الذكاء الاصطناعي العامة الحديثة التي تستخدم نهج "التصحيح الذاتي" كانت أفضل بكثير.

نجح النموذج المتخصص القديم في تنفيذ حوالي 47% من المهام من المحاولة الأولى.
حقق الذكاء الاصطناعي الحديث، باستخدام حلقة "التصحيح الذاتي" فقط، ما يصل إلى 85% من المهام بنجاح.

لماذا هذا الأمر مهم (الاستعارات)

1. مشكلة "المعرفة المجمدة مقابل المعرفة المرنة"
فكر في نموذج "الضبط الدقيق" القديم كأنه موسوعة مجمدة. بمجرد طباعتها، تصبح المعلومات ثابتة. إذا قامت Qiskit بتحديث برنامجها (وهو أمر يحدث كثيرًا في الحوسبة الكمومية)، فإن هذه الموسوعة ستصبح قديمة فورًا. ستحتاج إلى صهرها وطباعة نسخة جديدة (إعادة تدريب النموذج)، وهو أمر مكلف وبطيء.

النهج الجديد يشبه محادثة حية ومرنة. لا يحتاج الذكك الاصطناعي لحفظ القواعد؛ بل يحتاج فقط لمعرفة كيف يجد القواعد وكيف يصلح أخطاءه. إذا تم تحديث البرنامج غدًا، يمكنك ببساه تحديث المكتبة أو حلقة فحص الأخطاء. يظل الذكاء الاصطناعي كما هو، لكن أداءه يظل مواكبًا للتطور.

2. قوة "الخطأ والصواب" الخارقة
كان الفائز الأكبر هو النهج الوكيل (Agentic/الذاتي التصحيح). فهو يحول توليد الكود من "تخمين لمرة واحدة" إلى "جلسة تدريب".

تشبيه: تخيل خوض اختبار قيادة.
- Zero-Shot: تدخل السيارة وتقود. إذا اصطدمت بقمع، تفشل فورًا.
- Agentic: تقود، تصطدم بقمع، يخبرك المدرب "لقد أخطأت في المنعطف"، فتتوقف، وتصلح طريقة توجيهك، ثم تحاول مجددًا. تستمر في المحاولة حتى تنجح.
- وجدت الورقة أن هذه "حلقة الممارسة" سمحت لنماذج الذكاء الاصطناعي العامة بالتفوق على النماذج المتخصصة "الخبيرة" التي لم يُسمح لها أبدًا بالممارسة.

3. تكلفة المثالية
هناك عقبة. نهج "التصحيح الذاتي" يستغرق وقتًا أطول. إنه يشبه الفرق بين العدو السريع والماراثون.

نموذج "Zero-Shot" سريع ولكنه يرتكب الأخطاء.
نموذج "Agentic" أبطأ لأنه يجب عليه تشغيل الكود، وفحص الأخطاء، وإعادة الكتابة عدة مرات.
ومع ذلك، وجد الباحثون أنه حتى مع هذا الوقت الإضافي، لا تزال النماذج الأفضل (مثل Claude Opus 4.6) سريعة بما يكفي لتكون عملية، وأن القفزة الهائلة في الدقة (من 47% إلى 85%) تستحق تلك الثواني الإضافية لكل مهمة.

الخلاصة

تشير هذه الورقة إلى أننا لسنا بحاجة لبناء دماغ ذكاء اصطناعي متخصص جديد لكل مكتبة برمجية جديدة. بدلاً من ذلك، يجب علينا بناء سير عمل أكثر ذكاءً.

من خلال منح نماذج الذكاء الاصطناعي العامة القدرة على البحث عن المعلومات (RAG) والتعلم من أخطائها (الدوائر الوكيلية/Agentic loops)، يمكننا إنشاء مساعدي برمجة كمومية تتميز بـ:

دقة أكبر: ينجزون المهمة في كثير من الأحيان.
مرونة أعلى: يتكيفون مع تحديثات البرامج فورًا دون الحاجة لإعادة التدريب.
استدامة أكبر: نوفر التكلفة الهائلة والطاقة اللازمة لإعادة تدريب النماذج باستمرار.

باختصار: لا تعلم الذكاء الاصطناي الإجابة فحسب؛ بل علمه كيف يجد الإجابة وكيف يصلحها عندما يخطئ فيها. هذا هو مستقبل مساعدي البرمجة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "إعادة النظر في توليد الأكواد الكمومية: أين يجب أن تستقر المعرفة بالمجال؟"

1. بيان المشكلة

يمثل التطور السريع لمجموعات أدوات تطوير البرمجيات الكمومية (SDKs)، مثل Qiskit، تحديًا كبيرًا لتوليد الأكواد المؤتمت. تتميز هذه الأطر بتجريدات معقدة، وخلفيات تنفيذ متنوعة، وواجهات برمجة تطبيقات (APIs) تتغير باستمرار.

تاريخيًا، كان النهج المهيمن لتكييف النماذج اللغوية الكبيرة (LLMs) مع هذه المجالات هو التخصص على مستوى المعلمات أثناء وقت التدريب (ضبط النموذج الأساسي بدقة - fine-tuning - على مجموعات بيانات متخصصة من المجال). ومع ذلك، يعاني هذا النهج من:

تكاليف صيانة عالية: يتطلب إعادة التدريب في كل مرة يتغير فيها الـ SDK أو واجهة برمجة التطبيقات.
الجمود: تكون معرفة النموذج ثابتة بمجرد انتهاء التدريب.
كثافة الموارد: يتطلب جهدًا حوسبيًا وتنسيقًا هائلًا للبيانات.

السؤال البحثي المركزي هو: هل يمكن للنماذج اللغوية الكبيرة الحديثة للأغراض العامة، المعززة باستراتيجيات وقت الاستدلال (مثل التوليد المعزز بالاسترجاع - RAG - وسير العمل الوكيل - Agentic workflows)، أن تفوق أو تضاهي النماذج المتخصصة التي تم ضبطها بدقة دون الحاجة إلى إعادة التدريب؟

2. المنهجية

أجرى المؤلفون دراسة تجريبية شاملة باستخدام معيار Qiskit-HumanEval، وهو تكييف للمعيار البشري (HumanEval) مخصص لبرمجة الكم. تضمنت الدراسة 151 مهمة تتطلب توليد كود Qiskit صحيح وظيفيًا يتم التحقق منه عبر اختبارات الوحدة (unit tests).

الإعداد التجريبي

الأساس (Baseline): نموذج متخصص في المعلمات باستخدام نموذج Granite-20B الذي تم ضبطه بدقة على مجموعات بيانات Qiskit (من عمل سابق لـ Dupuis et al.)، محققًا نسبة نجاح بلغت ~46.5% (Pass@1).
النماذج المختبرة: مجموعة متنوعة من النماذج اللغوية الكبيرة الرائدة للأغراض العامة من OpenAI (GPT-4o, GPT-5, GPT-o3, إلخ)، وAnthropic (Claude 3.5/4.5/4.6)، وGoogle (Gemini Pro/Flash).
تكوينات الاستدلال:
1. الاستدلال الصفري (Zero-Shot): التلقين القياسي بدون مساعدات خارجية.
2. التوليد المعزز بالاسترجاع (RAG): يتلقى النموذج أجزاء مسترجعة من وثائق Qiskit والكود المصدري بجانب التلقين (prompt). قام المؤلفون بتحسين مسار RAG، ووجدوا أن الاسترجاع الكثيف (FAISS) بعمق صغير ( $k=4$ ) باستخدام text-embedding-3-large ومجموعة بيانات مشتركة (الوثائق + الكود المصدري الأساسي) حقق أفضل النتائج.
3. الاستدلال الوكيل (Agentic Inference): حلقة تكرارية حيث يقوم النموذج بتوليد الكود، وتنفيذه مقابل اختبارات الوحدة، واستخدام رسائل الخطأ الناتجة لتصحيح نفسه. تراوحت التكوينات من محاولة إصلاح واحدة إلى 5 محاولات.

مقاييس التقييم

Pass@1: نسبة المهام التي ينجح فيها حل واحد مُولد في اجتياز جميع اختبارات الوحدة.
وقت التنفيذ: إجمالي وقت التشغيل لمجموعة الاختبار الكاملة لتحليل المقايضات بين الدقة والكفاءة.

3. المساهمات الرئيسية

إعادة تقييم استراتيجيات التخصص: تقدم الورقة معيارًا محدثًا يظهر أن النماذج اللغوية الكبيرة الحديثة للأغراض العامة، عند اقترانها بالتعزيز في وقت الاستدلال، تتفوق على خطوط الأساس المتخصصة التي تم ضبطها بدقة سابقًا.
التحليل المنهجي للتعزيز في وقت الاستدلال: تقارن الدراسة بصرامة بين سير عمل RAG والعمليات الوكيلية، وتحدد أن بينما يوفر RAG مكاسب متواضلة، فإن التغذية الراجعة من التنفيذ الوكيل هي المحرك الرئيسي لتحسين الأداء.
تحسين RAG للأكواد الكمومية: حدد المؤلفون تكوينات مثلى لتوليد الكود الكمومي، مشيرين إلى أن الاسترجاع الكثيف مع الكود المصدري الأساسي يتفوق على طرق الاسترجاع المتفرقة أو النهج المعتمد على الوثائق فقط.
تحليل المقايضة: توضح الورقة تكلفة (وقت التشغيل) مقابل الفائدة (الدقة) للتصحيح الذاتي التكراري، مما يوفر توجيهًا قائمًا على البيانات لنشر المساعدين البرمجيين الكموميين.

4. النتائج الرئيسية

تفوق النماذج للأغراض العامة: تفوقت النماذج الحديثة للأغراض العامة باستمرار على نموذج Granite الأساسي المتخصص في المعلمات.
- الاستدلال الصفري (Zero-Shot): حققت النماذج العامة 60-65% من Pass@1، مقارنة بـ ~47% للنموذج الأساسي.
- الاستدلال الوكيل (Agentic Inference): حقق أقوى تكوين (Claude Opus 4.6 مع 5 محاولات إصلاح) نسبة 85.4% من Pass@1، وهو تحسن بنسبة >35% عن خط الأساس المضبط بدقة.
تأثير الاستراتيجيات:
- RAG: قدم مكاسب متواضلة تعتمد على النموذج (غالبًا +1-4% فوق Zero-shot) ولكنه لم يحسن جميع النماذج باستمرار.
- التغذية الراجعة الوكيلية (Agentic Feedback): قدمت التحسينات الأكثر اتساقًا وكبيرًا عبر جميع عائلات النماذج.
أداء النماذج:
- نماذج OpenAI: أظهرت مكاسب قوية من التغذية الراجعة للتنفيذ، خاصة في النسخ الموجهة نحو الاستدلال.
- Anthropic (Claude): أظهرت كفاءة عالية؛ حيث حقق Opus 4.6 أعلى دقة (85.4%) مع وقت تشغيل تنافسي (~9 ثوانٍ لكل مهمة).
- Google (Gemini): تحسن مع الحلقات الوكيلية ولكنه أظهر تباينًا أعلى في توسع وقت التشغيل.
تحليل الصعوبة: انخفض الأداء بشكل كبير في المهام "المتقدمة" (حيث تم حل ~20-40% منها)، مما يشير إلى أنه بينما يساعد التعزيز في وقت الاستدلال، لا يزال الاستدلال الكمي المعقد يمثل عقبة.

5. الأهمية والآثار المترتبة

التحول في النموذج الفكري: تشير النتائج إلى تحول من التخصص على مستوى المعلمات (الضبط الدقيق) إلى التخصص على مستوى النظام في وقت الاستدلال. هذا يفصل قدرة النموذج عن المعرفة بالمجال، مما يسمح للأنظمة بالتكيف مع الـ SDKs المتطورة (مثل تحديثات Qiskit) ببساطة عن طريق تحديث مجموعة الاسترجاع أو منطق الوكيل، دون الحاجة لإعادة التدريب.
القابلية للصيانة: توفر نهج وقت الاستدلال مسارًا أكثر استدامة لتطوير البرمجيات الكمومية، مما يقلل من الأعباء الهندسية المرتبطة بصيانة نماذج متعددة مضبوطة بدقة.
المقايضة بين التكلفة والدقة: بينما يزيد الاستدلال الوكيل من وقت التشغيل (بسبب دورات التوليد/التنفيذ المتعددة)، فإن تكلفة الوقت المطلقة غالبًا ما تكون مقبولة للمهام الحرجة حيث تكون الدقة هي الأهم. تجادل الورقة بأن "تكلفة" إعادة تدريب نموذج لكل تحديث للـ SDK تفوق بكثير تكلفة وقت الاستدلال التكراري.
الاتجاهات المستقبلية: يدعو المؤلفون إلى إجراء معايير محسنة من حيث التكلفة (مقارنة الطرق تحت ميزانيات متساوية من الرموز/Tokens والوقت) وتوسيع هذه النتائج لتشمل أطر عمل كمومية أخرى (مثل Cirq وPennyLane).

الخلاصة: تخلص الورقة إلى أنه بالنسبة للمجالات سريعة التطور مثل الحوسبة الكمومية، فإن التعزيز في وقت الاستدلال (وتحديدًا سير العمل الوكيل مع التغذية الراجعة من التنفيذ) هو استراتيجية أكثر مرونة وقابلية للصيانة وفعالية من الضبط الدقيق الثابت، مما يمكن النماذج اللغوية الكبيرة للأغراض العامة من تحقيق أداء رائد في توليد الأكواد المتخصصة.