QASM-Eval: A Dataset to Train and Evaluate LLMs on OpenQASM-3 Beyond Quantum Circuits
تقدم الورقة البحثية QASM-Eval، وهي أول مجموعة بيانات ومعيار شامل مصمم لتدريب وتقييم النماذج اللغوية الكبيرة على الميزات المتقدمة الموجهة للأجهزة في OpenQASM-3، مثل التغذية الراجعة الكلاسيكية والتحكم في النبضات، مما يثبت أن الضبط الدقيق المستهدف يحسن بشكل كبير من أداء النموذج في مهام البرمجة الحرجة في عصر الـ NISQ.
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 آلة تقنية عالية الدقة وحساسة للغاية. هذه الآلة هي حاسوب كمي.
لفترة طويلة، كانت التعليمات التي نعطيها للمتدرب تشبه وصفة بسيطة: "اخلط هذه المكونات، واخبز لمدة 10 دقائق". كان هذا يعمل للمهام الأساسية، لكن الآلة الآن تدخل مرحلة صعبة ومليئة بالضجيج (تسمى عصر NISQ). لجعلها تعمل بشكل موثوق، يجب أن تصبح التعليمات أكثر تحديداً بكثير. الآن، يحتاج المتدرب إلى معرفة متى بالضبط يفحص درجة الحرارة، وكيف يعدل باب الفرن أثناء الخبز، وحتى كيف يعدل شكل الموجات الحرارية نفسها.
اللغة المستخدمة لهذه التعليمات فائقة الدقة تسمى OpenQASM 3. وهي بمثابة "دليل تشغيل الأجهزة" للحواسيب الكمية.
المشكلة: المتدرب مرتبك
على الرغم من أن الذكاء الاصطناعي (AI) أصبح بارعاً جداً في كتابة الكود البرمجي، إلا أن هناك مشكلة رئيسية: لم يقم أحد ببناء اختبار تجريبي مخصص لهذه اللغة الجديدة والمعقدة.
الاختبارات الموجودة كانت تشبه سؤال المتدرب عن "خبز كعكة" (منطق عالي المستوى) أو "إصلاح محمصة خبز معطلة" (دوائر أساسية). لكنها لم تختبر ما إذا كان بإمكان المتدرب القيام بما يلي:
- التوقف والتفكير: إيقاف عملية الخبز، وفحص مستشعر، واتخاذ قرار بشأن إضافة المزيد من السكر بناءً على تلك القراءة (المنطق الكلاسيكي).
- ضبط التوقيت بدقة مثالية: الانتظار لمدة 0.0000001 ثانية بالضبط قبل فتح الباب، أو مزامنة فرنين بشكل مثالي (جدولة التوقيت).
- تعديل الموجات: تعديل شكل الموجات الحرارية التي تصطدم بالطعام يدوياً لمنع الاحتراق (التحكم في النبضات).
بدون اختبار تجريبي لهذه المهارات المحددة، كان الذكاء الاصطناعي يخمن، وكان يفشل فشلاً ذريعاً.
الحل: QASM-Eval (الامتحان النهائي الأسمى)
قام مؤلفو هذه الورقة البحثية بإنشاء QASM-Eval. فكر في هذا كصالة ألعاب رياضية متخصصة ضخمة ومكان للتدريب، وأيضاً امتحان نهائي للذكاء الاصطناعي، مصمم خصيصاً لـ OpenQASM 3.
- مجموعة التدريب: قاموا بتوليد 4,000 مسألة تدريبية. هذه ليست مجرد أسئلة عشوائية؛ بل هي سيناريوهات صيغت بعناية حيث يتعين على الذكاء الاصطناعي ملء الكود المفقود لجعل الآلة الكمية تعمل بشكل صحيح.
- الامتحان: أنشأوا اختباراً صارماً مكوناً من 100 سؤال.
- نظام التصحيح: قاموا ببناء "معلم آلي" خاص (مدقق آلي). هذا الروبوت لا يكتفي بالتحقق مما إذا كان الكود يبدو صحيحاً فحسب؛ بل يقوم فعلياً بمحاكاة الآلة الكمية ليرى ما إذا كان الكود ينتج النتيجة الصحيحة، ويتبع قواعد التوقيت، ولا يتسبب في تعطل النظام.
ما الذي وجدوه؟
وضع الباحثون عدة نماذج ذكاء اصطناعي رفيعة المستوى (مثل Llama و GPT) تحت اختبار هذا الامتحان الجديد. وإليك ما حدث:
- معاناة "الصفر محاولة" (Zero-Shot): عندما طلبوا من الذكاء الاصطناعي خوض الامتحان دون أي مساعدة (فقط "إليك السؤال، حله")، كانت النتائج سيئة للغاية. كان الذكاء الاصطناعي مثل طلاب درسوا الفيزياء العامة ولكنهم لم يروا قط المخطط التفصيلي المحدد لهذه الآلة. لم يستطيعوا ضبط الصيغة البرمجية (Syntax)، ناهيك عن ضبط التوقيت.
- دفعة "المحاولات القليلة" (Few-Shot): عندما أعطى الباحثون الذكاء الاصطناعي بضعة أمثلة لكيفية حل مسائل مشابهة أولاً (مثل إظهار نموذج لإجابة نموذجية)، ارتفعت الدرجات. كان الأمر يشبه إعطاء الطالب ورقة غش تحتوي على مثال واحد.
- اختراق "الضبط الدقيق" (Fine-Tuning): كان هذا هو الفوز الكبير. أخذ الباحثون نماذج الذكاء الاصطناعي و"دربوها" خصيصاً على مسائلهم الـ 4,000 التدريبية.
- النتيجة: نموذج ذكاء اصطناعي متوسط الحجم (Llama-8B)، بعد هذا التدريب المحدد، أدى بشكل يقارب أداء أقوى وأغلى أنواع الذكاء الاصطناعي (GPT-5.2) الذي لم يتلقَّ أي تدريب على الإطلاق.
- البطل: نموذج ذكاء اصطناعي أكبر (Llama-70B)، بعد التدريب، أصبح بارعاً. لقد سجل 85% في الامتحان، متفوقاً حتى على أقوى نماذج الذكاء الاصطناعي عندما يتم إعطاء ذلك النموذج بعض الأمثلة.
الخلاصة
تخلص الورقة البحثية إلى أن العائق ليس أن الذكاء الاصطناعي "غبي" في الفيزياء الكمية. العائق هو أن الذكاء الاصطناعي لا يعرف القواعد والقواعد اللغوية المحددة لـ OpenQASM 3.
من خلال إنشاء مجموعة بيانات مخصصة (QASM-Eval) والتدريب على هذه المجموعة، أثبتوا أنه يمكنك تحويل ذكاء اصطناعي عام الأغراض إلى مبرمج كمي موثوق للغاية. الأمر يشبه أخذ شخص ذكي يعرف كيفية قيادة سيارة عادية، ثم إعطائه دليلاً محدداً ومضمار تدريب خاص لسيارة فورمولا 1؛ فجأة، يمكنه قيادة سيارة السباق بشكل مثالي.
هذه المجموعة من البيانات متاحة الآن للجميع، مما يساعد في بناء مساعدين أفضل بالذكاء الاصطناعي يمكنهم مساعدة البشر في برمجة الجيل القادم من الحواسيب الكمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.